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絡設計其他神經網絡，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羅以滿足他們的特別需求。”

　　圖：GoogleNet架構，設計這個網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學方案以及執(zhí)行這個方案的最佳方式。最后的神經網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據庫進行分類，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設計的神經網絡時，并不知道自己設計的神經網絡與AutoML的設計差異所在。由于他們自己沒有提出神經網絡，為此他們最初完全無法確定。

　　圖：左圖中，人類嘗試利用最好、最高效的神經網絡解決特定圖片數據庫分類問題。右圖，AutoML設計的神經網絡擁有額外的節(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這個目標?？墒茿utoML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。