在人工智能顶级人才匮乏的情况下，为了让机器学习模型的设计过程更加简单，提升研发效率，谷歌于今年 5 月推出了AutoML项目，旨在能让人工智能自主创建其他的人工智能。如今，这个项目已经卓有成效——AutoML开发出了一个远远领先于其他先进智能模型的计算智能视觉系统。该项目将改善自动驾驶和人工智能领域，优化其视觉能力。

AutoML设计的NASNet架构

2017年5月，Google Brain的研究人员宣布创建AutoML——一种可自主创建AI的AI。近日，研究人员决定向AutoML提出迄今为止最大的挑战：创建一个能战胜所有人造AI的“子”AI。

Google的研究人员使用一种被称为“强化学习”的方式，来完成机器自动学习模型的设计。AutoML作为控制器神经网络，可以为特定的任务开发一个子AI。研究人员将这个特殊的AI小孩称为“NASNet”，它可以实时识别录像中的人物、车辆、交通信号灯、手提包和背包等物体。

NASNet准确识别物体

AutoML将评估NASNet的性能，并用收集到的信息来改善其子AI——这一过程将重复几千次。ImageNet图像分类和COCO目标检测数据被Google研究人员称为“计算机视觉领域公认的两个大型学术数据集”，在这两个数据集的基础上进行测试时，NASNet的性能优于所有其他的计算机视觉系统。

研究人员介绍，NASNet在预测ImageNet验证集上的图像时，准确率高达82.7%。这一结果超过之前公布的最高纪录1.2%，系统效率也提高了4%，其平均精确度（mAP）为43.1%。

机器学习赋予了许多AI系统执行特定任务的能力。虽然背后的概念相当简单——提供大量数据供算法学习——但这一过程需要花费大量的时间和精力。而AutoML可自主创建准确高效的AI系统，最终，这意味着AutoML可以向外行人开放机器学习和人工智能领域。

计算机视觉算法十分受NASNet的追捧，因为它不仅精确、高效，还在应用上存在巨大潜力。正如一位研究人员所建议的，它可以用来创造先进的AI机器人，或者帮助视力受损的人恢复视力。除此之外，这个算法还能帮助设计人员优化自动驾驶技术：加快自动驾驶车辆在道路上的障碍识别速度，以此提升自动驾驶汽车的安全性。

Google的研究人员认为NASNet可以被广泛应用，如今已经利用AI开源，来进行图像分类和目标检测。研究人员在博客中写到：“我们希望在这些模型上建立更大规模的机器学习系统，以解决我们还没碰到的、大量的计算机视觉问题。”

尽管NASNet和AutoML的应用潜力巨大，但可自主创建AI的AI还是引起了人们的担忧。例如，如何防止“家长”将消极的偏见传递给“孩子”？如果AutoML创建系统的速度过快，以至于社会发展无法跟上它呢？在不久的将来，如何将NASNet应用于自动化监控系统不是一件很困难的事情，但随之可能会制定相关法律来控制这些系统。

值得庆幸的是，世界各国正在确保这样的AI系统不会对社会造成负面影响。

Amazon、Facebook、Apple及其他公司组建了一个名为“造福人民和社会伙伴关系的AI联盟”，该联盟致力于确保人工智能向有益于人类的方向发展。电气和电子工程师协会（IEE）为人工智能制定了道德标准。近期，谷歌母公司Alphabet 旗下的研究公司DeepMind宣布成立了专注于人工智能道德伦理影响的研究小组。

各国政府也陆续出台法规，防止人工智能被用于制造自动化武器威胁人类。只要能掌握好人工智能发展的大方向，可“孕子”的人工智能的利将远大于弊。