研究者的夢想，但也許是高級程序員的噩夢：可以建造其他人工智能的人工智能。

谷歌領(lǐng)導(dǎo)工程師之一Jeff Dean重點介紹了名為AutoML的項目。ML是機器學(xué)習(xí)的縮寫，可以通過分析數(shù)據(jù)自行學(xué)習(xí)執(zhí)行特定任務(wù)的計算機算法。AutoML是一個學(xué)習(xí)構(gòu)建其他機器學(xué)習(xí)算法的機器學(xué)習(xí)算法。

通過AutoML，谷歌可能很快就會找到一種方法，可以部分地取代人類創(chuàng)建人工智能技術(shù)，構(gòu)建人工智能系統(tǒng)，許多人認為這是技術(shù)行業(yè)的未來。

該項目是眾多將最新的AI技術(shù)帶給更廣泛的公司和軟件開發(fā)人員的努力之一。

科技行業(yè)正在創(chuàng)造一切的可能性，從可識別人臉的智能手機應(yīng)用程序到自動駕駛汽車。 但據(jù)估計，全世界只有10000人擁有建立復(fù)雜、神秘數(shù)學(xué)算法所需的教育、經(jīng)驗和才能，以推動這種新的人工智能。

包括谷歌，F(xiàn)acebook 和微軟在內(nèi)的全球最大的科技企業(yè)每年向 AI 專家支付數(shù)百萬美元薪資。人才短缺不會很快消失，只因為掌握這些技能需要多年的努力。

業(yè)界不愿意等待。企業(yè)正在開發(fā)各種工具，以便更容易開發(fā) AI 軟件，包括圖像和語音識別服務(wù)以及在線聊天機器人等。

微軟公司副總裁Joseph Sirosh 說：“我們遵循計算機科學(xué)和所有新型技術(shù)相同的道路。”Joseph Sirosh 最近公布了一個幫助編程人員建立深度神經(jīng)網(wǎng)絡(luò)的工具，這種計算機算法推動了 AI 領(lǐng)域的最新發(fā)展。 “我們正在消除很多繁重的工作。”

這不是利他主義。Dean 這樣的研究人員相信，如果有更多的人和公司從事人工智能的研究，將會推動他們自己的研究。與此同時，谷歌、亞馬遜和微軟這樣的公司看到了 Sirosh 所描述的趨勢中賺錢的機會。 他們都在銷售云計算服務(wù)，幫助其他企業(yè)和開發(fā)人員建立人工智能。

中國創(chuàng)業(yè)公司 Malong 的聯(lián)合創(chuàng)始人兼CTO Matt Scott 表示：“這是真實的需求，而現(xiàn)有工具還不能滿足所有的需求。”

這就是谷歌開展AutoML項目的原因。 谷歌CEO Sundar Pichai 在今年十月發(fā)布了 AutoML。

Dean說，最終，這個項目將幫助公司建立人工智能系統(tǒng)，即使不具備廣泛的專業(yè)知識。 他估計，今天只有幾千家公司擁有合適的 AI 人才，但有更多的公司擁有必要的數(shù)據(jù)。

他說：“我們希望將成千上萬的公司從解決機器學(xué)習(xí)問題中解脫出來。”

谷歌正在大力投資于云計算服務(wù)，幫助其他企業(yè)構(gòu)建和運行軟件的服務(wù)，預(yù)計將成為谷歌未來幾年的主要增長動力之一。 在網(wǎng)羅了大量世界頂級 AI 研究人員之后，它有了啟動這個引擎的方法。

神經(jīng)網(wǎng)絡(luò)正在加速人工智能的發(fā)展。 工程師不用一次一個的手工構(gòu)建圖像識別服務(wù)或語言翻譯應(yīng)用程序，而只需一行代碼，工程師就可以更快地構(gòu)建一個自學(xué)習(xí)任務(wù)的算法。

例如，通過分析大量傳統(tǒng)技術(shù)支持呼叫中的語音，機器學(xué)習(xí)算法可以學(xué)習(xí)識別口語詞匯。

但建立神經(jīng)網(wǎng)絡(luò)不像網(wǎng)站或普通的智能手機應(yīng)用程序。它需要重要的數(shù)學(xué)技能，極端的反復(fù)試驗以及直覺。 獨立機器學(xué)習(xí)實驗室 Element AI CEO Jean-FrançoisGagné 將這一過程稱為“一種新型計算機編程”。

在建立神經(jīng)網(wǎng)絡(luò)時，研究人員在一個巨大的機器網(wǎng)絡(luò)上進行了幾十次甚至數(shù)百次實驗，測試一個算法如何學(xué)習(xí)一個任務(wù)，如識別圖像或者從一種語言翻譯到另一種語言。 然后他們一遍又一遍地調(diào)整算法的特定部分，直到他們解決了一些有效的東西。 有人稱之為“黑暗藝術(shù)”，因為研究人員很難解釋為什么他們會做出特定的調(diào)整。

但是通過 AutoML，谷歌試圖將這個過程自動化。它正在構(gòu)建算法，分析其他算法的發(fā)展，學(xué)習(xí)哪些方法是成功的，哪些是不成功的。 最終，學(xué)習(xí)建立更有效的機器學(xué)習(xí)。 谷歌表示，AutoML 現(xiàn)在可以構(gòu)建的算法，在某些情況下，比單純由人類專家構(gòu)建的服務(wù)更精確地識別照片中的對象。

這個項目背后的谷歌研究員Barret Zoph 認為，同樣的方法對于語音識別或機器翻譯等其他任務(wù)最終也能適用。

這不是一件容易的事情，但這是人工智能研究的重要趨勢的一部分。專家稱之為“學(xué)習(xí)的學(xué)習(xí)”或“元學(xué)習(xí)”。

許多人認為，這種方法將大大加快人工智能在網(wǎng)絡(luò)和物理世界的進展。 在加利福尼亞大學(xué)伯克利分校的研究人員正在研究一種技術(shù)，使機器人能夠根據(jù)他們過去所學(xué)的知識來學(xué)習(xí)新的任務(wù)。

教授 Pieter Abbeel 說：“電腦本來就是為我們發(fā)明算法的。 電腦發(fā)明的算法可以很快解決許多很多問題，至少這是希望。”

這也是一種擴大人工智能的人員和企業(yè)的方法。 這些方法不會完全取代 AI 研究人員，比如谷歌公司的這類專家，仍然需要做很多重要的設(shè)計工作。 但是，我們的信念是，只需要少數(shù)專家的工作就可以幫助大量的人建立自己的軟件。

卡內(nèi)基梅隆大學(xué)研究員 Renato Negrinho 正在探索類似于 AutoML 的技術(shù)，今天還沒成為現(xiàn)實，應(yīng)該在未來幾年實現(xiàn)。 “這只是時間問題。”