AutoML | 谷歌 AI，用 AI 寫 AI

01-24

簡評：昨天 DeepMind 發布了其最新成果 AlphaGo Zero，直接採用自對弈進行訓練。Zero 僅用了 40 天就秒殺了以往所有 AlphaGo 版本，學習速度令人咋舌。於此同時，谷歌用於降低機器學習門檻的新技術 AutoML，也首次成功完成自我複製，機器學習發展速度比我想像的快得多！

Google 的機器學習人工智慧軟體已經成功完成第一次自我複製。

該項目在 5 月份公布，旨在降低機器學習的門檻。AutoML 日前已幫助 AI 自動創造出比人類工程師的設計更複雜更高效的機器學習軟體和演算法。在一項關於自助機器人和增強現實的重要任務中，AutoML AI 創建的系統得分（43%）高於人類工程師設計的系統（39%）。

Google 在 5 月份公布了 AutoML（學習樹圖）- 一個旨在幫助公司創建其他 AI 的 AI。現在，AutoML 通過構建機器學習軟體而超越了人類工程師，該軟體比最先進的人類設計系統更為高效和強大

AI 系統依賴於神經網路，其嘗試模擬大腦工作的方式進行學習。這些神經網路可以進行培訓，以識別信息中的模式，包括語音、文本或者視覺圖像。它們通過使用數字世界的輸入來學習，比如 Google 的語言翻譯服務，Facebook 的面部識別軟體或是 Snapchat 的圖像過濾等。

然而，這個數據的輸入可能非常耗時，並且僅限於一種類型的知識，比如之前擊敗李世乭的 AlphaGo 就輸入了大量棋譜進行學習。而 Google 建立的這個系統，可以有效地自動化學習過程，這將徹底改變複雜的 AI 發展。

那麼，它將產生什麼樣的神經網路，舉一個例子：經過訓練後可以預測 Penn Treebank 數據集上下一個單詞的神經網路，這是人類設計和 AutoML AI 設計的對比：

左邊是人類專家設計的神經網路，右邊是由 AutoML AI 創建的體系結構

機器選擇的架構確實與人類設計共享一些共同特徵。

下一步的目標是令機器可以脫離人機輸入進行自我複製。

未來，Google 將對這些機器生成的架構進行仔細的分析和測試，以幫助我們更好地理解這些架構。如果成功，我們認為這可以啟發新型的神經網路，使非專家也能根據自己的特定需求創建神經網路，從而使機器學習對每個人都有更大的影響。

參考鏈接：

Using Machine Learning to Explore Neural Network Architecture
Google"s machine learning AI learns to replicate itself

推薦閱讀：機器學習領域值得關注的 10 位 Quora 大咖