谷歌推出的AutoML（自动机器学习）旨在训练人工智能自主创建其他人工智能系统，研发出的计算机视觉系统远远领先于其他最先进的模型智能系统。此外，该计划还可用于自动驾驶汽车和下一代人工智能机器人，优化其的视觉能力。

AI“孕育”AI

2017年5月，谷歌大脑的研究人员正式推出AutoML——可自主研制AI（人工智能）的AI。近日，研究人员决定让AutoML迎接迄今为止最大的挑战，由AI自主“孕育”的“子”AI，完胜人造AI。

借助强化学习，谷歌研究员研发了机器学习模型。作为控制器神经网络，AutoML可创造子AI网络完成特定任务。研究员将这一独特的子AI网络命名为“NASNet”。

图：NASNet架构由两种类型的层组成：正常层（左侧）和缩小层（右侧）。这两个层都是由AutoML设计的。

现在，它们需完成以下任务：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。

AutoML将评估NASNet的性能，借助相关信息优化子AI，该训练过程需重复数千次。谷歌研究员称，ImageNet图像分类和COCO物体检测数据集为“计算机视觉领域公认的两大深度学习数据集”。基于这两大数据集上进行测试时，NASNet的表现完胜所有其他视觉系统。

研究人员表示，预测ImageNet验证集上的图像准确率时，NASNet为82.7％。其平均精确度（mAP）为43.1％，超过先前公布的最高纪录1.2％，系统效率也提高了4％，此外，计算水平上，精确度较低的NASNet也要比尺寸相近的最高配移动平台高出3.1％。

放眼未来

机器学习赋予了多数AI系统执行特定任务的能力。基本原理虽然很简单——即利用大量数据训练算法——但这一过程需花费大量时间和精力。而AutoML的出现让所有难题迎刃而解，人工智能可自主创建准确高效的AI系统。由此可见，AutoML将为外行人打开机器学习和人工智能领域的大门。

NASNet十分青睐计算机视觉算法。因为它准确、高效，且应用潜能巨大。有研究人员表示：该算法可用于创造先进的人工智能机器人，或帮助患者恢复视力。此外，还能帮助设计师优化自动驾驶技术。增强识别道路障碍物的能力可提升车辆的反应速度，自动驾驶汽车的安全性也相应提高。

谷歌研究人员意识到NASNet的应用领域广泛，已利用人工智能开发开源系统，使其进行图像分类和探测物体。“我们希望基于这些模型，建立更大规模的机器学习系统，以解决未来可能会出现的大量计算机视觉难题，”他们在博文中如是说道。

尽管NASNet和AutoML的应用范围广阔，可自主制造人工智能的人工智能的诞生，还是引起了人们的担忧。如何防止家长将消极的偏见传递给孩子？如果AutoML创造系统的速度过快，无法适应社会怎么办？也许不久的将来， NASNet就应用于自动化监控系统，不久后或许还会颁布管控系统的法规。

幸运的是，世界各国正尽快避免该系统对未来社会造成负面影响。

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“孕育”子人工智能的利将远大于弊。

【谷歌NASNet论文获取方式：关注科技行者公众号（itechwalker），并打开对话界面，回复关键字“造AI”，即可获得下载地址】

<来源：FUTURISM；编译：科技行者>