目录
- [0 年度科技盛会](#0 年度科技盛会)
- [1 生成式机器学习](#1 生成式机器学习)
- [2 无障碍游戏体验](#2 无障碍游戏体验)
- [3 跨平台机器学习](#3 跨平台机器学习)
- 总结
0 年度科技盛会
2023Google开发者大会在上海浦东举办，为开发者和科技爱好者们带来新技术、新产品、新动向
可能很多同学对Google 开发者大会还不熟悉，Google 开发者大会是 Google 展示最新产品和平台的年度盛会，为开发者提供丰富的学习资源、实践操作和现场演示，提供与Google专家互动、与其他开发者交流的契机，助力开发提效，释放团队创造力，简化工作流程，以开放式集成解决方案为开发者效力，共同构建创新生态，开启美好未来。
本次大会有三大核心亮点
- 新知同享
通过大会主旨演讲，以及涵盖Mobile开发、Cloud开发、Al开发、Web开发的专题演讲，来自Google的专家们分享了领域内新的见解和最佳实践，帮助开发者收获技术新知识、实现技术进阶 - 灵感齐聚
大会设置了炉边对谈、工作坊和技术问答环节，带来形式多样、频次密集的交流互动机会。现场40多个技术与产品趣味互动展示，也带来最新技术的应用场景和创新的交互体验。这些互动和体验都能帮助开发者激发新思妙想，促进创新思维 - 多元共进
大会特别呈现演讲，展现了Google为不同人群(有障人士、女性开发者、出海开发者、初创从业者等等)提供丰富学习资源，带来成长机会；大会携手开发者社区举办各类丰富多彩的活动，帮助开发者通过多元形式进阶成长
本次大会的一个亮点是融合了非常多的中国元素，比如门口的红色大鼓、灯笼，还有走进敦煌、观妙中国等体验项目。这种前沿技术和传统文化的结合，向我们展示了高科技离我们并不遥远，它可以就在我们的身边，可以离我们很近
接下来，介绍本次大会的一些令我印象深刻的内容
1 生成式机器学习
我们知道，机器学习模型主要分为两类：
- 判别式模型(discriminative models)
- 生成式模型(generative models)
对于给定样本 x \boldsymbol{x} x，前者通过对后验概率 P ( y ^ ∣ x ) P\left( \hat{y}|\boldsymbol{x} \right) P(y^∣x)建模求得数据的最优决策边界；后者通过对联合概率 P ( x , y ^ ) P\left( \boldsymbol{x},\hat{y} \right) P(x,y^)建模求得数据各模式的决策边界。
机器学习模型的分类(绿色为新样本)
如图所示，判别式模型通过最优决策边界计算 P ( y ^ ∣ x ) P\left( \hat{y}|\boldsymbol{x} \right) P(y^∣x)，并选择使 P ( y ^ ∣ x ) P\left( \hat{y}|\boldsymbol{x} \right) P(y^∣x)较大的 y ^ \hat{y} y^作为 x \boldsymbol{x} x的预测值；生成式模型通过比较样本 x \boldsymbol{x} x与模型各模式间的相近程度，即通过联合概率间接计算样本 x \boldsymbol{x} x对各模式的后验概率，并选择使后验概率较大的 y ^ \hat{y} y^作为 x \boldsymbol{x} x的预测值
生成式模型和判别式模型是两种截然不同的人工智能模型。判别式模型的主要任务是对给定输入进行分类或标记，而生成式模型则是根据给定的条件生成新的数据。在过去，人们只希望基于已有的给定数据做一些预测和拟合，因此判别式模型得到发展并且很好地解决了大部分任务；而未来，人们将目标转向用生成式模型生成全新数据，进行迁移学习等，也就是常说的人工智能生成内容(AI Generated Content, AIGC)
为什么我们需要生成全新数据？
答案很简单：我们希望提高人工智能的工作上限，就不能仅仅依靠它对已有数据的拟合，而是像人一样有一定的创新能力。
生成式模型相比判别式模型的独特优势，使之可以应对更多的任务，例如推动内容开发、视觉艺术创作、数字孪生、自动编程，甚至为科学研究提供AI视角、Al直觉...因此生成式人工智能的未来发展趋势。
本次大会展示了非常多AIGC方面的demo，一个大家比较熟悉的例子是AI绘画，在这个互动演示中，Google展示了在Google Kubernetes Engine(GKE)上部署Stable Dffusion的强大能力和可扩展性。与会者将亲眼目睹在Stable Diffusion最受欢迎的Web界面上实时生成高质量图像的过程
2 无障碍游戏体验
Google的技术氛围是具有包容性和国际视野的，其产品往往会考虑不同人群的实际需要。举例而言，Google推出的**MST肤色量表(Monk Skin Tone Scale)**可以保证面部识别、目标检测等技术对不同肤色的人群不存在偏见。
另一个实例是通过面部识别技术为有障人士提供更好的游戏体验。本次大会上，Google Gameface联合《荒野行动》，将机器学习和传统编码相结合，以解决面部检测和面部地标提取的挑战，并将这些信息转化为鼠标遥测的代码。通过检测玩家的面部表情和动作，游戏可以更好地理解玩家的情感和动机，从而根据这些信息提供更个性化的游戏体验。包括自动调整游戏难度、创建更具互动性的游戏角色或者提供更逼真的虚拟现实体验。
对有障碍人士而言，他们可以利用面部动作来代替手部操作，从而参与游戏，表达自己的情感和意愿。这种互动性能够增强他们在游戏中的参与感和满足感，享受游戏的乐趣。同时，面部表情控制游戏可以帮助他们更好地表达自己的情感，与其他玩家或角色进行情感交流。这种交流方式能够增强社交互动，减少沟通障碍。
每个人的面部表情和动作都是独特的，能否将自己的个性特点融入游戏，游戏则根据面部表情来调整角色行为或反应，使游戏体验更加个性化和独特？期待Google未来在这方面的技术动向。
3 跨平台机器学习
GoogleMediaPipe是一款用于构建跨平台、基于机器学习的视觉与感知应用程序的机器学习模型框架。它可以帮助开发人员轻松地构建AI应用程序，如物体检测、姿势估计、虚拟试衣和手部跟踪等。作为一款跨平台框架，MediaPipe不仅可以被部署在服务器端，更可以在多个移动端 (安卓和苹果 iOS)和嵌入式平台(Google Coral和树莓派)中作为设备端机器学习推理框架。MediaPipe提供了一系列机器学习管道和计算单元，以处理多种不同类型的感知数据，例如视频、音频和深度图像数据。同时，它还提供了大量的预训练模型和工具，使开发者可以快速构建高质量的视觉应用程序，而不需要编写复杂的算法和代码。
除此之外，MediaPipe还为开发人员提供了模块化的流水线视图，以及可以自定义的机器学习管道和组件，这些功能可以帮助开发人员更好地理解和调试他们的应用程序。此外，在移动设备上部署应用程序时，MediaPipe还优化了硬件和软件的配合，以实现更快的性能和更低的功耗。
总的来说，MediaPipe是一个强大且易于使用的开源框架，它可以帮助开发者轻松构建各种不同类型的视觉应用程序，并且在跨平台和性能方面都有良好的表现。在Google，一系列重要产品，如YouTube、Google Lens、ARCore、Google Home 等，都已深度整合了MediaPipe
Google的Web ML技术也采用了MediaPipe，它使开发者可以创建更快、更安全和更智能的Web应用程序。与传统的机器学习应用不同，Web ML技术在安全方面有显著的优势。首先，机器学习模型可以在用户设备上本地运行，而不需要将敏感数据上传到云端进行处理。这意味着用户的数据可以得到更好的保护和隐私，并减少了数据泄露的风险。其次，通过在用户设备上进行机器学习推理和推断，Web ML技术可以减少与云端通信的需求，从而降低了网络传输过程中的数据被窃取或篡改的风险。
此外，Web浏览器提供了一个沙箱环境，用于隔离和限制JavaScript代码的访问权限。这可以防止恶意代码对机器学习模型或用户数据的篡改或滥用。
目前Web端机器学习也成为机器学习应用的新方向
总结
这次大会为与会者提供了许多有价值的活动和机会。首先是主旨演讲和专题演讲，我深刻感受到了Google专家们对技术的热情和追求。想要进一步了解Google最新开发技术和产品的小伙伴可以点击下方链接，前往CSDN大会专题页，这里有很多精选的专题回放视频，帮助你深入了解Google前沿技术。
在现场 40 多个技术与产品趣味互动展示中，我们可以深入了解Google最新的科技产品和解决方案，并学习如何最好地利用这些工具进行开发和创新。在这里，可以非常自由地分享彼此的创新想法，交流经验并建立联系。这种互动展示了科技行业不断创新的活力和潜力。
总的来说，Google开发者大会是一个汇聚技术创新和凝聚开发者社区的重要平台。通过这次盛会，我们不仅能够获取最新的行业动向和见解，而且还能获得宝贵的学习、交流和合作机会。
对于大会上了解的新知识、新技术，大家可以在Google开发者在线课程进一步巩固和练习。
Google开发者大会，下次见！
🔥 更多精彩专栏：
👇源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系👇