机器学习技术在过去几年取得了快速发展，技术能力大幅提升——语音识别更精准，图片搜索更迅速，翻译效果也更好。但我们相信，人工智能的潜力不止于此。如果我们从一开始就把人的因素融入系统，它的实用性将会更强。

我们今天宣布People+AI Research Initiative（PAIR）项目。

该项目会将谷歌内部的研究人员集合起来，研究并重新设计人与人工智能系统的互动方式，PAIR的目标是关注人工智能中的“人类端”：用户与技术的关系，它所能促成的新应用，以及如何扩大它的覆盖范围。我们的目标不只是发表论文，还希望推出开源工具，以供研究人员和其他专家使用。

根据用户需求的不同，PAIR的研究分成3个领域：

工程师和研究人员：人工智能由人开发。我们如何才能让工程师更加简单地开发和理解机器学习系统？他们需要哪些教育材料和实践工具？

领域专家：人工智能如何为专业人士提供帮助？随着医生、技师、设计师、农民和音乐人增加人工智能技术的使用，我们如何为为其提供支持？

日常用户：如何确保机器学习包罗万象，好让所有人都能从人工智能的突破中获益？设计思维能够开启全新的人工智能应用？我们能否普及人工智能背后的技术？

我们还没有掌握所有答案，这正是研究的有趣之处，但我们对于发展方向有自己的想法。解开谜题的一大关键就是设计思维。能不能不再单纯把人工智能视作一项技术，而是把它想象成一种设计用的材料？

从这方面来看，或许可以以史为鉴：例如，计算机图形技术的进步提供的不只是更好的绘图方式——而是催生了新型的界面和应用。我们之前也讲过所谓的“以人为本的机器学习”（HCML）。

我们将开放新工具的源代码，制作教育材料（例如人工智能界面设计指南），同时发表研究论文来回答问题，并让尽可能多的人享受到人工智能的力量。

开源工具

今天，我们将开放Facets Overview和Facets Dive两款可视化工具的源代码。这些应用瞄准了人工智能工程师，解决了机器学习流程最开始的问题。Facets让工程师可以明确了解他们用来训练人工智能系统的数据。

△ Facets Overview截图

△ Facets Dive截图

我们认为这一点非常重要，因为训练数据是现代人工智能系统的关键组成部分，但往往成为不透明和困惑的来源。事实上，机器学习工程与传统软件工程的差异之一，就是更加依赖调试和数据，而非编码。有了Facts，工程师可以更加容易地展开调试，并理解他们正在开发的东西。

地址在此：

https://pair-code.github.io/facets/

支持外部研究

我们也承认，我们并非第一个看到这一机会或提出这些问题的人或机构。很多设计师和学者都开始探索人类/人工智能互动。他们的工作对我们形成了启发，我们将社区建设和研究支持视作自身使命的核心。

我们将与两位访问学者合作——哈佛大学的布伦丹·米德（Brendan Meade）教授和麻省理工学院的哈尔·阿贝尔森（Hal Abelson）——他们都在关注人工智能时代的教育和科学问题。

关注人工智能中的人类因素可以带来全新的可能。我们很高兴与外界共同探索这些可能。

【完】