现在谷歌 X 实验室已经和谷歌分家，成了新成立的谷歌母公司 Alphabet 下的一个成员，名字也变成了 X。在平流层中投放气球对 X 实验室来说是家常便饭，它的 Project Loon 就是专门做这种事的——这些气球可以在平流层中向还没有互联网接入的地区提供互联网。
X 希望这些气球能够在平流层中待足够长的时间并持续提供稳定可靠的互联网接入。但大自然不会那么「稳定」：气球常常会飘走！所以说 X 实验室能让气球在秘鲁的上空呆上三个月已经是一件非常惊人的事了。而且更为惊人的是：这些气球的导航系统只能让气球上下移动，而不能控制水平方向上的位移——这是因为更复杂的方向控制系统会更重、成本也更高。它们就像热气球一样，需要在合适的天气状况中飞行。X 实验室没有给秘鲁上空的气球安装什么喷气式推进系统，而是给了它一个人工智能的大脑。
我们使用了广义上的「人工智能（artificial intelligence）」这个词。但不管你叫它什么，这些在秘鲁上空给这些气球导航的新算法确实非常有效。这也代表着整个科技界近来的一场非常真实的也非常广泛的巨大变革。
在刚开始的时候，Loon 团队通过人工编写的算法来引导这些气球；这些算法可以响应一些预定义的变量集合（如：高度、位置、风速和每日时间等）。而新的算法则在很大程度上利用了机器学习技术：通过分析大量数据，这些算法可以随时间不断学习。它们可以基于过去发生过的状况调整气球未来的行为。
「我们在越来越多合适的地方用上了越来越多的机器学习，」谷歌的前搜索工程师、现任 Loon 项目负责人 Sal Candido 说，「这些算法可以比任何人类都更高效地处理事情。」
但这并不意味着这些算法总是能做出正确的决策。
Candido 拥有一个随机最优控制（stochastic optimal control）的博士学位。也就是说他专门研究的是系统面对不确定情况的控制问题，现在他就正在应用自己的专业知识来解决实际的问题。当你将一个气球投放到平流层时，会有很多可怕的不确定性，而你不能改变这一点。但在机器学习的帮助下，Candido 及其团队正在寻找更好的解决不确定难题的方法。
当 Loon 项目刚启动时，该团队认为为一个地球提供互联网覆盖的唯一方法是投放大量气球，然后让它们相隔很远地飘在空中。但现在，他们能更好地控制气球的飘动方向了，这就意味着他们可以只用更少的气球就能提供互联网覆盖了。「气球不会飘到海洋上去，」Candido 说，「我们可以在用户上空停留更久。」
机器学习不仅在 Project Loon 中的兴起，在整个谷歌乃至整个科技行业也是一样——Facebook、微软、Twitter 等许多公司都在这个方向上发力。最值得注意的是，这些公司都在向深度神经网络（deep neural networks）的方向发展——这是一种稍微类似于人脑中神经元网络的算法。这种技术在你的安卓手机上帮你识别语音指令、在 Facebook 上帮你识别照片中的人脸、在谷歌的搜索引擎中帮你选择合适的链接……过去，驱动谷歌搜索的算法是人工编程的。而现在，算法已经能够自己学习了，它根据人们的点击情况进行分析从而选择呈现最佳的搜索结果。
Project Loon 的导航系统并没有使用深度神经网络，而是使用了一种更简单的名叫高斯过程（Gaussian processes）的机器学习技术。但其中的基本思路是一样的。而且这也能让我们看到实际上深度学习只是人工智能革命的一部分。
Project Loon 已经收集到了 1700 万千米的气球飞行数据；通过高斯过程，该导航系统可以预测气球的运动轨迹，然后决定气球应该向上移动还是向下移动（这涉及到向气球充气和给气球放气）。
这些预测并不完美——很大程度上是因为平流层的天气是很难预测的。平流层位于我们所能感受的大多数气象现象之上，但 Candido 说这些气球所遭遇到的不确定性远远超过了该团队的预期。所以，他们还使用了一种被称为强化学习（reinforcement learning）的技术对系统进行了强化。该系统在做出预测后还会继续收集气球目前所处情况的额外信息——那些有效那些没有——然后使用这些数据来调制自己的行为。
从广义上讲，这和另一支谷歌研究团队打造 AlphaGo 的方法类似——这个下围棋的人工智能系统已经击败了一位世界最顶级的围棋棋手李世石。AlphaGo 通过分析数百万局人类棋局然后不断和自己对弈而学会了下围棋，它通过强化学习仔细地追踪成功或不成功的策略，从而提升了自己的棋力。AlphaGo 的设计者相信这些同样的技术也可以被用于机器人以及其它各种各样的在线任务或离线任务。
这不是魔法，只是数据、数学和巨量计算处理能力的综合结果。正如 Candido 所说的那样，Loon 的导航系统之所以成为可能，是因为它能使用谷歌的巨型数据中心在成千上万台机器上处理信息。他也表示 Loon 的机器学习还不够完美。广义的机器学习也是一样——都还不够完美。人工智能并不总是那么智能，它并不总是能得到我们想要的结果。但是随着时间的推移，它会做得越来越好——不管是在地面、平流层、还是更进一步的星际空间中……
- 文章来源于机器之心
- 智造家平台提供