AI创造的AI，比他们的发明者更强大！

源小象文水木华章

小象于日前转载发布的一篇文章《程序员要下架？专家预言2040 年机器将代替人类编写代码！》在众多码农中引发争议，有人对此表示担忧，也有人指出这种说法缺乏依据。实际上，AI比创造者强大并非科幻电影，而是已经实实在在发生的。

Google大脑团队于2017年5月发布了AutoML，这是一种控制器神经网络，可用于设计神经网络子模型，经过训练之后，便可用来执行特定任务进行质量评估。换句话说，这是一种能够创造子AI的AI！更可怕的是，AutoML在机器学习系统的编码上比创造它的研究人员还要厉害！

关于AutoML的图像识别性能，研究人员曾在Penn Treebank和CIFAR-10这样的学术数据集上做了测试，后又在 COCO目标检测和ImageNet 图像分类这两种大型数据集上做了测试，得到的结果令人震惊。

AutoML是建立在强化学习算法和进化算法基础上的。为使其更易于在大型数据集中处理，研究人员对它的搜索空间进行了重新设计，使其能够找到最好的图层，能够灵活地多次叠加，以建立最终的网络。架构搜索是在CIFAR-10上进行的，并且获得的架构可以迁移到COCO目标检测和ImageNet 图像架构中去。通过做出这些改进，AutoML不仅在CIFAR-10数据集，而且在COCO目标检测和ImageNet 图像分类中都能找到最好的图层。这两种图层融合在一起，形成了一个全新的架构，称为NASNet。

如图所示，由AutoML开发的NASNet包含两类图层-正常层和简化层。

结果，NASNet 在ImageNet 图像分类数据集中获得了82.7%的预测精度，这一数字远超google大脑团队此前建立的其他模型。

NASNet的规模大小可以调整。可在维持较低计算成本的同时获得相当高的准确率。例如，一个小型的NASNet对图像的识别可以达到74%的准确率 (同时将计算成本减半)，这一结果比目前专为移动端设计的相同大小的最前沿的模型高出3%。

从上面这张表格可以看出，就ImageNet图像分类数据集而言，NASNet在多个尺寸图像的识别方面都比人类现已创造出的模型（涉及不同量级（数百万次）的运算和参数）准确率更高。

google研究员将从ImageNet上获得的特征迁移到了COCO目标检测数据集上。在测试期间，这些特征结合Faster RCNN框架，得出的结果远胜于此前在COCO上预测的结果，最大模型的平均精度为43.1%，比过去最顶尖模型的精度还要高出约4%！

通过NASNet在COCO目标检测和ImageNet图像分类数据集上获得的特征可以再利用到其他视觉应用上，而这种方法也使我们对特定类型的神经网络可以产生这样优秀效果的原因加深了理解。

AutoML也开启了非专家学习机器语言的先河，可以用来开发更复杂的、人工智能驱动的机器或机器人。一项研究表明，在这个智能层级的人工智能可以帮助视觉残疾的人群重获光明。

显然此模型架构也可以用于无人驾驶汽车上。你可以想象一下该系统帮助识别交通、路况和行人的场景。也可用于增强现实技术，使环境与应用实现更好地焦糊。但是此款AI最迷人的应用可能尚在发掘当中…

那么，既然AutoML这么强大，那么是否意味着程序员即将失业了呢？就目前来说，显然还是很难的。机器并没有掌握人工智能专家拥有的理论基础和数据能力，仍然有很多问题，需要人工监督和改进。

简单地说，普通的机器学习方法，是由研究员预处理数据、选择算法模型、选择模型超参数、评估模型质量，然后不断地重复上述过程，然后最终确认一个最好的模型。而AutoML做的估计就是将如上工作进行自动化处理，然后产生一个最好的模型。

那它如何对上述工作实现自动化处理呢？人类做选择的时候，根据经验、知识和评价指标，可以知道每一步要做什么，得到什么样的目标，但机器是基于什么呢？这时候显然还是需要人类的经验和智力，给AutoML设定一个规则。比如对于具体某一个图像的识别问题，应该先从哪些模型着手，还是要人来告诉机器。还有，什么样的结果好，什么样的结果不好，这也是一套规则，还是要人类来告诉AutoML…

至于未来，AutoML或其类似的AI是否能够完全取代程序员的工作，还是个未解的命题，需要等待时间的验证。

-END-