讓人工智能去創造人工智能，Google是在玩火嗎？

昨天，Google 的 Deepmind 戰勝了目前等級分排名世界第一的中國棋手柯潔九段，至此，AI 在棋類項目上已經所向無敵了。

這表明 AI 已經詩詞歌賦、琴棋書畫無所不能了。也是在這個月，Google 在其舉辦的I/O 大會上闡釋了AI發展的一個新的方向，那將是所有科幻小說中最駭人聽聞的預言——自我復制。

這個能力被稱為AutoML （auto machine learning，機器自動學習），它允許一個AI成為另一個 AI 的架構師，并指導其開發，而不需要人力工程師的輸入。

這等于是將可能導致失控和演變的“造物權”交給了機器，在第二個AI 的開發過程中，AutoML 不僅僅是提煉已經存在的簡單模型，而主動優化這些模型。

在關于該項目的說明中，Google 首席執行官 Sundar Pichai （桑達爾·皮查伊）表示：Google 希望 AutoML 能擁有現在一些博士所具備的能力，在 3 到 5 年內使眾多的開發者也能通過 AutoML 設計神經網絡，來滿足其特定的需求。

神經網絡是一種以人類大腦為模型建立的計算機系統，通常說明如下：

這個想法并不瘋狂。因為如果我們想要讓機器深度學習人類的思維，模仿人類的能力，人類專家必須提供一個基本的計算類型的起始神經網絡。

AutoML 就解決了這個問題，在不需要人為監督的情況下，可以找到應對該問題的最佳數學方法和最佳實施方法。在理論上，AutoML 的方法應該能夠設計出更有效的神經網絡。

下圖是 Google 的 AutoML 的主要示例的關鍵。在已經給出了大量圖像分類數據庫的情況下，AutoML 設計了一個神經網絡，它與 Google 的人類工程師設計的相似。

左邊，是人類嘗試在最好的、最有效率的神經網絡架構下來處理特定的圖像數據庫。右側，是 AutoML 的神經網絡提出類似于人類研究人員的方法并給出的改進。

盡管如此，AutoML 的最大目標并不是讓人類脫離開發過程，甚至完全自動化，而是讓 AI 在人類的目光下以同樣的速度來進行研發。

當下，對神經網絡進行編碼的難度越來越大，而且設計神經網絡是極其耗費時間的，對專業知識的極高要求將適用人群縮小到了科研人員和工程師，這成為一個行業問題。AutoML 旨在降低下一代機器學習的入門水平。

可能有一天，AutoML 可以設計出更好的 AI。雖然 AutoML 不具備 Google 頂級工程師的理論水平和數學能力，但是對一個普通開發者而言，使用 AutoML，就等于是 Google 的頂級開發在協助你了。

所以，其實 Google 希望的通過簡化神經網絡的機器學習模型的設計，降低人工智能的門檻，AutoML 的研究和實踐表明由神經網絡來設計神經網絡也是可行的。

AutoML 目前只是扮演了人工智能開發中的基礎工程師的角色，生殺大權還是掌握在Google 的頂級工程師手里，我們暫時不用擔心“天網”的誕生。

0 條評論