据Inverse报导，今年5月份，谷歌宣告其人工智能（AI）研究获得重大进展，或许协助科幻小说中最耸人听闻的末日应验沦为现实。谷歌发售取名为自动机器学习（AutoML）的技术，在需要人类工程师的反对下，容许AI展开自我建构。从表面上看，这种技亚博集团术可能会让人实在AI发展再一步入奇点时刻，它正在丧失掌控。但实质上，谷歌于是以利用它将机器学习令人不可思议的力量交给普通人手中。从本质上谈，AutoML的策略就是利用神经网络设计其他神经网络，这并不想人深感新奇，因为促成程序为其他程序撰写代码正是机器学习的神秘所在。AutoML之所以让人感觉耳目一新，原因在于它让神经网络开始插手设计过程中。AutoML并非提炼早已不存在的非常简单模型，而是首先不会自由选择这些模型，然后再对它们展开提炼。在这种情况下，AutoML就演化成我们所盼望的全功能版机器学习。在有关这个项目的博文中，谷歌首席执行官桑达尔皮查伊（SundarPichai）回应：我们期望AutoML可以不具备今天少数博士享有的能力，对于成千上万的开发官网者来说，在3到5年内就能设计出有全新的神将网罗以符合他们的尤其市场需求。图：GoogleNet架构，设计这个网络必须对卷积结构的初始版本展开多年的慎重实验和完备所谓的神经网络是仿效人类大脑研发出有的计算机系统，还包括许多有所不同的计算出来层。一般来说情况下，如果我们想利用机器学习技术解决问题某个问题，人类专家必需获取启动神经网络，它可以按照相同规则继续执行解决问题所需的基本计算出来。

而AutoML则不会尝试许多有可能适合的算法，测试几乎有所不同的神经网络构架，然后将其与目标相匹配。需要人类监督，随着时间推移，这个过程就不会得出解决问题的最佳数学方案以及继续执行这个方案的最佳方式。最后的神经网络不一定要用于这些算法中的某个，而是可多次用于某个元素，前提是这样做到更为有效地。图：神经网络相比较从理论上谈，AutoML的方法应当需要设计出更高效的神经网络。它不仅可用作解决问题当前的非常简单问题，也可用作协助解决问题对人类来说不可思议的问题。下面我们就来想到谷歌如何利用AutoML的关键能力。假如对可观的图片数据库展开分类，AutoML能设计出与人类工程师相近但又额优的神经网络。这种设计令人深感愤慨的是，人类工程师们在仔细观察AutoML设计的神经网络时，并不知道自己设计的神经网络与AutoML的设计差异所在。由于他们自己没明确提出神经网络，为此他们最初几乎无法确认。图：左图中，人类尝试利用最差、最高效的神经网络解决问题特定图片数据库分类问题。右图，AutoML设计的神经网络享有额外的节点，谷歌称之为其类似于人官网类研究员最近明确提出的改良方案AutoML的目标并非是要将人类从研发过程中挤压过来，甚至也不是要研发全新的AI，而是要让AI之后以我们多年来早已习惯的速度转变这个世界。编码神经网络的挑战于是以沦为整个行业面对的妨碍，AutoML尝试为将来自学机器学习技术的人减少转入的门槛。虽然相比之下远超过当前技术的简单水平，但AutoML仍然是完全相同极端民主化过程的开始，我们早已在长时间编码中多次看见这个过程。HTML享有Dreamweaver，通过在AutoML模具中运营一整套AI建构AI程序，机器学习有可能迅速就能构建类似于水平的便利操作者。为此，短期内AutoML有可能还无法设计出有更佳的AI，尽管其最后认同能构建这个目标。可是AutoML需要为于是以显得恐惧的人才关上一个行业。AutoML没谷歌顶级工程师的理论和数学才华，但普通人也无法让谷歌的顶级工程师来临死前解决问题他们的问题。有了AutoML，谷歌正在建构普通人可以掌控的AI工程师。