“僅需幾行代碼就能構建一個回歸模型?！背绦騿T認可谷歌AutoML的工作表現，認為AutoML設計的模型和機器學習專家設計的不相上下。日前，谷歌工程師分別在中國和硅谷重點推介谷歌AutoML項目。
不明就里的疑惑緊跟著紛至沓來——AI又進化了？！已經會自開發(fā)了？能操控自己的進化了？是要擺脫人類嗎？
進化分幾步
AI確實進化了，它能做的事情越來越多，成績斐然。它的背后是AI實現路徑的“三級跳”——
國家超級計算濟南中心大數據研發(fā)部研究員趙志剛說：“起初我們用數學公式和‘if……then’等語句告訴計算機第一步做什么、第二步做什么，手把手地教，后來給機器n組輸入和輸出，中間的規(guī)則或規(guī)律由它自己學會?！?/p>
“之前，很多聰明的頭腦花一輩子時間研究：如何抽取有效的特征。”專注于智能導購對話機器人的智能一點公司CTO莫瑜解釋道，“神經網絡算法的發(fā)明、深度學習技術的出現，使得AI進化到2.0，抽取特征的工作由AI自己進行，我們的工作也隨之發(fā)生了變化?！?/p>
用數學函數的模式很容易解釋“1.0”到“2.0”的轉變：如果把識別圖像、語義理解、下棋等任務的達成都看成是不同的Y=f（X），即輸入的“貓”的圖片、聲音或棋招是“X”，輸出的“貓”、回答、棋高一招是“Y”。深度學習之前，人通過自己的分析尋找函數f對應的公式，告訴給AI。而深度學習之后，人輸入大量的X與Y的對應，AI自己發(fā)現函數f對應的公式。
“AI找到的函數f的具體內容，可能比人找到的更好，但是人類并不知道，就像一個黑匣子?！蹦ふf，“但是f的形式是AI研究員通過研究設計出來的，如果使用深度神經網絡，網絡中的模塊以及模塊之間的組織方式也是提前設計的?！?/p>
隨著深度學習技術的成熟和普遍化，模型構建出現了特定可追尋的經驗?！案鞣N共性神經網絡的發(fā)布，使得從業(yè)門檻越來越低。一些普通的模型構建與優(yōu)化，剛畢業(yè)的學生在網上學學教程就能上手?！壁w志剛說。
當構建模型成為可習得的技能，AutoML就出現了。它能做的正是AI研究員的模型設計工作?！皩椭煌窘?a href="http://m.ygpos.cn/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD_1.html" target="_blank" class="keylink">人工智能系統(tǒng)，即使他們沒有廣泛的專業(yè)知識。”谷歌工程師這樣推介。AI成功進化到3.0。
事實上，AutoML替代的仍舊是人類能夠提煉出經驗的工作?！叭绻f之前人描繪一套尋找函數f的‘路網’，在深度學習的技術輔助下，機器能最快找到優(yōu)化路徑；那么AI現在可以自己設計路網了。”趙志剛言簡意賅。
可以看出，不論是深度學習、還是AutoML，都只替代人類的一部分群體已經鉆研透了的工作。“機器能做的事情，盡量不要手工勞動”，這是很多程序員的人生信條，這個信條催生了AutoML。本著同樣的信條，微軟開發(fā)了DeepCoder?！八梢杂脕砩蓾M足給定輸入輸出的程序?！蹦ふf，但它的表現目前還不盡如人意，只能編寫一些簡單的程序。
誰是“上帝”
答案毫無疑問，人類。
既然AI在進化中走向了更高一階的模型設計，那么“上帝之手”又發(fā)生了哪些變化呢？
“煉丹”，莫瑜用兩個字形象地說起自己的工作，“智能一點是專業(yè)做智能客服的，研發(fā)人員的工作主要集中于問題建模（如何將實際問題轉化為人工智能技術解決的問題）和算法優(yōu)化（如何提升人工智能算法的效果）?！?/p>
“煉”意味著不斷地調試和完善?！搬槍μ囟ǖ娜耍酵镀庠胶?，回答越精準越好?！蹦ふf，“我們的X是客戶的問話，Y是機器人客服的回復，中間的函數f需要訓練?！?/p>
這是個不容易的任務。如果把人類社會的經驗分為3類：有公式的確定規(guī)則、可言傳的知識、只可意會不可言傳的感覺。最后一類最難琢磨。
“因此，我們想辦法構建完善的閉環(huán)反饋，了解特定用戶的喜好，通過情感、趣味的表達，最終做到投其所好?！蹦ふf，“目前處于人機協同的工作階段，但是越來越多樣本的獲取，將幫助我們的智能客服給出精準的、討喜的回答。”
可見，并不是所有領域都適合交給AI自開發(fā)去做，比如問題建模方面，如何將實際問題抽象轉換為機器學習問題，AI還無法自主完成。在AI2.0階段，研發(fā)人員還需要人工設計函數f的形式。
那么，AutoML普及的未來會是什么樣？
“人類被從低一級的工作中解放出來?！壁w志剛說，“如果模型設計可以由AI來做，那么AI研究員將更多地探尋構成模型的基礎模塊的設計?！?/p> 12下一頁>
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
