雷锋网（公众号：雷锋网） AI 科技评论按：Jeff Dean是谷歌首席架构师、谷歌研究院的高级研究员，也是谷歌的人工智能团队谷歌大脑（GOOGle Brain）的负责人。身披华盛顿大学博士、美国工程院院士、ACM（计算机协会） fellow、AAAS（美国科学促进会）fellow

　　雷锋网（公众号：雷锋网） AI 科技评论按：Jeff Dean是谷歌首席架构师、谷歌研究院的高级研究员，也是谷歌的人工智能团队谷歌大脑（GOOGle Brain）的负责人。身披华盛顿大学博士、美国工程院院士、ACM（计算机协会） fellow、AAAS（美国科学促进会）fellow名誉的Jeff Dean在谷歌负责过许多大型项目，支持谷歌运行的超大规模计算框架MapReduce和机器学习的标志性软件TensorFlow就是在他的领导下开发的。近两年Jeff Dean还推动了一个谷歌大脑培训生计划（Google Brain Residency Program），给对人工智能感兴趣的各界人士提供一个来到谷歌大脑进行一年进修的机会。

　　近日，Jeff Dean在科技自媒体Talking Machines接受采访，谈到了他的早年经历、在谷歌大脑领导的几个研究项目以及谷歌大脑培训生计划。雷锋网 AI 科技评论听译。

　　您是如何做到现在的职位的？

　　Jeff Dean：我成为一个谷歌人已经差不多17年了吧。我小时候的旅行特别多，在许多地方生活过，11年制和12年制的学校都上过。从夏威夷到波士顿、乌干达、再到波士顿、阿肯撒州、夏威夷、明尼苏达、索马里、明尼苏达、亚特兰大、日内瓦、西雅图，最后到了这儿（加利福尼亚州Palo Alto），大概20多年没挪窝，终于定居了。挺好的，我小孩的童年终于不用像我自己那样一直跑来跑去的了（笑）。

　　我长大之前就对电脑很感兴趣，因为我父亲是一位医生，他很感兴趣电脑能不能用来帮忙解决健康问题。所以当他在杂志封底看到当时第一台组装电脑Altair 8800的广告之后立刻就买了，那时候我才9岁，然后我就看着他折腾、帮他折腾，后来我就能自己编程了，多数是游戏，我买了一本游戏源代码的书，照着书上的往电脑里输，然后自己也开始修改；这时候我也就是十二三岁吧。

　　这之后我开始感兴趣电脑能不能用来解决实际问题，因为我很喜欢在电脑上可以描述解决方案、可以快速尝试得到结果知道怎么样可行怎么样不可行、可以拓展或者修改软件的这些特点，很吸引人。然后我就在明尼苏达大学读了计算机和经济学本科，当时为了获得毕业荣誉我需要写一篇高级论文，我的论文内容就是研究如何并行训练神经网络（记者：哇！！），这是人工智能第一次热潮中的热门话题。其实现在的计算机的计算能力都不完全够，那时候就更不用说了，所以用并行训练的方法就可以调用更多计算力来解决问题。那时候我想了一些好玩的算法，在64台电脑连成的集群上做流动梯度。那时候的神经网络可以用有趣的方法完成一些小任务，但是没办法用来解决真正的问题；实际上缺的就是计算能力。

　　然后我就先把这事儿放在脑后了，在世界卫生组织工作了一年，这算是在学校时候的暑期工作，给HIV疫情做一些软件建模预测。这算是读研读博前的一个间隔年（记者：抽时间帮联合国做事情，轻松加愉快），对，然后在华盛顿大学读计算机科学的研究生。这之后本来想根据前几年研究神经网络的经验，继续学习并行计算的，结果被别人带跑到研究词汇语言的编译器优化去了，不过也挺好玩的。

　　然后我就来到了Palo Alto，在数字设备公司的西部研究实验室工作了大概3年，做了很多不同的事情，这也就是我喜欢这个实验室的一点，很多不同的人在做很多不同的事情。我做过操作系统级别的解析、研究过计算机架构、做过信息提取，然后就沿着信息提取这条路逐渐来到了谷歌。

　　您现在在谷歌大脑这里做着各种各样新奇的事情，那您手头的事情里最吸引您的是哪件？

　　Jeff Dean：你知道，整个机器学习界都非常吸引人，有很多有趣的前沿研究，电脑能学会、有能力做的事情越来越多，有很多研究已经投入实用了，我们想办法把证明有效的技巧应用在更多的领域里。然后对于计算机系统，我们要能够扩大它们的规模、提高计算能力，来满足前面这些方法的计算力需求。我们还要构建合理的底层硬件平台才能达到我们现在能在神经网络、机器学习项目看到的这种结果，就是，数据越多，计算能力越强，结果就越好。那么，如何建立更强的计算能力来达到这个目标，就是最吸引我的事情，实际做的时候也会有很多惊人的成果。

　　棒极了。我近期看到您说您对医疗和机器人(行情300024,诊股)方面的应用也很感兴趣。给我们介绍一下这些方面的研究吧。

　　Jeff Dean：好。在医疗方面，人工智能可以实现很多现在需要由专业医生才能做到的事情。我们其实在医学图像方面早已有所投入，我们过去5年的研究就足以证明计算机视觉可以很好地解决这些问题，只要能搜集到大规模的带标签图像，然后用大规模深度卷积神经网络去学习这些图像。医学图像处理问题和其它的计算机视觉问题其实没有多少区别，我们觉得有很大机会可以做出能够帮助医生做多种医疗图像诊断的系统。

　　厉害！您觉得这样的实际应用什么时候会出现呢？近几年还是近几十年？

　　Jeff Dean：肯定不需要几十年那么久。现在的问题主要在监管、隐私、敏感信息方面，而不是技术方面。如果你有大量的带标签图像， 比如研究了很久的根据视网膜照片做糖尿病诊断，我们已经有了一些早期的结果，效果很好，很有希望，我们CEOSundar Pichai在今年谷歌I/O大会上也简单提到过。我们觉得其它医疗图像问题的结构、复杂度都是类似的，在机器学习面前都不是难题。

　　棒极了！ 我听说您最近启动了一项谷歌大脑培训生计划，培训谷歌内部的或者其它背景的人。能不能跟我们讲讲这个计划进度如何了？有没有引起各种经历的人都对机器学习产生兴趣？

　　Jeff Dean：我们启动这个计划的初衷就是训练更多的人，让他们学会如何做机器学习研究。现在这个领域的状况是，有很多人加入进来，都对做这件事很感兴趣，不过全世界没有那么多学术机构可以让很多人学习神经网络。我们以前招过一些短期的实习生，而这个进修计划则是一年期的，面向更多的、我们也不确定有怎样的教育或者工作经历的人，不过很多人申请，大概有2400个人，然后我们第一期的进修计划班选了27个人。

　　我很喜欢的一点是，我们选的这些人以前的经历多种多样，40%本科学历、35%左右硕士学历，其余的是博士或者某些领域的博士后；有一半的人在业界工作过，一半的是直接从大学过来的。他们之前的领域也有好几种，三分之一是计算机科学的，三分之一是数学或者统计学，其它的人就是来自各种科学专业，比如物理学家、生物学家，还有来自医药学的，计算机金融的。所以有这么多种不同的人挺好的，以前我参与的让不同经历、不同特长的人聚在一起的项目就经常能够比只有一两类人参与的做得更多更好，因为一群人聚在一起以后就能解决很多没办法单独一个人解决的问题。