谷歌發(fā)布"自動機器學習"技術 AI可自我創(chuàng)造

　　5月24日消息，據(jù)Inverse報道，今年5月份，谷歌宣布其人工智能(AI)研究取得重大進展，似乎幫助科幻小說中最聳人聽聞的末日預言成為現(xiàn)實。谷歌推出名為“自動機器學習(AutoML)”的技術，在無需人類工程師的支持下，允許AI進行自我創(chuàng)造。

　　從表面上看，這種技術可能會讓人覺得AI發(fā)展終于迎來“奇點時刻”，它正在失去控制。但實際上，谷歌正利用它將機器學習令人不可思議的力量交到普通人手中。從本質上講，AutoML的策略就是利用神經網(wǎng)絡設計其他神經網(wǎng)絡，這并不讓人感到新奇，因為促使程序為其他程序編寫代碼正是機器學習的神奇所在。

　　AutoML之所以讓人感覺耳目一新，原因在于它讓神經網(wǎng)絡開始介入設計過程中。AutoML并非精煉已經存在的簡單模型，而是首先會選擇這些模型，然后再對它們進行精煉。在這種情況下，AutoML就進化成我們所期盼的“全功能版機器學習”。在有關這個項目的博文中，谷歌首席執(zhí)行官桑達爾·皮查伊(Sundar Pichai)表示：“我們希望AutoML可以具備今天少數(shù)博士擁有的能力，對于成千上萬的開發(fā)者來說，在3到5年內就能設計出全新的神將網(wǎng)羅以滿足他們的特別需求。”

　　圖：GoogleNet架構，設計這個網(wǎng)絡需要對卷積結構的初始版本進行多年的謹慎實驗和完善

　　所謂的神經網(wǎng)絡是模仿人類大腦開發(fā)出的計算機系統(tǒng)，包括許多不同的計算層。通常情況下，如果我們想要利用機器學習技術解決某個問題，人類專家必須提供啟動神經網(wǎng)絡，它可以按照固定規(guī)則執(zhí)行解決問題所需的基本計算。而AutoML則會嘗試許多可能合適的算法，測試完全不同的神經網(wǎng)絡構架，然后將其與目標相匹配。無需人類監(jiān)督，隨著時間推移，這個過程就會給出解決問題的最佳數(shù)學方案以及執(zhí)行這個方案的最佳方式。最后的神經網(wǎng)絡不一定要使用這些算法中的某個，而是可多次使用某個元素，前提是這樣做更加有效。

　　圖：神經網(wǎng)絡例證

　　從理論上講，AutoML的方法應該能夠設計出更高效的神經網(wǎng)絡。它不僅可用于解決當前的簡單問題，也可用于幫助解決對人類來說不可思議的問題。下面我們就來看看谷歌如何利用AutoML的關鍵能力。

　　假如對龐大的圖片數(shù)據(jù)庫進行分類，AutoML能設計出與人類工程師相似但又略優(yōu)的神經網(wǎng)絡。這種設計令人感到震驚的是，人類工程師們在觀察AutoML設計的神經網(wǎng)絡時，并不知道自己設計的神經網(wǎng)絡與AutoML的設計差異所在。由于他們自己沒有提出神經網(wǎng)絡，為此他們最初完全無法確定。

　　圖：左圖中，人類嘗試利用最好、最高效的神經網(wǎng)絡解決特定圖片數(shù)據(jù)庫分類問題。右圖，AutoML設計的神經網(wǎng)絡擁有額外的節(jié)點，谷歌稱其類似人類研究員最近提出的改進方案

　　AutoML的目標并非是要將人類從開發(fā)過程中剝離出去，甚至也不是要開發(fā)全新的AI，而是要讓AI繼續(xù)以我們多年來已經習慣的速度改變這個世界。編碼神經網(wǎng)絡的挑戰(zhàn)正成為整個行業(yè)面臨的阻礙，AutoML嘗試為將來學習機器學習技術的人降低進入的門檻。

　　雖然遠遠超出當前技術的復雜水平，但AutoML依然是相同“極端民主化”過程的開始，我們已經在正常編碼中多次看到這個過程。HTML擁有Dreamweaver，通過在AutoML模具中運行一整套AI創(chuàng)造AI程序，機器學習可能很快就能實現(xiàn)類似水平的方便操作。

　　為此，短期內AutoML可能還無法設計出更好的AI，盡管其最終肯定能實現(xiàn)這個目標。可是AutoML能夠為正變得絕望的人才打開一個行業(yè)。AutoML沒有谷歌頂級工程師的理論和數(shù)學才華，但普通人也無法讓谷歌的頂級工程師來親手解決他們的問題。有了AutoML，谷歌正在創(chuàng)造普通人可以掌握的AI工程師。