通过回答与荒地相关的问题在其搜索结果中，对开发人员的健身数据平台，谷歌在我们日常健康和福利习惯的面料中越来越地凝视。但在幕后，互联网巨头也努力加快发现可能对寻找许多人类弊病的治疗至关重要的药物。

谷歌研究与斯坦福大学的Pande Lab合作，推出了一篇名为“用于药物发现的多任务网络”[PDF]的论文，这些文件看起来如何使用来自不同来源的无数的数据可以更好地确定哪种化合物将成为“有效药物”治疗各种疾病。“

虽然本文本身并没有揭示任何重大的医疗突破，但它确实指出了深度学习如何用于攻击巨大的数据集和加速药物发现。深度学习是一个系统，涉及培训系统，称为人工神经网络的大量信息，从键数据输入导出，然后将新信息引入混合。您可能想查看2015年五个新兴深度学习初创公司的指南。

“从这项工作的一个鼓舞人心的结论是我们的模型能够利用来自许多不同实验的数据来提高许多疾病的预测准确性，”多授权谷歌研究博客文章说明。“为了我们的知识，这是第一次在这个域中量化添加额外数据的效果，我们的结果表明，即使更多的数据也可以进一步提高性能。”

谷歌表示，它在“比以前的工作大于18倍”的规模上，跨越200多个近多项生物过程的3780万数据点。

“由于我们的大规模大规模，我们能够仔细地探测这些模型的敏感性在模型结构和输入数据的各种变化中，”谷歌表示。“在论文中，我们不仅检查了模型的性能，而且为什么它表现得很好，我们将来可以在未来的类似模型。”

这是我们看到的更大趋势，我们在深处看到了许多大型科技公司在深入学习中投资资源。去年，推特，谷歌和雅虎都获得了深入的学习初创公司，而Facebook和百度在这个领域取得了重大雇用。Netflix和Spotify也在这个领域进行了工作。

去年10月在VidtureBeat的健康宴会上，我们研究了医疗保健的未来如何庞大，对机器人，分析和人工智能（AI）倾向于。进入这个诊断元素是治疗发现，这越来越多地转向AI，大数据和深度学习，因为我们通过谷歌和斯坦福的最新研究。

通过自动化和改进预测技术，这不仅应该加快药物发现过程，而是降低了成本。来自谷歌报告：

发现对人类疾病的新治疗是一个非常复杂的挑战。前瞻性药物必须攻击疾病的来源，但必须这样做的同时满足限制性代谢和毒性约束。传统上，药物发现是一项延长的过程，需要多年来从开始完成，以沿途的高失败率。

简而言之，测试数百万化合物可能需要很长时间，因此可以增加罢工的机会成功组合的东西只能是一件好事。这是在规模的机器学习可能有所帮助的地方。