科技一直在帮助人类定义媒体内容是如何创造与传播的，从印刷机、电影到电吉他都是这样。在 16 年，我们开始进行名为 Magenta 的项目，它主要是用来探索艺术和机器智能的交叉点及使用机器学习系统增强人类的创造力。我们从音乐和图像的生成开始，进而进入到了文本生成与虚拟现实等领域。Magenta 正在朝最先进的内容创造生成模型前进。我们为这些话题已经举行过一整天的研讨会，并举办过机器生成艺术的作品展览会。我们探讨了在音乐生成和艺术风格迁移等领域内的主题，并且我们的会话演示获得了 NIPS 2016 最佳演示奖（Best Demo Award at NIPS 2016）。

人工智能的安全和公平性

当我们开发出强大而复杂的人工智能系统，并将其部署到世界各个角落时，我们总会希望保证这些系统能够安全且公平，我们也希望拥有能够帮助人类了解机器生产方式的工具。在人工智能安全领域，通过与斯坦福大学、伯克利和 OpenAI 等大学和机构的合作，我们共同发表了关于人工智能安全问题论文《Concrete Problems in AI Safety》。该论文概述了一些人工智能安全基础研究应该首先着力的具体领域。目前，我们正在努力的方向是确保训练数据的隐私性，制定不同级别的隐私级别，其中最近的研究是通过知识迁移技术来保证隐私安全。

除了安全问题，我们也正着手让人工智能系统开始进行复杂的决策。我们希望人工智能在处理此类任务时能够保证公平性。在一篇关于监督学习机机会公平性的论文中，我们展示了如何把所有训练的预测因子调至最佳，以防止出现歧视。同时，本文描述了基于 FICO 评分机制的一项案例研究。为了让本研究更加易读，我们为此编写了可视化成果展示，以帮助更多人理解。

TensorFlow

2015 年 11 月，我们开源了一个 TensorFlow 的初始版本，从而让机器学习社区的其他人也能从中受益，让我们所有人都可以参与到 TensorFlow 的改进中来。在 2016 年，TensorFlow 已经成长为了 GitHub 上最受欢迎的机器学习项目，拥有超过 570 位贡献者的 10000 次以上的提交。在社区的贡献下，TensorFlow 的模型库也在不断增长，现在光是在 GitHub 上就有超过 5000 个与 TensorFlow 相关的项目了！

此外，TensorFlow 也得到了许多知名的研究团队和大型企业的采纳，其中包括 DeepMind；并且也还在许多非同寻常的应用中得到了使用，比如通过高空图像寻找海牛、帮助日本农夫挑选黄瓜。

我们已经为 TensorFlow 带来了大量性能上的改进、增加了分布式训练的支持、将其带入到了 iOS、树莓派和 Windows，并且还将 TensorFlow 和人们广泛使用的大数据框架进行了整合。我们已经扩展了 TensorBoard——TensorFlow 的可视化系统，j2直播，带有用于可视化计算图和 embedding 的先进工具。我们还让 TensorFlow 可以通过 Go、Rust 和 Haskell 接入，发布了当前表现最佳的图像分类模型，提出了 Wide and Deep 学习，并且回答了 GitHub、StackOverflow 论坛以及 TensorFlow 邮件列表中出现的数以千计的问题。TensorFlow Serving 简化了在生产中应用 TensorFlow 模型的流程；而对于那些在云上使用的模型，Google Cloud Machine Learning 也提供了 TensorFlow 的托管服务。

去年 11 月，我们庆祝了 TensorFlow 开源一周年，并在主要的计算机系统研究会议 OSDI 上提交了一篇关于 TensorFlow 的计算机系统方面的论文《TensorFlow: A System for Large-Scale Machine Learning》。通过与谷歌的编译器团队的同事合作，我们也在致力于研究开发用于 TensorFlow 的后端编译器 XLA；最近我们已经将其一个 alpha 版本添加到了 TensorFlow 开源项目中。

机器学习社区参与

我们也在致力于教育和指导这一领域的人们如何使用机器学习以及开展机器学习研究。去年 1 月，谷歌大脑团队的一位研究负责人 Vincent Vanhoucke 与 Udacity 开放了一个免费的深度学习网络课程。我们还组织了 TensorFlow Playground，这是一个有趣的交互式系统，能够可视化简单的神经网络学习完成任务的方式，帮助人们更好地进行理解。