提及谷歌大腦、seq2seq、AutoML，許多人已是耳熟能詳。在成功的背后，定是有許多研究人員的默默付出。而Quoc Le就是其中一位，堪稱谷歌真正的“隱藏人物”、幕后英雄！

他，是真正的幕后英雄！

瘦弱的身材，安靜的性格，戴著一副厚厚的眼鏡，你絕對猜不到如此其貌不揚的Quoc Le，正式引領人工智能革命的領軍人物之一。

2011年，Le和他的博士生導師Andrew Ng、谷歌同事Jeff Dean和谷歌研究員Greg Corrado，共同創(chuàng)建了谷歌大腦（Google Brain）。目標是在谷歌龐大的數據背景下探索深度學習。在此之前，Le在斯坦福大學開展了一些關于無監(jiān)督深度學習的開創(chuàng)性工作。

2012年，Le在ICML上發(fā)表了一篇文章，引起了人們對深度學習的濃厚興趣：他開發(fā)了一種深度神經網絡模型，可以根據Youtube上的1000萬張數字圖像以及ImageNet數據集中的3000多個對象來識別貓。這個巨型系統(tǒng)由16000臺機器和10億個突觸組成，是以往研究規(guī)模的100倍。同年，Le又發(fā)表了關于AlexNet的論文，對整個深度學習領域產生了牽引力。

雖然后來證明無監(jiān)督學習方法對于商業(yè)用途是不切實際的（至少在那段時間），但Le在2015年《Wired》采訪中表示，“如果我們能挖掘一種算法來解決這個問題就太好不過了，因為實際的情況是，我們無標記的數據遠遠多于有標記的數據。”

從“序列”到“序列學習”

Le在2013年畢業(yè)后正式加入谷歌，成為一名研究科學家，很快就在機器翻譯領域取得了驚人的突破（機器翻譯是機器學習領域最活躍的研究領域之一）。

為了實現(xiàn)這一結果，他必須超越已有深度學習的方法，這些方法適用于圖像和語音，可以使用固定大小的輸入進行分析。 而對于自然語言，句子的長度各不相同，詞語的順序也很重要。

2014年，Le與谷歌研究人員Ilya Sutskever和Oriol Vinyals一起提出了序列到序列(seq2seq)學習。它是一個通用的encoder-decoder框架，訓練模型將序列從一個域轉換到另一個域（例如不同語言之間的句子）。

seq2seq學習在工程設計選擇方面的需求較少，并允許Google翻譯系統(tǒng)高效準確地處理非常大的數據集。它主要用于機器翻譯系統(tǒng)，并被證明適用于更廣泛的任務，包括文本摘要，會話AI和問答。

Le進一步發(fā)明了doc2vec，這是一種非監(jiān)督算法，它從句子、段落和文檔等不同長度的文本片段中學習固定長度的特征表示。Doc2vec是word2vec的擴展，word2vec于2013年由谷歌成員Tomas Mikolov發(fā)布。其思想是每個單詞都可以用一個向量表示，這個向量可以從集合文本中自動學習。Le添加了段落向量，因此模型可以生成文檔的表示形式，從而不考慮文檔的長度。

Le的研究最終得到了回報。在2016年，谷歌宣布了神經機器翻譯系統(tǒng)，它利用AI進行學習，能夠得到更好更自然的翻譯。

2015年，Le在榮登MIT Technology Review的“35歲以下創(chuàng)新者”排行榜，因為他的目標是“讓軟件變得更智能，幫助人們提高生活品質”。

AutoML：神經網絡學習自我提升

訓練深層神經網絡需要大量的標記數據和反復的實驗:選擇一個架構，構建隱含層，并根據輸出調整權重。對于機器學習專業(yè)知識有限的人來說，訓練過程時既費時又費力的。

2016年，Le和另一位谷歌同事Barret Zoph提出了神經結構搜索。他們使用一個循環(huán)網絡來生成神經網絡的模型描述，并通過強化學習來訓練這個RNN，以最大限度地提高在驗證集上生成的體系結構的預期精度。

這種新方法可以幫助研究人員設計一種新的網絡體系結構，在CIFA-10數據集的測試集精度方面與人類發(fā)明的最佳體系結構相匹配。一年后，Le和Zoph將他們的研究提升到了一個新的高度，他們提出了NASNet-A，一個可移植的大型圖像數據集架構。

Le的研究為AutoML奠定了基礎，AutoML是一套谷歌產品，專為缺乏機器學習經驗和資源的開發(fā)人員設計的。然而，在早期階段，AutoML是用于解決現(xiàn)實問題的：數據科學家使用AutoML建立了一個基于面條圖像識別餐廳的模型，準確度幾乎達到95％; 日本開發(fā)人員使用AutoML構建了一個可以使用其品牌名稱對圖像進行分類的模型。

在過去的六年里，Le一直處于深度學習發(fā)展的前沿。這位36歲的谷歌研究科學家現(xiàn)在準備將深度學習提升到一個新的高度。