新科技速遞
去年，因新冠疫情而停辦的年度開發者大會Google I/O，睽違2年後，終於網上舉行。會上Google行政總裁 Sundar Pichai 發表公布一系列產品。
Google影響力已無孔不入，從廣告、搜尋、地圖、Google相簿、購物。雖然說，相比於設計精巧的蘋果iOS作業系統，Google的Android顯得簡陋，蘋果的流動應用，卻仍不是Google對手，無論是利用那一個流動平台，不少人仍靠Google地圖，了解路面情況。
Google地圖也擁有最多數據，可以優化預測模型，一直遙遙領先，Google發現最短的路線，未必是最佳的路線，利用機器學習及所收集路面資訊，可讓駕駛者預早做好減速準備，甚至選用其他較不擠塞路線。
Map關心行人了
Google利用了兩組數據訓練機器學習；包括Google地圖手機偵測到路面可能發生擠塞，而必須突然減速情況，包括利用了Google地圖導航的車輛；如備有Android Auto汽車採集的路線資訊，預測某段路可能發生突然塞車，減少需要突然剎車，以至辨識暢快的行車路線，同時建議多一條最相近路線，幫助行車順暢安全。
以往司機使用Google地圖尋路，愈來愈多行人，也靠地圖找目的地，Google提升了實景（Live View）功能，加強地圖的細節，即時從Google地圖瀏覽路面的實景，檢視周邊的商店及餐廳相關資訊，從實景直接找到方向和位置。
Google地圖全新的街道符號，可更清楚標示複雜十字路口，甚至紅綠燈和過馬路輔助線，顯示出用家所在位置與目的地之間距離。去年推出的詳盡街道地圖，今年底會覆蓋多達50個城市，包括香港在內。
根據Google對全球城市面貌的認識，Google地圖能顯示大大小小的行人路、斑馬線、安全島等設施準確位置，按比例呈現道路形狀，甚至是闊度，以方便行人，尤其輪椅或嬰兒車的用戶，策劃合適路線，顯示區域的繁忙程度，區內熱點如某街道，是否比平日繁忙。
根據當前時段，亦可顯示地點的最相關資訊。例如一般平日上午，打開Google地圖，只顯示已開的咖啡店，不顯示晚飯熱點，以免摸了門釘。
Google Health開設皮膚科
此外，利用上傳照片至網絡，也可自行診檢不同病病，Google Health已訓練出了偵測糖尿病視網膜病變的深度神經網絡，去年在泰國測試醫療 AI模型，以自行檢測糖尿病視網膜病變，今次則可利用手機鏡頭，協助分辨更多皮膚疾病。AI皮膚科輔助工具是Google網頁應用，期望今年稍後推出測試版。該AI模型根據 288 種已知皮膚狀況進行分析，只要拍下皮膚情況，Google可提供一系列相關症狀，同時就各相關症狀，顯示經皮膚科醫生檢視過資訊、常見問題的答案和類似情況的網絡照片。
模型加入了年齡、性別、種族及皮膚類型等因素，Google利用約65,000張去識別化的圖像及經診斷的皮膚狀況病例數據、數百萬張有皮膚問題的圖像，以及數以千計的健康皮膚例子以便開發和調整此模型。
自然語言突破
Google I/O也公佈了LaMDA自然語言（NLP）模型、採用Google變革自然處理技術的神經網絡架構Transformer來訓練，專門針對建立聊天機械人的交談式查詢而建。LaMDA可無所不談，不斷就話題作出流順對答。從LaMDA模型的流順度，可見交談式AI已進入了新時代。
大會上，Google以LaMDA化身為冥王星和紙飛機，與真人直接對話，LaMDA預計會成為支援Google Assistant的技術，交談式機器人如Google Assistant和Siri 之類，往往答非所問；以往靠預訓練的循環神神經網絡（RNN）模型，從用戶輸入估計用意，應付的不同查詢要求，再從關鍵用語作出應對，但理解的凖確度一直是大問題，不能應付複雜的交流。
以往處理自然語言訓練，主要以RNN架構，2017年Google研員人員Ashish Vaswani提出Transformer模型，以一個模型處理多種NLP訓練。2018年底，基於Transformer架構已出現一大批預訓練的語言模型，包括BERT、Transformer-XL，GPT-2，重新整理不同NLP任務。當模型變得越來越大，樣本數越來越多的時候，Transformer顯得更有好處。
Transformer實際上是建基於Graph Neural Networks（GNN）。近年社交媒體興起，由18世紀瑞士數學家Leonhard Euler發明的Graph theory，也大放異彩，已經在社交媒體分析，甚至在Microsoft的Microsoft 365上應用。
GNN妙用無盡
Google的DeepMind在Graph theory有深刻研究，去年DeepMind的Petar Veličković就在人工智能深度學習2020年度ICLR頂級學術會議上，介紹以Graph Theory作AI推理，Google利用他的AI理論應用，預測交通獲得成功。
所有AI神經網絡架構處理自然語言，都是建立輸入數據的代表（Representations），變成向量（Vector）或嵌入矩陣（Embedding Matrix）以訓練模型，將有用的統計或語義數據進行編碼計算成不同的模型。因為語言屬於序列的數據，傳統RNN對每個詞建立代表，學習人類語言對話，詞彙多是以前饋（Feedforward）或多次自回歸再前饋方式，從左到右（或從右至左，視乎語文）來回處理再變成輸出，結束時可得到每個詞，在整個句子中的隱藏特徵，就知道句子所含意思，究竟「Bank」是指「銀行」還是「堤岸」，但如果兩個關連字，彼此相距太遠，RNN就要多重來回運算才知道，很不化算。
但是GNN則利用節點（Nodes）和邊緣（Edges）關係，通過代表建立的「圖形」（Graph）節點和邊緣，以「鄰域聚合」（Principal Neighborhood Aggregation）實現計算句字，每個節點從其相鄰處收集語言的隱藏特徵，再通過遞迴聚合和轉換鄰域節點的代表的向量數值，也就是Attention，毋須關心彼此距離，消耗的算力遠比RNN少。
https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html
GNN在深度學習，特別是序列和非結構性數據，比傳統的RNN更高效。近年，香港中文大學、北京清華、騰訊AI Lab都有大量關於GNN研究，GNN論文也在多個頂級會議上急增，顯示未來成為研究熱點。
Google也推出新一代TPU v4 晶片、Google Workspace協作新模式和Google Health的新功能。而Android作業系統也出現大型設計改善，推出了12的Beta版本，由顔色、標記形狀、光暗到動態都煥然一新，功耗亦更低。