今天，任何使用Google相冊的人都知道，不僅計算機可以識別貓的圖像，它甚至可以識別貓的圖像片段。 人類將識別為只有60％或70％精確度的貓的圖像，Google Cloud Vision API可以毫秒確定95％的置信度。 它知道這一點，因為我們在人工智能（AI），圖像識別和計算效率方面取得了驚人的進步。 總之，這些進步使得神經網絡能夠被有效地訓練成數百萬張貓的照片。
今年，谷歌推出了Google Cloud AutoML，它能夠培養每個企業開發人員可以使用的高級神經網絡。上週，我們宣佈我們的第三代雲TPU現在可以作為靈活的基於雲的基礎架構使用。 TPU可用於訓練翻譯文檔，轉錄語音郵件和優化數據中心冷卻的神經網絡，就像我們一樣！
此外，您可以將這些相同的TPU與在Google Kubernetes Engine（GKE）上運行的容器化工作負載一起使用。通過這種組合 - 雲端AutoML和雲端TPU - 我們兌現了我們對AI民主化的承諾，為您提供解決真正複雜問題所需的工具和功能。
讓我們面對現實：有很多問題，人類大腦根本沒有優化。作為一個物種，我們可以掌握不同技能的廣度。學習語言，在不平坦的地形上行走，探測情緒 - 這些是大多數人的基本任務（但對於機器來說卻難以置信）。但是要求我們在我們的腦海裡處理一份超過七項的工作清單，我們的表現會大幅下降。這就是為什麼AT＆T貝爾實驗室選擇七位數作為電話號碼的長度。這也是人們使用谷歌日曆而不是試圖記住他們頭腦中的許多約會的原因。
另一方面，使用AI，計算機可以兼顧並理解大量數據。 我們已經看到人工智能如何做有趣的事情，如玩遊戲（DeepBlue，AlphaGo）。 現在，假設將AI應用於諸如診斷疾病，減少交通或火車事故或最大化投資收益等業務問題。 在我與CTO的Google Cloud Office的合作中，我與很多銀行，高科技和零售企業進行了交流。 每個人都有一個問題 - 一個有限的資源 - 他們希望優化或深入瞭解。 也許是大量的非結構化數據，他們想從中提取客戶情緒，或者他們想用來估算全球石油供應的衛星圖像。 您通過AI發現的這些見解是您可以用來獲取業務優勢的所有見解 - 現在，通過Cloud TPU，您可以獲得快速且經濟高效地培訓AI工作負載所需的計算能力。
想象一下，將人類的最佳品質與計算機的領先優勢結合起來會是什麼感覺。 什麼可能？ 我們能治癒疾病，預防戰爭，減少交通擁堵，過上更幸福，更健康的生活嗎？ 我相信，當我們為創造性和有動力的人類配備能夠推動我們當前侷限的工具和能力時，這些都可能成為可能。 當我們超越這些限制時，我們正處於這一點。 現在是真的。
當然，考慮任何新技術的道德和道德維度都很重要。 在Google，我們將這些考慮因素編入了七個核心AI原則，我們根據這些原則權衡任何潛在的新AI應用程序。 人工智能現在還處於相對較早的階段，但我們相信這些原則在考慮使用人工智能技術時是一個很好的起點。 除此之外，您選擇應用AI的方式取決於您，僅限於計算機無法重現的一件事 - 您的創造力。 計算機可能善於理解大量數據，但是我們將想法組合併合成為新的有趣組合。
Edge TPU是一款簡化的Google ASIC，旨在補充雲TPU，並將嵌入到橋接Google雲平臺和傳感器等設備的網關中。 Edge TPU支持TensorFlow Lite機器學習模型，加速邊緣推理，使邊緣設備可以做出本地，實時，智能的決策。
谷歌提供Edge Tensor處理單元（TPU）板和Edge TPU加速器。 它的Edge TPU Accelerator是一款USB設備，可與Raspberry Pi等主板配合使用。 使用谷歌的Edge TPU加速器，開發人員可以利用Pi和Odroid XU4等低功耗單板計算機（SBC）進行各種自助（DIY）人工智能（AI）項目。 這些芯片針對Google的TensorFlow機器學習框架進行了優化，並與邊緣設備連接。
閱讀更多 引力空間站 的文章
