你想過一種能夠建設人工智能的人工智能嗎？這可能是研究者的夢想，程序員的噩夢。

紐約時報近日就刊登了一篇題為《Building A.I. That Can Build A.I.》的文章，向我們介紹了谷歌AutoML的一些情況，雷鋒網(wǎng)在不改變原意的情況下進行了編譯。

在最近于硅谷和中國的演講中，谷歌的大牛Jeff Dean著重介紹了谷歌的AutoML項目。AutoML，顧名思義，就是學習構建其他機器學習算法的機器學習算法。

Jeff Dean是一名出色的計算機科學家和軟件工程師，目前，他是谷歌大腦團隊中的高級成員（Fellow）。谷歌許多業(yè)務的底層架構和系統(tǒng)都是由他參與建設的，如Big Table 和Map Reduce，在國外知乎Quara上，有答主曾如此夸張地形容這位大牛：編譯器從不警告Jeff Dean，只有Jeff Dean警告編譯器。

Jeff Dean（圖片來自New York Times）

這次AutoML的宣布，意味著，谷歌很可能很快就可以找到，在一定程度上取代人類智慧來創(chuàng)建人工智能的方法，這也是許多人相信的技術趨勢。

不過，據(jù)估計，全世界只有一萬人已經(jīng)獲得了足夠的教育，有足夠的經(jīng)驗和才能來建立復雜的，有時甚至是神秘的數(shù)學算法，以推動這種新的人工智能。

全球最大的科技企業(yè)，包括谷歌、Facebook和微軟，有時，每年要花上數(shù)百萬美元來聘請人工智能專家，人才的價值也就水漲船高。人才的短缺或許還會持續(xù)很長一段時間，因為要精通這些知識需要的是幾年的時間。

這個行業(yè)并不愿意等，一些公司正在開發(fā)各種各樣的工具，以期更高效地創(chuàng)建各個業(yè)務自己的人工智能軟件。例如，圖像和語音識別服務、在線聊天機器人等。

微軟公司副總裁約Joseph Sirosh說：“我們現(xiàn)在走的路，也是計算機科學、每一種新技術都會經(jīng)歷的相同的道路。”微軟最近公布了一個幫助程序員構建深層神經(jīng)網(wǎng)絡的工具，一種更能驅(qū)動人工智能發(fā)展的算法?！拔覀儗p少很多繁重的工作?！?/p>

這不是利他主義。像Dean先生這樣的研究者認為，如果有更多的人和公司從事人工智能的研究，那么對于他們自己的研究也是有推動作用的。同時，在Sirosh所描述的趨勢中，谷歌、亞馬遜和微軟等公司看到了商機。這幾家公司在銷售能夠幫助其他企業(yè)和開發(fā)商建立A.I.的云計算服務。

但根據(jù)一些創(chuàng)業(yè)公司的說法，目前，這些工具并不能滿足大部分的需要。隨著項目的進展，谷歌對AutoML的看法大概也是這樣的。谷歌CEO Sundar Pichai在上個月發(fā)布Pixcel 2時就宣傳了AutoML。

Dean表示，最后，即使沒有廣泛的專業(yè)知識，谷歌的這個項目也能將幫助公司建立他們的人工智能系統(tǒng)。他估計，目前只有不到幾千家公司有合適的人才來建設人工智能，但很多的公司已經(jīng)有了必要的數(shù)據(jù)。

Pichai當時表示：“我們希望能服務更多的公司，讓他們擁有用機器學習解決問題的能力。”

谷歌正在大力投資云計算服務，它將成為谷歌未來幾年的主要收入來源。在收購了全球頂尖的大部分人工智能研究人員的之后，谷歌已經(jīng)有了強大的發(fā)展勢能。

神經(jīng)網(wǎng)絡正在迅速加速人工智能的發(fā)展，人們不需要人工地構建圖像識別服務或者創(chuàng)建翻譯app，工程師們只要用一行代碼就能夠構造出能夠自己學習的算法。

但建立一個神經(jīng)網(wǎng)絡不是建立一個網(wǎng)站或普通的智能手機應用程序。它需要許多數(shù)學技能，嚴格的反復試驗和一定程度上的（專業(yè)）直覺。獨立機器學習實驗室（Element AI）的主管， Jean-Fran?ois Gagné將這一過程稱為“一種新的計算機程序設計”。

在建立神經(jīng)網(wǎng)絡時，研究者會在一個巨大的機器網(wǎng)絡上進行了幾十次甚至數(shù)百次實驗，測試了算法的學習能力，比如識別圖像或翻譯的準確度。（根據(jù)測試結果）他們一遍又一遍地調(diào)整算法的某些部分，直到這些算法能夠真正地解決問題。有些人將這個過程稱之為“黑暗藝術”，因為就連研究者們都很難解釋為什么他們要做出這些調(diào)整。

谷歌現(xiàn)在試圖通過AutoML自動化這個過程。AutoML可以構建算法，用來分析其他算法的發(fā)展，學習哪些方法是成功的，哪些是不成功的。最終，這些算法能夠?qū)W習建立更有效的機器學習（方法）。谷歌表示，在某些情況下，AutoML現(xiàn)在已經(jīng)可以構建比單純由人類專家構建的還要準確的圖像識別算法。

（圖片來源自 New York Times）

這個項目的研究人員之一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也會有很好的效果。

這并不是一件容易的事情，但這是人工智能的一個重要趨勢。專家稱之為“學會學習（learning to learn）”或“元學習(meta-learning)”。

很多人認為這樣的方法能夠大大加快人工智能的進展，不論是在網(wǎng)絡世界還是物理世界。在加利福尼亞大學伯克利分校，研究者們正在研究使機器人可以根據(jù)他們過去所學到的知識，來學習新的任務的技術。

伯克利教授Pieter Abbeel說：“計算機就是要為我們發(fā)明算法的。計算機發(fā)明的算法可以很快解決許多問題，至少有這樣的希望。”

這也是一種讓更多的人和企業(yè)能夠構建人工智能的方法。這些方法不會完全取代人工智能研究者。像谷歌的這些專家，仍然需要做很多重要的設計工作。但是，人們相信，專家們的研究成果能夠幫助更多人構建自己的軟件。

卡內(nèi)基梅隆大學的研究人員Renato Negrinho也正在研究類似于AutoML的技術，他說，目前這樣的技術還不是很成熟，還需要多幾年的火候?！?strong>這只是時間問題。”他說。

雷鋒網(wǎng)編譯，via nytimes

以上觀點，不代表雷鋒網(wǎng)立場。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。