在 2016 年晚些时候，：通过强化学习以及人类示范，使它们自己与物体进行交互。其基本的思路是，让多个机器人分别学习，然后把学到的信息上传到服务器中，再共用服务器中的信息进行训练和调整。这种“集体主义”式的学习方法，不仅能将学习时间大大缩短，还能对任务的多样性进行扩充。

　　我们将继续这项工作，我们的目标是使机器人能够灵活、容易地学习新的任务并且能在凌乱的真实世界运转。为了帮助其他机器人研究人员，我们已经公开了多个机器人数据集。

　　医疗保健

　　我们对使用机器学习来提升医生和临床医疗的潜力感到兴奋。例如，在《美国医学协会杂志》（JAMA）发表的论文中，我们证明了机器学习驱动系统在诊断糖尿病性视网膜病变的能力与专业眼科医生旗鼓相当。如果糖尿病性视网膜病变的早期症状未被发现，将有超过4亿人面临失明的风险，但是在许多国家很少有眼科医生进行必要的筛查，这项技术可以帮助确保更多的人接受适当的筛查。

　　我们还在其他医学成像领域工作，以及调查机器学习用于其他类型的医学预测工作。我们相信，机器学习可以提高医生和患者的医疗体验的质量以及效率，我们将更多地谈谈我们在2017年在这一领域的工作。

　　音乐和艺术生成

　　技术一直帮助人们创造和共享媒体，例如印刷机、电影或电吉他。 去年，我们开始了一个名为 Magenta 的项目，探索艺术和机器智能的交汇点，以及使用机器学习系统来增强人类创造力的潜力。从音乐和图像生成开始，再到文本生成和 VR 等领域，Magenta 正在推动内容创作生成模型中的最先进技术发展。

　　我们帮助组织了一次为期一天的关于这些主题的研讨会，并支持了一次机器生成艺术的艺术展览。 我们探讨了音乐创作和艺术风格转移的各种主题，我们的音乐会演示获得了NIPS 2016的最佳演示奖。

　　AI 安全和公平

　　当我们开发更强大和更复杂的AI系统并将其部署在更广泛的真实世界中时，我们希望确保这些系统是安全和公平的，我们还希望构建工具，帮助人们更好地了解他们所生产的东西。

　　在人工智能安全领域，我们与斯坦福、伯克利和 OpenAI 的研究人员跨机构合作，发表了一篇关于人工智能安全 Concrete Problems 的白皮书。本文概述了一些我们认为在人工智能安全领域有真正的和基础研究的具体问题和领域。另外一个我们取得进展的安全性方面是，训练数据隐私保护，通过知识传递技术获得不同的隐私保证。

　　除了安全性，我们开始依靠人工智能系统做出更复杂和更复杂的决策，我们希望确保这些决定是公平的。在一篇关于监督学习机会平等的文章中（论文下载），我们展示了如何最佳地调整任何训练的预测因子，以防止某种形式的歧视，并且本文演示了一个基于FICO信用评分的案例。

　　为了使这项工作更易于访问，我们还进行了可视化，以交互探索说明这篇问了中的概念。（可视化链接： https://research.google.com/bigpicture/attacking-discrimination-in-ml/）

　　TensorFlow

　　在2015年11月，我们开源了TensorFlow的初始版本，以便机器学习社区的其他人可以从中受益，我们可以共同改进它。 在2016年，TensorFlow 成为GitHub上最受欢迎的机器学习项目，超过570个人进行了超过10,000次提交。TensorFlow 的模型库已经从社区的贡献发展壮大，还有超过5000个与 TensorFlow 相关的库在GitHub上列出！

　　此外，TensorFlow 已经被知名的研究小组和大型公司广泛采用，包括DeepMind，并可能应用于一些不寻常的应用，如发现海牛和在日本分类黄瓜。

　　我们已经进行了大量性能改进，增加了对分布式训练的支持，将 TensorFlow 引入到 iOS、Raspberry Pi 和 Windows，并将 TensorFlow 与广泛使用的大数据基础设施集成。我们通过改进可视化计算图形和嵌入的工具，将TensorBoard、TensorFlow 的可视化系统进行了扩展。

　　我们还使 TensorFlow 兼容 Go，Rust 和 Haskell，发布了最先进的图像分类模型-- Wide和Deep，并在Github、StackOverflow 和 TensorFlow 邮件中回答了数千个问题。TensorFlow 服务简化了在生产环境中提供 TensorFlow 模型的过程，对于在云中工作的用户，Google Cloud Machine Learning 提供 TensorFlow 作为托管服务。