[Description]：
谷歌首席執(zhí)行官Sundar Pichai在面向app程序員和硬件制造商舉辦的年度I/O開發(fā)者大會上發(fā)布了一個名為AutoML的項目，它可以自動化設計深度學習軟件最難的部分之一：為神經(jīng)網(wǎng)絡選擇正確的架構。
[Keywords]：
AutoML、神經(jīng)網(wǎng)絡、、深度學習、谷歌、AI
[Question]：
AutoML是神馬東西？有什么作用？
[Text]：
? ? ? 谷歌在I/O大會上新發(fā)布的AutoML旨在自動化設計深度學習軟件最難的部分之一——為神經(jīng)網(wǎng)絡選擇正確的架構。這些人工神經(jīng)網(wǎng)絡被設計成模仿大腦的學習方式。按照谷歌首席執(zhí)行官Sundar Pichai解釋說法，AutoML的工作方式就是我們采用一組候選神經(jīng)網(wǎng)絡，將它們看作是baby神經(jīng)網(wǎng)絡，然后用一個神經(jīng)網(wǎng)絡來遍歷它們，直到我們找到最好的神經(jīng)網(wǎng)絡。
? ? ? ?谷歌的研究人員創(chuàng)建了一個使用強化學習的機器學習系統(tǒng)——試錯法本身就是谷歌許多最著名的AI應用的核心理念——用以找出完成語言與圖像識別任務的最佳架構，在這個強化學習過程中，計算機可以將嘗試和錯誤與某種獎勵聯(lián)系起來，就像教狗新把戲一樣。但整個過程需要超強的計算能力，而谷歌的硬件已經(jīng)進入可以支撐一個神經(jīng)網(wǎng)絡分析另外一個神經(jīng)網(wǎng)絡的階段。以前科學家和工程師的專家團隊通常需要花費大量的時間來組合神經(jīng)網(wǎng)絡，現(xiàn)在有了AutoML，幾乎任何人都能夠構建AI系統(tǒng)來處理任何他們想做的任務。
? ? ? ?Pichai在一篇博文中寫道：“我們希望AutoML的能力抵得上現(xiàn)在幾個博士之和，并且可以在三到五年時間內(nèi)為成千上萬的開發(fā)人員設計出新的神經(jīng)網(wǎng)絡以滿足他們的特殊要求?！?/p>
? ? ? ?機器學習就是使用計算機根據(jù)樣本數(shù)據(jù)做出自己的決策，是開發(fā)人工智能的一種方法，它涉及到兩個主要步驟：訓練和推理。訓練過程要求一臺計算機看成千上萬的貓狗照片，以了解每種動物呈現(xiàn)出怎樣的像素組合。隨后的推理過程是系統(tǒng)根據(jù)其學到的東西作出猜測，用神經(jīng)網(wǎng)絡替換貓和狗，AutoML要做的不是識別動物，而是識別出哪些系統(tǒng)是最聰明的。根據(jù)Google的研究，AutoML在找到解決問題的最佳方法方面比人類專家更聰明，這可能會為未來AI系統(tǒng)的構建節(jié)省大量工作，因為它們可以進行部分程度的自我構建。就如Google科學家QuocLe和Barret Zoph所說：“我們認為這可以激發(fā)新型神經(jīng)網(wǎng)絡，并且使非專家可以根據(jù)自己的特定需求創(chuàng)建神經(jīng)網(wǎng)絡，從而使得機器學習增加對人們的影響力?！?/p>
? ? ? ?AutoML的選擇結果不僅可以與最佳的人性化設計架構相抗衡，而且系統(tǒng)做出了一些非常規(guī)的選擇，研究人員以前會認為類似的選擇不適合這些任務，相關研究人員對MIT Tech Review表示，這種方法還有很長的路要走，因為它捆綁了800個強大的圖形處理器。不過谷歌認為，自動化構建機器學習系統(tǒng)的過程可以幫助克服人機學習和數(shù)據(jù)科學人才的短缺，正是這兩點拖慢了新技術的應用進程。
? ? ? ?AutoML并不是唯一的一個，據(jù)Wired報道，F(xiàn)acebook的工程師們也已經(jīng)開發(fā)了稱為“自動化機器學習工程師”的工具。它的名字也叫AutoML,能夠就最有可能解決問題的算法和參數(shù)做出選擇。
? ? ? ?去年夏天，一個稱為AutoML challenge的挑戰(zhàn)任務（資助者包括微軟、英偉達等）讓很多團隊開始構建一種機器學習“黑匣子”，能自行選擇模型和調(diào)整參數(shù)，而無需人為干預。挑戰(zhàn)任務甚至吸引了游戲設計師的參與，游戲Space Engineers的開發(fā)團隊利用部分游戲收入組件了一個專家團隊來設計可以優(yōu)化自己軟硬件的AI。
? ? ? ?AI在讓自己變得更聰明的過程中變得更聰明。雖然此類自動化可以使非專家更容易設計和部署AI系統(tǒng)，但它似乎也為機器控制自己的命運奠定了基礎。“遞歸的自我完善”概念是大多數(shù)從中等智能快速躍升至AI超級智能理論的核心。其核心理念在與，隨著AI越來越強大，它可以開始自我調(diào)整，以提高其能力。AI在讓自己變得更聰明的過程中變得更聰明，這很快就會導致了智能化的指數(shù)增長。一般來說，所謂的“種子AI”被設想為通用人工智能 （AGI）,它是一種能夠執(zhí)行任何智力任務的機器，就像人類一樣，而不是像今天的大部分算法一般，只是某一個領域的專家。今天的系統(tǒng)離AGI還有很長的路要走，它們的目的是開發(fā)和改進其他機器學習系統(tǒng)，而非自身。在機器學習之外，代碼的自我調(diào)整已經(jīng)存在了一段時間，但是部署這種技術來編輯神經(jīng)網(wǎng)絡可能要復雜得多。但是創(chuàng)造能夠處理機器學習代碼的算法顯然是邁向未來學家設想的自我改進AI的第一步。
? ? ? ?最近一些其他技術進展可能也會推動這一方向的發(fā)展，許多AI研究人員正在努力將好奇心和創(chuàng)造力編碼到機器學習系統(tǒng)中，如加州大學伯克利分校研發(fā)的為AI植入好奇心，這兩個特征可能對一臺重新自我設計以提升性能的機器來說是必須的。還有一些研究人員正在嘗試讓機器人分享他們所學到的東西，有效地將它們變成一種“蜂巢思想”。毫無疑問，這些能力想要達到可以有效地實現(xiàn)能夠自我改進的AI，還有很長的路要走，但我們確實已經(jīng)可以看到一些相關技術基礎正在鋪設之中。
