北京时间9月24日消息，今年夏天，谷歌曾在秘鲁“发射”一枚气球，它在大气层停留了98天。

对于Google X实验室（或者叫作X）来说，将气球送上同温层并不是什么稀奇的事。X实验室有一个项目名叫“Project Loon”，它的目标就是从同温层发送互联网信号，让地表居民可以上网。按照谷歌的设想，气球可以飞入没有网络服务的地区，然后长时间停留在空中，不断传输互联网信号。问题在于：气球可能会飘走。

正因如此，谷歌让气球在秘鲁的天空停留三个月才显得很了不起。导航系统只能控制气球向上或者向下飞行，不能前进或者后退，也不能从一边到另一边。谷歌气球像热气球一样运行，它要避开糟糕的天气，避免碰撞，而不是穿过障碍区，如果谷歌安装复杂的导航系统，重量会增加，成本也会提升。为了解决问题，谷歌没有使用喷气式推进系统给气球导航，相反，团队利用了AI技术。

我们所说的“AI”是广义上的AI。无妨，大家都是这样说的。你也可以换一种说法，例如：用算法引导高空气球，这样讲也是合适的。

最开始时，谷歌团队利用手工编写的算法引导气球，算法会对各种预设变量进行响应，比如高度、位置、风速、时间。新算法发挥了机器学习的优势。通过分析海量数据，它们可以不断学习。通过分析过去发生的事情，算法可以不断改变自己的“行事方式”。萨尔·坎迪多（Sal Candido）是前谷歌工程师，他曾负责过气球项目。萨尔坎表示：“我们在更多的正确位置上拥有了更多的机器学习技术，这些算法处理事情的效率很高，比任何人都高。”

尽管如此，算法并非总是正确的。坎迪多拥有博士学位，他学习的内容和“随机最优控制”有关。简单来讲，坎迪多能够控制物体在不确定表面上运行，他的专业知识有了用武之地。当我们将气球送上天空，不确定因素很多，而且你无力改变。

有了机器学习的帮助，坎迪多和团队就可以找到更好的办法控制气球。当谷歌团队首次启动气球项目时，他们认为如果要将互联网服务覆盖到某一区域，只有发射大量的气球，让它们高高飘浮在空中才能做到。现在，团队可以更好控制气球，最终，只需要几个气球就可以将信号送到地表。坎迪多说：“我们没有必要将气球放在海洋上，专注用户就行了。”

机器学习在Project Loon项目中发挥了作用，在整个谷歌也是一样的，其它企业也大力引进机器学习技术，比如Facebook、微软和Twitter。这些企业集体朝着深度神经网络前进，深度神经网络的运行原理和人脑神经元有些类似。Facebook用深度神经网络识别图片，谷歌用它挑选搜索链接。放在过去，谷歌搜索算法是工程师手工编写的。现在算法可以自己学习，分析用户点击时生成的大量数据，通过分析用户的行为来学习。

谷歌气球项目并没有使用深度神经网络，它使用了一种比较简单的机器学习技术——Gaussian，尽管有所不同，其原理却是一样的。由此可以看出，深度学习只是AI革命的一部分，并非全部。在整个气球项目执行过程中，气球飞行了170万公里，谷歌从中收集了大量数据，用Gaussian处理之后，导航系统可以预测气球的行进路线，知道何时上升，何时下降，还可以判断何时将空气吸入气球。

预测很完美，至少大部分时间是完美的，毕竟同温层的气候太多变。坎迪多表示，同温层的气候已经算是比较稳定的，但是气球所遇到的不确定因素仍然很多，超过了团队的预计。他们只好增强导航系统，用所谓的“增强学习”来强化。做出预测之后，系统会不断收集数据，比如气球面对什么样的状况，什么管用，什么不管用，然后用数据调整气球的行进。

谷歌还有一个团队开发了AlphaGo，它也是一个AI系统，最近在围棋上打败了顶尖选手。AlphaGo分析人类棋手所下的无数棋步，不断学习，然后不断下棋，通过“增强学习”提高棋艺，不断分析什么能赢，什么不能。AlphaGo设计者相信，同样的技术可以应用于机器人，还可以完成其它任务，既有线上任务，也有线下任务。

没有什么神奇的，只是数据、数学和处理能力，这种处理能力相当相当强大。坎迪多说，气球的导航系统只是一种可能的方案，因为谷歌有无数的数据服务器，系统可以接入服务器，用海量机器处理信息。

坎迪多还表示，气球的机器学习技术还没有完成。机器学习也还不完美。事实上，AI并不等于“智能”，只是许多时候AI能将我们带到想去的地方。随着时间的推移，AI会越来越强大，它可以找到更好的办法将我们带到想去的地方——甚至是同温层。