[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的項目田轧，它可以自動化設計深度學習軟件最難的部分之一：為神經網絡選擇正確的架構。
[Keywords]：
AutoML傻粘、神經網絡、弦悉、深度學習、谷歌稽莉、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——為神經網絡選擇正確的架構昧甘。這些人工神經網絡被設計成模仿大腦的學習方式战得。按照谷歌首席執(zhí)行官Sundar Pichai解釋說法充边，AutoML的工作方式就是我們采用一組候選神經網絡，將它們看作是baby神經網絡常侦，然后用一個神經網絡來遍歷它們浇冰，直到我們找到最好的神經網絡。
? ? ? ?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聋亡，在這個強化學習過程中肘习，計算機可以將嘗試和錯誤與某種獎勵聯系起來，就像教狗新把戲一樣杀捻。但整個過程需要超強的計算能力井厌，而谷歌的硬件已經進入可以支撐一個神經網絡分析另外一個神經網絡的階段蚓庭。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網絡致讥，現在有了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器赞。
? ? ? ?Pichai在一篇博文中寫道：“我們希望AutoML的能力抵得上現在幾個博士之和垢袱，并且可以在三到五年時間內為成千上萬的開發(fā)人員設計出新的神經網絡以滿足他們的特殊要求「酃瘢”
? ? ? ?機器學習就是使用計算機根據樣本數據做出自己的決策请契，是開發(fā)人工智能的一種方法，它涉及到兩個主要步驟：訓練和推理夏醉。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出怎樣的像素組合畔柔。隨后的推理過程是系統(tǒng)根據其學到的東西作出猜測氯夷，用神經網絡替換貓和狗，AutoML要做的不是識別動物靶擦，而是識別出哪些系統(tǒng)是最聰明的腮考。根據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玄捕，這可能會為未來AI系統(tǒng)的構建節(jié)省大量工作踩蔚，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)新型神經網絡枚粘，并且使非專家可以根據自己的特定需求創(chuàng)建神經網絡馅闽，從而使得機器學習增加對人們的影響力。”
? ? ? ?AutoML的選擇結果不僅可以與最佳的人性化設計架構相抗衡福也，而且系統(tǒng)做出了一些非常規(guī)的選擇孝冒，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表示拟杉，這種方法還有很長的路要走庄涡，因為它捆綁了800個強大的圖形處理器。不過谷歌認為搬设，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據科學人才的短缺穴店，正是這兩點拖慢了新技術的應用進程。
? ? ? ?AutoML并不是唯一的一個拿穴，據Wired報道泣洞，Facebook的工程師們也已經開發(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做出選擇默色。
? ? ? ?去年夏天球凰，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”腿宰，能自行選擇模型和調整參數呕诉，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吃度，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甩挫。
? ? ? ?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)椿每，但它似乎也為機器控制自己的命運奠定了基礎伊者。“遞歸的自我完善”概念是大多數從中等智能快速躍升至AI超級智能理論的核心间护。其核心理念在與亦渗，隨著AI越來越強大，它可以開始自我調整汁尺，以提高其能力法精。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增長均函。一般來說亿虽，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，就像人類一樣苞也，而不是像今天的大部分算法一般洛勉，只是某一個領域的專家。今天的系統(tǒng)離AGI還有很長的路要走如迟，它們的目的是開發(fā)和改進其他機器學習系統(tǒng)收毫，而非自身攻走。在機器學習之外，代碼的自我調整已經存在了一段時間此再，但是部署這種技術來編輯神經網絡可能要復雜得多昔搂。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)展输拇，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)中摘符，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策吠。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逛裤，有效地將它們變成一種“蜂巢思想”。毫無疑問猴抹，這些能力想要達到可以有效地實現能夠自我改進的AI带族，還有很長的路要走，但我們確實已經可以看到一些相關技術基礎正在鋪設之中蟀给。
