AutoML将深度学习最难一环自动化，AGI技术基础已开始铺设
【新智元导读】谷歌在 I/O 大会上新发布的 AutoML 旨在自动化设计深度学习软件最难的部分之一——为神经网络选择正确的架构。包括 Facebook 的 AutoML 在内的几种同类产品也在陆续出现。本文作者指出，虽然此类自动化可以使非专家更容易地设计和部署 AI 系统，但它似乎也为机器控制自己的命运奠定了基础。作者同时认为，AutoML 技术，以及新智元分别报道过的“将好奇心加入 AI”和“让 AI 自动分享学到的经验”，将成为狭义 AI 迈向 AGI 和超级智能的基础。
谈到实现技术奇点，几乎肯定会涉及 AI 能够提高自身能力的问题。谷歌现在创建了可以构建 AI 的 AI，沿着这个方向又迈进了一小步。
谷歌首席执行官 Sundar Pichai 在面向 app 程序员和硬件制造商举办的年度 I / O 开发者大会上发布了一个名为 AutoML 的项目，它可以自动化设计深度学习软件最难的部分之一：为神经网络选择正确的架构。
这些人工神经网络被设计成为模仿大脑的学习方式。“它的工作方式是，我们采用一组候选神经网络，将它们看作是 baby 神经网络，然后用一个神经网络来遍历它们，直到我们找到最好的神经网络。”Pichai 解释说。
把猫换成神经网络，你就明白 AutoML 是做什么的了
谷歌的研究人员创建了一个使用强化学习的机器学习系统——试错法本身就是谷歌许多最著名的 AI 应用的核心理念——以找出完成语言和图像识别任务的最佳架构。
在这个称为强化学习的过程中，计算机可以将尝试和错误与某种奖励联系起来，就像教狗新的把戏一样。
这需要大量的计算能力，但 Google 的硬件正在进入到可以支撑一个神经网络分析另一个神经网络的阶段。
科学家和工程师的专家团队通常需要花费大量的时间来组合神经网络，现在有了AutoML，几乎任何人都能够构建 AI 系统来处理任何他们想做的任务。
一个神经网络选择其他神经网络
Pichai 在一篇博文中写道：“我们希望 AutoML 的能力能抵上现在几个博士之和，并且可以在三到五年的时间内为成千上万的开发人员设计出新的神经网络以满足他们的特殊需求。”
机器学习——使计算机根据样本数据做出自己的决策——是开发人工智能的一种方法，它涉及到两个主要步骤：训练和推理。
训练过程要求一台计算机看成千上万的猫狗照片，以了解每种动物呈现出怎样的像素组合。随后的推理过程是系统根据其学到的东西作出猜测。
用神经网络替换猫和狗，你就明白 AutoML 的工作是什么了。现在它要做的不是识别动物，而是识别出哪些系统是最聪明的。
自动化构建机器学习系统的过程可以帮助克服人机学习和数据科学人才的短缺
根据 Google 的研究，AutoML 在找到解决问题的最佳方法方面比人类专家更聪明。这可能会为未来 AI 系统的构建节省大量工作，因为它们可以进行部分程度的自我构建了。
就如 Google 科学家 QuocLe 和 Barret Zoph 所说：“我们认为这可以激发新型神经网络，并且使非专家可以根据自己的特定需求创建神经网络，从而使得机器学习增加对人们的影响力。”
AutoML 的选择结果不仅可以与最佳的人性化设计架构相抗衡，而且系统做出了一些非常规的选择，研究人员以前会认为类似选择不适合这些任务。
相关研究人员对 MIT Tech Review 表示，这种方法还有很长的路要走，因为它捆绑了 800 个强大的图形处理器。不过谷歌认为，自动化构建机器学习系统的过程可以帮助克服人机学习和数据科学人才的短缺，这两点拖慢了新技术的应用进程。
AutoML 并不是唯一的一个。据 Wired 报道，Facebook 的工程师们也已经开发了称为“自动化机器学习工程师”的工具。它的名字也叫AutoML，能够就最有可能解决问题的算法和参数做出选择。
去年夏天，一个称为 AutoML challenge 的挑战任务（资助者包括微软、英伟达等）让很多团队开始构建一种机器学习“黑匣子”，能自行选择模型和调整参数，而无须人为干预。挑战任务甚至吸引了游戏设计师的参与，游戏 Space Engineers 的开发团队利用部分游戏收入组建了一个专家团队来设计可以优化自己软硬件的 AI 。
AI 在让自己变得更聪明的过程中，变得更聪明
虽然此类自动化可以使非专家更容易设计和部署 AI 系统，但它似乎也为机器控制自己的命运奠定了基础。
“递归的自我完善”概念是大多数从中等智能快速跃升至 AI 超级智能理论的核心。其核心理念在于，随着 AI 越来越强大，它可以开始自我调整，以提高其能力。AI 在让自己变得更聪明的过程中，变得更聪明，这很快就导致了智能化的指数增长。
一般来说，所谓的“种子AI”被设想为通用人工智能（AGI），它是一种能够执行任何智力任务的机器，就像人类一样，而不是像今天的大部分算法一般，只是某一个特定领域的专家。
今天的系统离 AGI 还有很长的距离，它们的目的是开发和改进其他机器学习系统，而非自身。在机器学习之外，代码的自我调整已经存在了一段时间，但是部署这种技术来编辑神经网络可能要复杂得多。
但是，创造能够处理机器学习代码的算法显然是迈向未来学家设想的自我改进AI 的第一步。
最近的其他一些技术进展可能也会推动这一方向的发展。许多 AI 研究人员正在努力将好奇心和创造力编码到机器学习系统中（如新智元端午节为大家介绍过的文章《UC 伯克利为 AI 植入好奇心》），这两个特征可能对一台重新自我设计以提升性能的机器来说是必需的。还有一些研究人员正在尝试让机器人分享他们所学到的东西，有效地将它们变成一种“蜂巢思想”。这类研究此前新智元也有过报道，如【Science】机器人从单一演示中学习并相互传授技能，AI迈出统治世界第一步？
毫无疑问，这些能力想要达到可以有效地实现能够自我改进的 AI ，还有很长的路要走，但我们确实已经可以看到一些相关的技术基础正在铺设之中。
原文地址：https://singularityhub.com/2017/05/31/googles-ai-building-ai-is-a-step-toward-self-improving-ai/