谷歌的AI造了一個AI，超過了人造的AI

谷歌推出的AutoML（自動機器學習）旨在訓練人工智慧自主創建其他人工智慧系統，研發出的計算機視覺系統遠遠領先於其他最先進的模型智能系統。此外，該計劃還可用於自動駕駛汽車和下一代人工智慧機器人，優化其的視覺能力。

AI「孕育」AI

2017年5月，谷歌大腦的研究人員正式推出AutoML——可自主研製AI（人工智慧）的AI。近日，研究人員決定讓AutoML迎接迄今為止最大的挑戰，由AI自主「孕育」的「子」AI，完勝人造AI。

藉助強化學習，谷歌研究員研發了機器學習模型。作為控制器神經網路，AutoML可創造子AI網路完成特定任務。研究員將這一獨特的子AI網路命名為「NASNet」。

圖：NASNet架構由兩種類型的層組成：正常層（左側）和縮小層（右側）。這兩個層都是由AutoML設計的。

現在，它們需完成以下任務：實時識別錄像中的人物、車輛、交通信號燈、手提包和背包等物體。

AutoML將評估NASNet的性能，藉助相關信息優化子AI，該訓練過程需重複數千次。谷歌研究員稱，ImageNet圖像分類和COCO物體檢測數據集為「計算機視覺領域公認的兩大深度學習數據集」。基於這兩大數據集上進行測試時，NASNet的表現完勝所有其他視覺系統。

研究人員表示，預測ImageNet驗證集上的圖像準確率時，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過先前公布的最高紀錄1.2％，系統效率也提高了4％，此外，計算水平上，精確度較低的NASNet也要比尺寸相近的最高配移動平台高出3.1％。

放眼未來

機器學習賦予了多數AI系統執行特定任務的能力。基本原理雖然很簡單——即利用大量數據訓練演算法——但這一過程需花費大量時間和精力。而AutoML的出現讓所有難題迎刃而解，人工智慧可自主創建準確高效的AI系統。由此可見，AutoML將為外行人打開機器學習和人工智慧領域的大門。

NASNet十分青睞計算機視覺演算法。因為它準確、高效，且應用潛能巨大。有研究人員表示：該演算法可用於創造先進的人工智慧機器人，或幫助患者恢復視力。此外，還能幫助設計師優化自動駕駛技術。增強識別道路障礙物的能力可提升車輛的反應速度，自動駕駛汽車的安全性也相應提高。

谷歌研究人員意識到NASNet的應用領域廣泛，已利用人工智慧開發開源系統，使其進行圖像分類和探測物體。「我們希望基於這些模型，建立更大規模的機器學習系統，以解決未來可能會出現的大量計算機視覺難題，」他們在博文中如是說道。

儘管NASNet和AutoML的應用範圍廣闊，可自主製造人工智慧的人工智慧的誕生，還是引起了人們的擔憂。如何防止家長將消極的偏見傳遞給孩子？如果AutoML創造系統的速度過快，無法適應社會怎麼辦？也許不久的將來， NASNet就應用於自動化監控系統，不久後或許還會頒布管控系統的法規。

幸運的是，世界各國正儘快避免該系統對未來社會造成負面影響。

Amazon、Facebook、Apple及其他公司組建了一個名為「造福人民和社會夥伴關係的AI聯盟」，該聯盟致力於確保人工智慧向有益於人類的方向發展。電氣和電子工程師協會（IEE）為人工智慧制定了道德標準。近期，谷歌母公司Alphabet 旗下的研究公司DeepMind宣布成立了專註於人工智慧道德倫理影響的研究小組。

各國政府也陸續出台法規，防止人工智慧被用於製造自動化武器威脅人類。只要能掌握好人工智慧發展的大方向，可「孕育」子人工智慧的利將遠大於弊。

<來源：FUTURISM；編譯：科技行者>

【谷歌NASNet論文獲取方式：關注科技行者公眾號（itechwalker），並打開對話界面，回復關鍵字「造AI」，即可獲得下載地址】