AutoML將深度學習最難一環自動化，AGI技術基礎已開始鋪設

新智元編譯

談到實現技術奇點，幾乎肯定會涉及 AI 能夠提高自身能力的問題。谷歌現在創建了可以構建 AI 的 AI，沿著這個方向又邁進了一小步。

谷歌首席執行官 Sundar Pichai 在面向 app 程序員和硬體製造商舉辦的年度 I / O 開發者大會上發布了一個名為 AutoML 的項目，它可以自動化設計深度學習軟體最難的部分之一：為神經網路選擇正確的架構。

這些人工神經網路被設計成為模仿大腦的學習方式。「它的工作方式是，我們採用一組候選神經網路，將它們看作是 baby 神經網路，然後用一個神經網路來遍歷它們，直到我們找到最好的神經網路。」Pichai 解釋說。

把貓換成神經網路，你就明白 AutoML 是做什麼的了

谷歌的研究人員創建了一個使用強化學習的機器學習系統——試錯法本身就是谷歌許多最著名的 AI 應用的核心理念——以找出完成語言和圖像識別任務的最佳架構。

在這個稱為強化學習的過程中，計算機可以將嘗試和錯誤與某種獎勵聯繫起來，就像教狗新的把戲一樣。

這需要大量的計算能力，但 Google 的硬體正在進入到可以支撐一個神經網路分析另一個神經網路的階段。

科學家和工程師的專家團隊通常需要花費大量的時間來組合神經網路，現在有了AutoML，幾乎任何人都能夠構建 AI 系統來處理任何他們想做的任務。

一個神經網路選擇其他神經網路

Pichai 在一篇博文中寫道：「我們希望 AutoML 的能力能抵上現在幾個博士之和，並且可以在三到五年的時間內為成千上萬的開發人員設計出新的神經網路以滿足他們的特殊需求。」

機器學習——使計算機根據樣本數據做出自己的決策——是開發人工智慧的一種方法，它涉及到兩個主要步驟：訓練和推理。

訓練過程要求一台計算機看成千上萬的貓狗照片，以了解每種動物呈現出怎樣的像素組合。隨後的推理過程是系統根據其學到的東西作出猜測。

用神經網路替換貓和狗，你就明白 AutoML 的工作是什麼了。現在它要做的不是識別動物，而是識別出哪些系統是最聰明的。

自動化構建機器學習系統的過程可以幫助克服人機學習和數據科學人才的短缺

根據 Google 的研究，AutoML 在找到解決問題的最佳方法方面比人類專家更聰明。這可能會為未來 AI 系統的構建節省大量工作，因為它們可以進行部分程度的自我構建了。

就如 Google 科學家 QuocLe 和 Barret Zoph 所說：「我們認為這可以激發新型神經網路，並且使非專家可以根據自己的特定需求創建神經網路，從而使得機器學習增加對人們的影響力。」

AutoML 的選擇結果不僅可以與最佳的人性化設計架構相抗衡，而且系統做出了一些非常規的選擇，研究人員以前會認為類似選擇不適合這些任務。

相關研究人員對 MIT Tech Review 表示，這種方法還有很長的路要走，因為它捆綁了 800 個強大的圖形處理器。不過谷歌認為，自動化構建機器學習系統的過程可以幫助克服人機學習和數據科學人才的短缺，這兩點拖慢了新技術的應用進程。

AutoML 並不是唯一的一個。據 Wired 報道，Facebook 的工程師們也已經開發了稱為「自動化機器學習工程師」的工具。它的名字也叫AutoML，能夠就最有可能解決問題的演算法和參數做出選擇。

去年夏天，一個稱為 AutoML challenge 的挑戰任務（資助者包括微軟、英偉達等）讓很多團隊開始構建一種機器學習「黑匣子」，能自行選擇模型和調整參數，而無須人為干預。挑戰任務甚至吸引了遊戲設計師的參與，遊戲 Space Engineers 的開發團隊利用部分遊戲收入組建了一個專家團隊來設計可以優化自己軟硬體的 AI 。

AI 在讓自己變得更聰明的過程中，變得更聰明

雖然此類自動化可以使非專家更容易設計和部署 AI 系統，但它似乎也為機器控制自己的命運奠定了基礎。

「遞歸的自我完善」概念是大多數從中等智能快速躍升至 AI 超級智能理論的核心。其核心理念在於，隨著 AI 越來越強大，它可以開始自我調整，以提高其能力。AI 在讓自己變得更聰明的過程中，變得更聰明，這很快就導致了智能化的指數增長。

一般來說，所謂的「種子AI」被設想為通用人工智慧（AGI），它是一種能夠執行任何智力任務的機器，就像人類一樣，而不是像今天的大部分演算法一般，只是某一個特定領域的專家。

今天的系統離 AGI 還有很長的距離，它們的目的是開發和改進其他機器學習系統，而非自身。在機器學習之外，代碼的自我調整已經存在了一段時間，但是部署這種技術來編輯神經網路可能要複雜得多。

但是，創造能夠處理機器學習代碼的演算法顯然是邁向未來學家設想的自我改進AI 的第一步。

最近的其他一些技術進展可能也會推動這一方向的發展。許多 AI 研究人員正在努力將好奇心和創造力編碼到機器學習系統中（如新智元端午節為大家介紹過的文章《UC 伯克利為 AI 植入好奇心》），這兩個特徵可能對一台重新自我設計以提升性能的機器來說是必需的。還有一些研究人員正在嘗試讓機器人分享他們所學到的東西，有效地將它們變成一種「蜂巢思想」。這類研究此前新智元也有過報道，如【Science】機器人從單一演示中學習並相互傳授技能，AI邁出統治世界第一步？

毫無疑問，這些能力想要達到可以有效地實現能夠自我改進的 AI ，還有很長的路要走，但我們確實已經可以看到一些相關的技術基礎正在鋪設之中。

原文地址：https://singularityhub.com/2017/05/31/googles-ai-building-ai-is-a-step-toward-self-improving-ai/

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！