谷歌热气球
这个夏天，Google X实验室向秘鲁的平流层发射了一个气球，它在那里呆了98天。
将气球发送到平流层是Google X实验室的通常做法，或者只是X，因为它现在被称为从谷歌离开，并在新的伞下称为字母表。 X是Project Loon的所在地，一个将互联网从平流层下传到地球上的人的努力。希望这些气球可以飞越地球的互联网在其他地方无法使用的地方，留在那里足够长的时间，为人们提供可靠的连接。但有一个问题：气球倾向于飘浮。
这就是为什么它是如此令人印象深刻，该公司设法保持一个气球在秘鲁的领空超过三个月。当你认为导航系统只能向上和向下移动这些气球，而不是向前和向后或侧向移动时，它是令人印象深刻的。它们像热气球一样移动，以避免天气或在正确的时间捕捉它，而不是直接通过它 - 这是因为更复杂的导航系统对于手头的任务来说太重了，太贵了。而不是用某种喷气推进系统导航秘鲁空域，洛恩小组转向赢咖4。
我们使用术语 - 赢咖4 - 广义。那么为何不？其他人都。但是无论你想叫什么新的算法指导这些高空气球，他们是有效的。他们代表了整个科技世界的一个非常真实和非常大的转变。
在开始，你看到，Loon团队主要使用手工算法，算法来响应预定的一组变量，如高度，位置，风速和时间。但是新的算法更多地利用机器学习。通过分析大量的数据，他们可以随着时间的推移学习。基于过去发生的事情，他们可以改变他们的行为在未来。 “我们在更多的正确的地方有更多的机器学习，”Sal Candido，前谷歌搜索工程师负责监督这项工作对Loon说。 “这些算法比任何人都更有效地处理事情。
这并不意味着这些算法总是做出正确的选择。 Candido拥有博士学位是所谓的随机最优控制。这意味着他专门在试图控制面临不确定性的东西，他正在把这个训练好用。当你将气球发射到平流层时，有很多不确定性，你不能改变。但在机器学习的帮助下，Candido和团队正在找到更好的管理方法。
当团队首次启动Loon项目时，他们认为覆盖一个有互联网覆盖的区域的唯一方法是发射一排气球，让它们漂浮在远处。但是现在，他们对它们浮动的位置有更多的控制，最终，这意味着他们可以用更少的气球将互联网下载到地球。 “Candido说，”而不是过海洋，我们可以花更多的时间在用户身上。
Project Loon中机器学习的兴起与所有Google - 以及其他许多公司（包括Facebook和Microsoft和Twitter）的情况有点类似。最值得注意的是，这些公司正在朝着深度神经网络，基于人类大脑中神经元网络的松散算法。这是什么认识到你说到你的Android手机的命令，识别脸部的照片发布到Facebook，帮助选择在Google搜索引擎上的链接，以及更多。过去，工程师手动编码了Google搜索的算法。现在，算法可以自己学习，分析大量的数据显示什么人点击，什么不是。
Project Loon的导航系统不使用深层神经网络。它使用称为高斯过程的更简单形式的机器学习。但基本动态是一样的。它强调了一个小小的公认的现实，深度学习只是赢咖4革命的一部分。在项目Loon的过程中，公司收集了超过1700万公里气球飞行的数据，通过这些高斯过程，导航系统可以开始预测气球应该采取什么航向，当气球向上移动时，应该向下移动气球（这涉及将空气泵入气球内的气球或者抽出空气）。
这些预测不是完美的 - 在很大程度上是因为在平流层中的天气是如此，好，不可预测的。平流层位于很多天气之上，但根据坎迪多，气球遇到的不确定性远远超过团队预期。因此，他们也加强了导航系统的强化学习。在做出预测之后，系统继续收集关于气球正面对什么 - 什么是有效和什么不是 - 的附加数据，然后它使用该数据来磨光它的行为。
广义上来说 - （广义来说可能是好的！） - 这是另一个谷歌研究团队如何构建AlphaGo，赢咖4系统，最近打败世界顶级球员之一古代的游戏。系统学会了通过分析数百万的人类动作玩游戏，然后，当它玩游戏后的游戏后，它提高了能力通过强化学习，仔细跟踪什么是成功和不是。 AlphaGo的设计师相信这些相同的技术可以应用于赢咖4和各种其他任务，在线和关闭。
这些都不是魔法。它只是数据和数学和处理能力 - 很多和大量的处理能力。正如Candido所说，Loon的导航系统是可能的，因为它可以利用巨大的Google数据中心可以处理成千上万台机器上的信息。他还说，洛恩的机器学习远非完美。这也是机器学习的一般。非常真实。赢咖4并不总是智能的。它并不总是让我们想要去的地方。但随着时间的推移，它越来越好地让我们到达我们想要去的地方 - 即使在平流层。
