Именно для этой нейронной сети практического применения особого нет - для игры с человеком и прошлая версия слишком хороша. Ценность исследования в том, что показана (впрочем, не впервые) возможность достигать сверхчеловеческого уровня решения задачи без использования обучения с учителем и вообще какого либо вмешательства человека. AlphaGo Zero - это пример обучения с подкреплением (reinforcement learning) и совместного обучения ансамбля нейронных сетей, играющих друг против друга. Ценность reinforcement learning заключается в том, что действительно можно обойтись без предварительно размеченных данных, но нужно иметь чётко сформулированный и измеримый критерий оценки результата (reward function) и способ быстро эмулировать среду, в которой происходят действия агента (так как обучение агента происходит методом проб и ошибок). Есть возможность обучать и в реальном мире, но это обычно медленно и дорого. То есть, например, для задачи классификации собак по породам "в лоб" применить обучение с подкреплением не выйдет, так как у нас нет измеримой метрики "пуделистости", "овчарости" и "бультерьерности".

Кроме того же AlphaGo Zero стоит отметить результат, показанный Inception ResNet V2, внедрение WaveNet в качестве движка text-to-speech и Seq2Seq перевода в Google Translate, Dota2 бот от OpenAI.

Я рекомендую начинать с курсов Andrew Ng на Coursera и курсов от Google и Kaggle на Udacity. В этих курсах вы познакомитесь с большим набором инструментов, от octave/matlab до keras и tensorflow.

Потенциал большой: благодаря распределённости такое обучение может быть доступно компаниям, не обладающим ресурсами Google и Facebook. Сдерживающим фактором является ограниченность ресурсов устройств, с их помощью сейчас можно обрабатывать только сравнительно небольшие нейронные сети или классические ml модели.

Основное направление - попытки всё больше заменять заскриптованные диалоги на Machine Learning. Тут ещё предстоит большая работа, интересные результаты есть у команды Facebook.

Какие успехи уже есть у проекта AutoML?

К сожалению, почти ничего конкретного о нём не слышал с анонса на Google I/O. Пожалуй, единственное упоминание, на которое я натыкался:

Хороший кейс продемонстрировала команда из Google Maps, которые с помощью Street View и машинного обучения построили карту крупного города с хаотичной застройкой, у которого не было карты в принципе.

Одновременно по двум направлениям - во первых расширяется функциональность, добавлен компилятор графов, новые типы слоёв, алгоритмов и т.п. И во-вторых то, что к Google называют Democratizing AI - делают проще и доступней благодаря включению в поставку более высокоуровневого фреймворка Keras, добавлению т.н. canned estimators (готовых алгоритмов оптимизации, предварительно настроенных для вас участков графа tensorflow). То есть одновременно делают TensorFlow мощней и проще в использовании.

Она идеально интегрируется со всеми продуктами Google, и вы получаете персонализированного помощника, который достаточно знает о вас, вместо преднастроенного голосового движка.

Проблема безопасности решается при помощи анализа голоса, а также использования паролей в некоторых случаях.

Скорее всего, нет. Большое число пользователей используют свои смартфоны и планшеты, чтобы потреблять контент: читать новости, смотреть видео. Это не так удобно делать с носимых устройств.

Вероятнее всего, транспорт, социальную жизнь внутри дома и, возможно, медицинскую работу.

Это вариант операционной системы Android, адаптированный для эффективной работы с платой разработки IoT с медленным или миниатюрным микроконтроллером. Она является более мощной по сравнению с другими IoT-платформами и позволяет разработчикам использовать многие из знакомых API Android. Android Things поддерживает графические пользовательские интерфейсы использует тот же самый набор инструментов для создания интерфейсов в традиционных приложениях Android, в которых окно приложения занимает весь дисплей.

Как изменился Android Things за год? Можно ли уже использовать ОС в продакшене?

Официально платформа пока находится в фазе превью, но она уже была протестирована многими разработчиками и доказала свою стабильность. Так что, вероятно, её уже можно применять в продакшене.

Использовать Android Things необязательно. Другие платформы поддерживают традиционные платы Raspberry Pi, Arduino, Particle и другие, но ни в одной из них нет доступа к знакомым API Android по умолчанию. Без использования Android Things разработчики могут использовать сторонние сервисы и провайдеров облачных хранилищ, чтобы собирать данные, следить за сенсорами при помощи ручной разработки модулей платы и писать собственные наборы модулей для отображения данных на экране. Это может быстро выйти из-под контроля.