Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Google X ,下一个谷歌的诞生地

通过赋予其团队以近乎无限的授权和资金,X 认为它可以创造出以往实验室所从未发现或可能已经抛弃的产品和服务。


早上六点四十分,一个卡拉松高音喇叭响了三次。

一个穿着安全帽和荧光背心的人喊道:「气来啦!」

氦气开始冒出,发出嘶嘶的声音。气体从附近卡车上堆叠起来的水箱中冒出,通入一系列的软管,直到 55 英尺高的地方之后又经过铜管进入垂到地面的塑料管的顶部,它看起来就像蛇蜕的皮。

这是一个六月下旬温尼马卡的星期三。

温尼马卡是内华达州北部一个独立的采矿小镇,因为横跨 I-80 高速公路,让人们难以忘记它的存在。除了两个巴斯克餐厅,Buckaroo 名人堂,山边还雕刻着一个大 W。

Loon

温尼马卡是 Project Loon 的试验场所,这个宏伟计划是 2001 年发起的,计划将互联网带到地球上由于人口稀少和地理位置偏僻而导致一般蜂窝网络塔失灵的地方。

Loon 计划在距离地面 6 万英尺的地方放置带天线的气球,而不仅仅是建造和维护几英里范围内的陆地区域,每个气球在近 2 千平方英里的范围内传播连接信号。

温尼马卡坐落在内华达州北部,人迹罕至。但如果你正在想办法如何在 6 万英尺的高空中放置很多互联网气球,那它正是你的不二选择。

Loon 正在温尼马卡进行测试。

因为那的天空几乎是闲置的,而且有一个机场可以让高端人士乘坐私人飞机从 Palo Alto 经过很短的航程直接进入温尼马卡。

现在该团队正在测试其通信系统的新版本,它可以支持 10 倍于当前设置下的用户数量。

半小时后,气球准备好了,它由一个红色的水平杆固定,三面围墙,密不透风。

在一名手持黄色块状遥控器的工程师的指挥下,整个装置(名为 Big Bird)向左旋转了 90 度。就像 Rafiki 在狮子王的开场举起新生的辛巴一样,起重机的各个手臂将气球向上推出。

由于它承担了有效负载量的重量——各种各样三角形的太阳能电池板,天线和各种电子设备——它会静止一段时间。随后它就会上升并随风飞走,每分钟上升 1 千英尺。

通过利用各种各样的太阳能电池板,天线和各种电子产品,每个 Loon 气球可以提供近 2 千平方英里的覆盖范围。

在 Loon 的早期阶段,发射过程就像一群孩子试图让风筝离开地面。现在,这小菜一碟。

Loon 正在温尼马卡进行测试。因为那的天空几乎是闲置的,而且有一个机场可以让高端人士乘坐私人飞机从 Palo Alto 经过很短的航程直接进入温尼马卡。

直到 55 英尺高的地方之后又经过铜管进入垂到地面的塑料管的顶部。

它们带着降落伞以减轻电负荷的冲击。

Loon 的发射装置,又叫大鸟,旨在为气球在慢慢膨胀时防风。

要起飞的时候,起重机的机械臂们会把气球高高举起。

发射在即,Big Bitd 会旋转,把没有围墙的一面朝下。

最激动人心的一部分当然就是看着它像飞机一样起飞啦。

因为负重,它会凝固在空中。随后便要随风飞走了。

当 Kohli 于 2012 年参与进 Project Loon 的早期筹建时,他的工作是去世界各地寻找并收集坠落的气球。

整个过程极为壮观。Nick Kohli 说:「青春万岁,万岁。」

当 Kohli 于 2012 年参与进 Project Loon 的早期筹建时,他的工作是去世界各地寻找并收集从巴西农村的莫哈韦沙漠(新西兰海岸)坠落的气球。

Loon 是 Google X 的一部分,Google X 是这家搜索公司的武器,它培育了很多采用新颖的方式将新兴技术用于解决难题的大胆项目。其中一个就是自动驾驶汽车。(2015 年,当 Google 重组成母公司 Alphabet 时,Google X 也更名为 X.)

Kohli——是一位不平凡的 Google 人。

他在一场大事故之后活了下来。他没有拿到医学院的成绩,所以他被培养成了一位急诊室技术人员——这个背景与他的飞行员执照以及内华达山脉八年的搜救经验相结合,使他成为了 Loon 正在寻找的人。

这些实践技能和操作视野使他成为了 X 达成使命所需要的众多新人之一:将 Alphabet 的边界扩展到膝盖上的计算机和口袋中的手机。

凭借 Alphabet 的帮助和资源,Kohli(现在正在管理飞行操作)见证了 Loon 从过去眼睁睁看着气球飞离航线数百英里,到对像今天的一样的成功发射的司空见惯。

这只是更进一步的传达了 Loon 未来设想的复杂系统。

现在,通过宣布 Loon 正在「毕业」是 X 在该任务里的重要一步——成为 Alphabet 旗下的独立公司。

与 X 另一个致力于实现自动无人机运输货物的尝试 Wing 一起,Loon 将开始扩充员工并合并自己的人力资源和公关团队。其领导者们将成为首席执行官,其员工们将获得公司成功的不确定股份。

创造收入和利润与改变世界同样重要。

Wing

Loon 和 Wing 不是第一批从 X 获得学位的项目(是的,员工获得真正的学位)。

Verily,一个计划用隐形眼镜监测葡萄糖水平的生命科学团队,在 2015 年毕业。而且,2016 年 12 月,自动驾驶汽车项目也毕业了,取名为 Waymo。网络安全项目 Chronicle 则在 1 月份被剥离出 X,成为独立的子公司。

Loon 和 Wing 的双双毕业——这两个庞大又雄心勃勃的项目——则标志着 X 的分水岭,也许已经到了保密的研究和设计部门开始兑现其承诺的时刻。

对于这家已经花费数十亿美元广告费的科技巨头而言,X 并不是一个公司架构内的存放不适合放在别处的奇怪项目的垃圾抽屉,而是一个专心的试验,它希望找到一个规则去推出不仅停留在屏幕上而且是与物理世界互动的革命性产品。

通过推出 Loon 和 Wing,X 将很快发现它能否有效地孵化出新的谷歌——并将 Alphabet 置于行业浪潮之巅。

但 Alphabet 试图孵化下一代登月计划公司的尝试带来了两个问题。这个庞然大物能成倍增长吗?我们想要它成倍增长吗?

位于 X 山景城总部的 Loon Lab 堆积了几代人跌倒又爬起的战果。

Loon 基于一个简单的想法——用高速飞行的热气球来代替地面蜂窝基站——这无疑是掩耳盗铃的做法。2013 年,运行一年的热气球仍有些令人闹心的问题,它们隔几天就会爆裂或者掉到地上。(它们带着降落伞以减轻电负荷的冲击,研究团队也会提醒空中交通部门管制它们的降落)。

在「大鸟」装置出现前,发射的过程就像一群孩子试图放风筝一样,一阵大风有可能就会毁了一切。

现在,一个量身定做的「最强条板箱」能够在运输过程中保持系统的安全。

关键部件在一个银色的盒子里,它是用金属化的聚苯乙烯泡沫塑料制成,能够反射阳光并保温。一个 80 英尺长的平板扫描仪能够检测出聚乙烯的微小缺陷,这些小缺陷会导致 6 万英尺上的气球在几天到几个月不等时间里的存活率降低。绘图软件能够追踪大陆和海洋的漂浮物,利用机器学习识别出能使它们到达任何它们想到达地方的气流。

有了这些工具,Loon 团队研究得到:该公司可以每半小时发射一个热气球,并让气球在空中停留六个月或者更长时间。

Loon's Balloon Forensics 实验室中,Pam Desrochers 使用一个 80 英尺长的平板扫描仪对聚乙烯进行检测,观察其在飞行后是否存在微小缺陷或是磨损。

取证小组通过偏光透镜发现了一些缺陷,这会导致 6 万英尺上的气球在几天到几个月不等时间里的存活率降低。

六年来,Loon 的工程师、设计师和气球回收人员都不用担心资金、收入来源、雇佣 HR 或者执行公关策略的人。

他们可以获得谷歌提供的机器学习专业知识,以及 X 的「设计厨房」这是一个面积达 2 万平方英尺的工作室,可以用来制作他们能想到的任何机械设备原型。他们无需详细的商业计划,更不用说税收和利润了。

他们被允许一遍又一遍地失败,不过每次都能学到更多。

X 的首席执行官 Astro Teller 把 X 描绘成一个能让世界变得更美好的地方。

但他并没有隐瞒 Alphabet 的优势,包括新的收入来源、战略优势和招聘价值。虽然他不愿透露登月计划工厂的员工人数或运营预算,但他明确表示,无论你觉得 X 花了多少钱,与它创造的价值相比,这都是微不足道的。

Astro Teller 将登月计划定义为一个通过提出激进解决方案和应用突破性技术来解决重大问题的想法。

在 X 里,奢侈的登月计划团队一直在寻找自己的失败之路,但都处于受保护状态。

只要有能解决棘手问题的新方法,想法就会大受欢迎。

这些想法的来源各式各样,有的来自职员的脑海里,其他的可能会来自 Teller 或者 Google 的联合创始人 Larry Page 和 Sergey Brin。X 的雇员会埋头钻研学术论文,到处参加各类会议,寻找能让他们萌生出具有现实意义的项目的种子。一个未命名的项目甚至是来自一个研究人员的 NPR 采访:X 的一个人当时正在听采访,就邀请她来聊一聊。

无论这些想法来自哪里,大多数首先都会在快速评估团队中被叫停。

这个小团队每周会会晤几次,不是为了鼓励这些想法,而是为了将它们推倒。

「我们要问的第一件事是:这个想法能通过近期将会出现的技术实现吗? 它能正确解决真正的问题吗?」领导团队的 Phil Watson 说。违反物理定律就意味着没戏。他说:「你会惊讶地发现有多少种永动机被提出过。」

这些会议结合了在烟雾弥漫的宿舍里天马行空的思考与论文答辩时可怕的严谨。

该团队已经考虑从雪崩中产生能量 (不可行),在北极周围放置一个铜环以从地球磁场中获取电力 (太昂贵),或者建造近海港口以简化航运物流 (这是监管的噩梦)。

他们曾就研制隐形装置一事进行过辩论。技术上似乎可行。「我们一直在说,我们应该这么做,因为这太了不起了——不,我们不能这么做,因为这会带来更多的麻烦,而且它不能解决任何真正的问题,」沃森说。「这肯定会让犯罪变得更容易。」

Invisibility cloaks

这些想法通过第一次评估后会被推荐到 Foundry,在这里,无论谁牵头刚起步的项目,都要回答有关他们提出的业务运作的问题,而工程师并不愿这么做。这一阶段由 Obi Felten 领导,他在欧洲发布 Google 产品很多年后于 2012 年加入 X。

在与 Teller 的第一次会面中,Felten 了解了 X 正在构想的所有机密内容,包括互联网气球和无人机送货。

她开始询问那类产品发布人会提出的各种问题。

将气球飞入另一个国家的领空是否合法?涉及隐私问题吗?你会与通信公司合作还是与它们竞争?「Astro 看着我说,『哦,没有人真正考虑过这些问题。这里全是工程师和科学家,我们只是想着如何让气球飞起来。』」

这些想法通过第一次评估后会被推荐到 Foundry,在这里,无论谁牵头刚起步的项目,都要回答有关他们提出的业务运作的问题,而工程师并不愿这么做。这一阶段由 Obi Felten 领导,他在欧洲发布 Google 产品很多年后于 2012 年加入 X。

在 X 投入大量金钱和时间之前,Foundry 使用这种强硬的审查来排除可能导致项目失败的问题。

以 Foghorn 为例,X 公司努力从海水中制造碳中和燃料。这项技术是惊人的,但问题是巨大的,两年后,团队意识到他们无法在成本上与汽油竞争——并依赖比起开发更接近于研究的技术。X 枪毙了 Foghorn 这个项目,并给团队中的每个人奖励,让他们去找新项目进行推进。

理想情况下,Foundry 会确保合适的项目尽快被淘汰。

这种做法基于一个简单的假设:你越早否决一个想法,就能越早地把时间和金钱花在下一个想法上。试图改变世界并创建新的大公司意味着要避开传统的进步模式。

发掘出前进道路上的一切隐患是成功的唯一途径。因为一旦某个好想法被证明不可行,你就可以着手实现下一个想法。

任何希望获得 X 垂青的项目必须同时满足这三点:1. 它必须是在解决一个大问题;2. 它必须是提出了一个根本的解决方案;3. 它必须采用了突破性的技术。

在 X 于 2010 年成立之前,还没有提出这种定义来区别项目优劣,比如物流无人机和隐形斗篷。

一切始于一个实验:拉里·佩奇让斯坦福计算机科学教授 Sebastian Thrun 为他打造一辆自动驾驶汽车。

当时,Thrun 对这项技术的了解并不比其他人多:他曾带领斯坦福团队赢得 2005 年 Darpa Grand Challenge。这是一场全自动驾驶汽车比赛,在内华达州普里姆外的莫哈韦沙漠上进行,全长 132 英里。2007 年,Darpa 举办了另一场城市挑战赛,并升级了通关设置,让参赛车辆驶入一座模拟城市,在那里它们不得不遵守交通法规、通过十字路口和停车。

最终斯坦福团队名列第二(卡耐基梅隆团队第一),时为谷歌合作伙伴的 Thrun 则开始全职帮助公司开发 Street View。

Darpa 挑战系列赛证明了汽车能够自主驾驶,但联邦政府再后来并没有举办更多的比赛。那时,美国的汽车制造商们正处于经济崩溃的水生火热之中,无心开发自掘坟墓的自动驾驶技术。

虽然谷歌是一家软件公司,但它拥有大量的现金,并且显而易见,把这个想法推向市场有可能挽救生命、产生新的收入流,并可将公司的触角扩展到手机之外的少数几个吸睛领域之一。

Tunun 于是悄悄雇佣了一个团队,越过了位于领军地位的公认学者,而去支持一个年轻的团队,他们中的许多人都曾参加过 Darpa 挑战赛,并且对一切想法都跃跃欲试。(其中包括 Anthony Levandowski,他最后发现自己被卷入到 Uber 公司在二月份发起的一桩诉讼案中。)

佩奇为该团队设定了他自己的挑战,挑选了 1000 英里的加州公路用于全自动驾驶比赛。Thrun 的团队将之称为 Larry 1,000,并在短短的 18 个月内以惊人的速度完成了任务。

对于谷歌来说,步入物理世界即踏入了一片新天地。

该公司在其核心业务之外的项目包括 Gmail、谷歌地图和谷歌图书,但它们仍然都是软件。丰田 Priuses 自动行驶在山景城街道上的情景令该公司开始对 0 和 1 之外的世界充满想象。

但是自动驾驶汽车已经是板上钉钉的事了。寻找其它具有类似门槛、复杂性和解决价值的问题则需要一些基础设施。佩奇让 Thrun 担任该公司的第一位「其它董事」,负责管理所有不符合谷歌股东期望的事情。由于 Thrun 当时正专注于自动驾驶项目(以及 2012 年后专注于他的在线教育初创公司 Udacity),其协调主管 Astro Teller 对于掌舵的目的和方向仍然含糊不清。

在与佩奇的一段早期对话中,Teller 试图列出这些其它项目。「我问他,『我们是孵化器吗?』」

Teller 坐在椅子上,穿着脚上那双标志性的溜冰鞋。不完全是这样。他们也不是一个研究中心。他们正在打造新业务,只是并没有传达出确切的范围。

最后,Teller 找到了一个意想不到的词。「我们是在做登月计划(moonshots)吗?」他问佩奇,「正是,」佩奇回答到。

对于以创新能力为价值体现的公司来说,创建一个研究部门来打造突破性产品是企业的生存支柱。

这种传统至少可以追溯到贝尔实验室,它是由 AT&T 和西方电气公司于 1925 年建立的。

贝尔实验室由许多当时最聪明的科学家组成,以制造作为现代电子学构件的晶体管而闻名。它还帮助开发了第一批激光器,并承蒙数学家 Claude Shannon 的教诲而建立了信息理论,它为理解信息的传输和处理方式创造了一个数学框架。包括 8 个诺贝尔奖和 3 个图灵奖,Unix 操作系统和 C++ 编码语言也是在该实验室中诞生的。

Bell Labs

博学是贝尔实验室成功的关键。

我们无法预知下一次突破会是什么样子,因而也没有理由去要求一个详细的行动计划。

Jon Gertner 在《创意工厂:贝尔实验室和美国创新的伟大时代》一书中写道,其领导人对于「目标模糊性」的态度很友好。

贝尔实验室的员工将会调查与人类远程通讯相关的任何东西,无论是通过电线或无线电,还是录音或视觉图像。

然而贝尔实验室的作用也是有边界的。

它最有价值的工具是基础研究:贝尔的科学家多年来一直在探索化学、物理学、冶金和磁学等方面的基础知识,并在寻求知识的货币化方面倾注着大量精力。

虽然「人际沟通」是一项宽泛的任务,但他们的工作远没有超出有效改善 AT&T 的电话业务这一范围。

硅谷得到了第一个创新实验室,即施乐公司的帕洛阿尔托研究中心,其研究人员并不擅长科学突破,但在利用现有技术方面表现不凡,并能够创新性地将这些技术应用到新目标中去。

PARC 在 20 世纪 70 年代和 80 年代早期制造了激光打印机和以太网,并引领了从分时打孔卡片到分布式、交互式个人计算机的过渡,从而奠定了现代计算机的基础。

但在硅谷,最值得怀念的是施乐公司并没有从这项工作中获益。

这个实验室开创了图形用户界面,不过是史蒂夫·乔布斯把它带到了大众面前。施乐公司的老板们并不是对这项技术嗤之以鼻,他们只是不知道它会受到如此之大的关注,Henry Chesbrough 说到,他在加州大学伯克利的哈斯商学院学习企业创新:「施乐公司当时正在寻找适合复印机和打印机商业模式的东西。」

通过赋予其团队以近乎无限的授权和资金,X 认为它可以创造出以往实验室所从未发现或可能已经抛弃的产品和服务。

它不做基础研究,而是依靠其他机构(主要是政府机构和学术机构)来创造其所能使用的工具。它并不依赖于圈住世界上最聪明的那些人,而是乐于探索有前途的想法并吸引它们进来。最重要的是,它负责扩大 Alphabet 的业务版图,而不是改进已有内容。

对所有这些诺贝尔获奖者来说,贝尔实验室是有价值的,因为它使电话变得更好且更便宜;施乐公司的股东也赞赏 PARC,因为它的激光打印机为他们赚得了数十亿美元。

产业谷歌X
1
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

堆叠技术

堆叠泛化是一种用于最小化一个或多个泛化器的泛化误差率的方法。它通过推导泛化器相对于所提供的学习集的偏差来发挥其作用。这个推导的过程包括:在第二层中将第一层的原始泛化器对部分学习集的猜测进行泛化,以及尝试对学习集的剩余部分进行猜测,并且输出正确的结果。当与多个泛化器一起使用时,堆叠泛化可以被看作是一个交叉验证的复杂版本,利用比交叉验证更为复杂的策略来组合各个泛化器。当与单个泛化器一起使用时,堆叠泛化是一种用于估计(然后纠正)泛化器的错误的方法,该泛化器已经在特定学习集上进行了训练并被询问了特定问题。

暂无评论
暂无评论~