Google的AutoML項目旨在讓人工智能自主建立其他人工智能，現(xiàn)在已經(jīng)開發(fā)了一個計算機視覺系統(tǒng)，遠遠超過了最先進的模型。該項目可以改善自動駕駛和下一代人工智能機器人“看到”的方式。

AI可以自己“孕育”AI

2017年5月，Google Brain的研究人員宣布創(chuàng)建AutoML--一種能夠讓AI生成AI的人工智能。 最近，他們決定向AutoML提出迄今為止最大的挑戰(zhàn)，使得AI可以自己“孕育”AI，創(chuàng)建了一個超過所有人類智慧的“孩子”。

Google的研究人員使用一種稱為強化學(xué)習(xí)的方法來自動設(shè)計機器學(xué)習(xí)模型。 AutoML充當(dāng)一個神經(jīng)網(wǎng)絡(luò)控制器，為特定任務(wù)開發(fā)一個子AI網(wǎng)絡(luò)。 對于研究人員稱為NASNet的這個特殊的兒童AI來說，這個任務(wù)是實時地在視頻中識別物體：人，汽車，交通信號燈，手袋，背包等等。

AutoML將評估NASNet的性能，并使用這些信息來改善其子AI，重復(fù)這個過程數(shù)千次。 在Google研究人員稱為“計算機視覺領(lǐng)域最受尊敬的兩個大型學(xué)術(shù)數(shù)據(jù)集”的ImageNet圖像分類和COCO目標檢測數(shù)據(jù)集上進行測試時，NASNet勝過了所有其他計算機視覺系統(tǒng)。

據(jù)研究人員介紹，NASNet在預(yù)測ImageNet驗證集上的圖像時準確率為82.7％。 這比以前公布的結(jié)果好1.2％，系統(tǒng)效率也提高了4％，平均精確度（mAP）平均為43.1％。另外，對NASNet的計算要求較低的版本比類似尺寸最佳的移動平臺版本高3.1％。

未來的應(yīng)用

機器學(xué)習(xí)是許多AI系統(tǒng)執(zhí)行特定任務(wù)的能力。 雖然背后的概念相當(dāng)簡單 - 一個算法通過提供大量數(shù)據(jù)來學(xué)習(xí) - 這個過程需要花費大量的時間和精力。 通過自動化創(chuàng)建準確，高效的AI系統(tǒng)的過程，一個可以建立AI的AI首當(dāng)其沖。 最終，這意味著AutoML可以向非專家開放機器學(xué)習(xí)和AI的領(lǐng)域。

NASNet由于潛在的應(yīng)用數(shù)量的限制，高度精確，高效的計算機視覺算法受到追捧。正如一位研究人員所建議的，它們可以用來創(chuàng)建復(fù)雜的，由人工智能驅(qū)動的機器人，或者幫助視力受損的人恢復(fù)視力。 他們還可以幫助設(shè)計人員改進自駕車技術(shù)。 自主車輛能夠識別路徑上的物體的速度越快，其對它們作出反應(yīng)的速度就越快，從而增加了這種車輛的安全性。

Google的研究人員承認NASNet可以被廣泛的應(yīng)用證明是有用的，并且已經(jīng)采用開源來進行圖像分類和目標檢測的推斷。 他們在他們的博客文章中寫道：“我們希望更大的機器學(xué)習(xí)社區(qū)能夠建立在這些模型上，以解決我們還沒有想到的大量計算機視覺問題。

（圖片來源：Google Research）

盡管NASNet和AutoML的應(yīng)用程序非常豐富，但是創(chuàng)建一個可以構(gòu)建AI的AI卻引起了一些關(guān)注。 例如，怎樣防止父母將不想要的偏見傳遞給孩子？ 如果AutoML創(chuàng)建系統(tǒng)如此之快以至于社會無法跟上呢？ 在不久的將來，如何將NASNet應(yīng)用于自動化監(jiān)控系統(tǒng)并不是一件很困難的事情，也許很快就會制定相關(guān)法規(guī)來控制這些系統(tǒng)。

值得慶幸的是，世界各國領(lǐng)導(dǎo)人正在努力確保這樣的系統(tǒng)不會導(dǎo)致任何反烏托邦式的未來。

亞馬遜，F(xiàn)acebook，蘋果和其他幾個人都是AI造福人類社會的合作伙伴關(guān)系的成員，這個組織專注于人工智能朝負責(zé)任的方向發(fā)展。電氣和電子工程師協(xié)會（IEE）已經(jīng)提出了AI的道德標準，而谷歌母公司Alphabet所擁有的研究公司DeepMind最近宣布成立一個專注于AI道德和倫理影響的小組。

各國政府也在制定法規(guī)來防止將人工智能用于危險目的，如自主武器，只要人類保持對人工智能發(fā)展總體方向的控制，擁有可以建立人工智能的人工智能的好處遠遠超過任何潛在的陷阱。