構建人工智慧系統太難？Facebook 讓機器自行構建人工智慧系統

選自 連線

作者： Cade Metz

機器之心編譯

參與：馬世豪、李亞洲

構建人工智慧系統太難了，於是 Faceook 開發了一個人工智慧系統自己構建人工智慧。

深度神經網路正在重塑互聯網。這樣的人工智慧系統因為有了通過分析海量數據學習每樣人類任務的能力，從而為網路在線服務注入了以前無法實現的新力量。它們能在照片中識別人臉、識別智能手機的語音指令、還能進行機器翻譯。它們甚至在幫助谷歌選擇搜索結果。這些我們都知道，但往往較少提及的是互聯網巨頭們如何去建造這些相當了不起的人工智慧引擎。

其中一個做法是，谷歌和 Facebook 這樣的公司花高價聘請那些頂級聰明的人。地球上只有幾百人有這樣的天賦和技能來真正推動人工智慧事業的發展。在這些頂級大腦上的投入抵得上一個 NFL（美國橄欖球聯盟） 四分衛的工資。這是人工智慧不斷發展進步的一個瓶頸，而且這並不是唯一一個瓶頸。即使是頂尖的研究者們，在沒有大規模反覆試驗的情況下，也無法建立這樣的人工智慧服務。要構建一個解決人工智慧難題的深度神經網路，研究人員在成功前一定會嘗試無數種方式，並一個一個的在幾十、幾百個機器上運行。

Google 旗下 DeepMind 公司的聯合創始人Demis Hassabis 說，「這更像是做教練而不是球員，你忽悠著把這些東西傳達出來，而不是直接告訴機器做什麼。」

這就是為什麼許多公司現在正試圖把反覆試驗（trial and error）的過程自動化，或至少使其一部分自動化。如果你把核心關鍵自動化了，你可以更快速地將最新的機器學習推廣到普通工程師手中，頂級天才將會有更多的時間思考更好的想法、解決更困難的問題。反過來，這也會加速我們日常使用的網路服務和 App 背後的人工智慧的進程。

換句話說，要讓計算機變得更聰明、更快，電腦本身必須處理更繁重的工作。互聯網巨頭們正在製造能夠替代工程師測試無數機器學習演算法的計算系統，並且這種系統自身能夠不斷測試各種可能性。更好的是，這些公司正在開發可以幫助建立人工智慧演算法的人工智慧演算法。這並非開玩笑。在Facebook內部，工程師們已經設計一個他們稱之為「自動機器學習工程師」的人工智慧系統，一個幫助開發人工智慧系統的系統。雖然離完美還有很大距離，但最終目標是用儘可能少的人力工作創造新的人工智慧模型。

感受下 Flow

在 Facebook 2012 年 1040 億美元的 IPO 之後，Facebook 廣告團隊的 Hussein Mehanna 和其他工程師在改良公司的廣告定位上倍感壓力，因為它們需要更精確地把廣告和數以百萬計使用社交網路的用戶匹配起來。這意味著構建的深度神經網路和其他機器學習演算法需要更好地利用 Facebook 收集到的大量數據。這些數據來源於數以百萬計的用戶的特性和行為愛好。

據 Mehanna 所說，Facebook 工程師們在想出新的人工智慧點子上毫無壓力，但測試這些想法卻又是另一回事。於是他和他的團隊開發了一個叫做 Flow 的工具。Mehanna 說，「我們想建立一個機器學習裝配線，讓 Facebook 所有的工程師都可以使用。」設計 Flow 的目的是幫助工程師大規模的開發、測試和執行機器學習演算法。這是一個廣泛的技術，涵蓋了完成自我學習任務的所需的所有服務，也幾乎包括了任何形式的機器學習技術。

基本來說，工程師們可以很容易地測試公司龐大的計算機數據中心網路層出不窮的想法。他們可以運行測試各種演算法的可能性，這些演算法所涉及的不只是深度學習，還有其他形式的人工智慧，包括對數幾率回歸到 Boosted 決策樹，而測試的結果還可以提供更多的想法。Mehanna 說，「嘗試越多的點子、越多的數據就越好。」這也意味著工程師們可以很容易地對其他人寫的演算法進行再利用，對這些演算法進行微調然後應用到其他任務。

很快，Mehanna和他的團隊在全公司推廣使用 Flow。在其他團隊里，它可以幫助生成各種演算法：選擇 Facebook News Feed 的連接、識別發布到社交網路照片里的面孔、為照片生成音頻描述從而讓盲人理解照片內容。它甚至可以幫助公司確定世界的哪些部分還需要接通互聯網。

Mehanna 說，在 Flow 的幫助下，Facebook 每個月訓練和測試約 30 萬個機器學習模型。曾經 Facebook 每 60 天左右才把一個新的人工智慧模型推送到其社交網路上，而現在每周就可以推送幾個新的模型。

下一個前沿

這個想法要比 Facebook 本身重要的多。這是全球深度學習領域共同的實踐。去年，Twitter 收購了一個叫做 Whetlab的創業公司，專門從事這樣的工作。最近，微軟也透露出其研究人員如何使用一個系統測試海量的人工智慧模型。微軟研究人員 Jian Sun 把它稱之為「人類輔助搜索。」

Mehanna 和 Facebook 想要加快這個進程。公司計劃最終把 Flow 開源，與世界分享 Flow。據 Mehanna 所言，諸如LinkedIn、Uber 和 Twitter 都對使用 Flow 感興趣。Mehanna 和他的團隊還開發了一個工具叫 AutoML，可以減去工程師們更多的負擔。與 Flow 同時運行的 AutoML 可以在沒有任何人為干預的情況下，自動「清除」用來訓練神經網路的和其他的機器學習演算法的數據，並做好測試準備。Mehanna 設想的未來版本甚至可以收集自己的數據。但更有趣的是，AutoML 使用人工智慧幫助開發人工智慧。

正如 Mehana 所說，Facebook 每個月訓練和測試約30 萬個機器學習模型。AutoML 可以使用這些測試結果來開發另一個機器學習模型，這個模型可以優化整個機器學習模型的開發流程。是的，這可能讓你感到困惑。Mehana 把它與《盜夢空間》相比，但它是行得通的。該系統可以自動選擇行得通的演算法和參數。「這幾乎可以在開發前就能預測到結果，」Mehana 如是說。

在 Facebook 的廣告團隊里，工程師們甚至還開發了叫做 ASIMO 的「自動機器學習工程師」，這個工具已經推廣到公司的其他部門。據 Facebook 表示，在有些情況下，它可以自動增強和改進現有模型，工程師可以把改進後的模型立即應用到網路里。Mehanna 說，「它還不足以發明一種新的人工智慧演算法，但沿著這條路一直走下去誰又知道會怎樣。」

這確實是一個很有趣的想法，一個讓科幻作家為之痴迷幾十年的想法：一個會自我建造的智能機器。其實 ASIMO 並沒那麼先進，但這確實是走向未來世界一大步。在未來，開發人工智慧的人裡面，不僅會有絕頂聰明的天才，還會有一些非人類的存在。

------------------------------------------------

請您繼續閱讀更多來自 機器之心 的精彩文章:

※Siri創始團隊打造屬於自己的人工智慧系統Viv
※機器人成精了！Facebook的人工智慧系統竟試圖擺脫人類？
※機器人也能「跑酷」，谷歌子公司DeepMind研發最新人工智慧系統
※可怕！Facebook的人工智慧系統嘗試擺脫人類了？
※智領未來，看Wireless X Labs 如何用5G為人工智慧機器人打造神經傳導系統
※人工智慧系統Robert能尋找系外行星的生命跡象
※Facebook創始人慾建造類似「賈維斯」的人工智慧系統，段子手小羅伯唐尼亂入
※雅特生科技推出可支持iHP智能型大功率電源系統的PowerPro 雲管理工具
※百度人工智慧實驗室發布語音合成系統Deep Voice
※FB人工智慧大腦：Big Sur硬體系統
※MobTop OS 雲架構系統：利用大數據能力幫助企業構建數字化管理
※DeepMind 創始人 Cell 評論：通用人工智需要怎樣的學習系統？
※Ori Systems的機器人傢具系統改造公寓生活
※Android之父：人工智慧是下一個重要操作系統
※使用 node+backbone搭建個人博客系統
※VMware workstation批量創建虛擬機和自動化安裝操作系統（一）
※寶吉特（Bridgetek）通過同時控制多系統 改變居家與建築自動化產業
※Facebook連夜關停人工智慧系統 AI真的已經突破人類認知了嗎？
※Oracle人力資源管理系統PeopleSoft未授權遠程代碼執行漏洞解析