Google的AutoML項目旨在讓人工智能自主建立其他人工智能，現在已經開發了一個計算機視覺系統，遠遠超過了最先進的模型。該項目可以改善自動駕駛和下一代人工智能機器人“看到”的方式。

AI可以自己“孕育”AI

2017年5月，Google Brain的研究人員宣布創建AutoML--一種能夠讓AI生成AI的人工智能。 最近，他們決定向AutoML提出迄今為止最大的挑戰，使得AI可以自己“孕育”AI，創建了一個超過所有人類智慧的“孩子”。

Google的研究人員使用一種稱為強化學習的方法來自動設計機器學習模型。 AutoML充當一個神經網絡控制器，為特定任務開發一個子AI網絡。 對于研究人員稱為NASNet的這個特殊的兒童AI來說，這個任務是實時地在視頻中識別物體：人，汽車，交通信號燈，手袋，背包等等。

AutoML將評估NASNet的性能，并使用這些信息來改善其子AI，重復這個過程數千次。 在Google研究人員稱為“計算機視覺領域最受尊敬的兩個大型學術數據集”的ImageNet圖像分類和COCO目標檢測數據集上進行測試時，NASNet勝過了所有其他計算機視覺系統。

據研究人員介紹，NASNet在預測ImageNet驗證集上的圖像時準確率為82.7％。 這比以前公布的結果好1.2％，系統效率也提高了4％，平均精確度（mAP）平均為43.1％。另外，對NASNet的計算要求較低的版本比類似尺寸最佳的移動平臺版本高3.1％。

未來的應用

機器學習是許多AI系統執行特定任務的能力。 雖然背后的概念相當簡單 - 一個算法通過提供大量數據來學習 - 這個過程需要花費大量的時間和精力。 通過自動化創建準確，高效的AI系統的過程，一個可以建立AI的AI首當其沖。 最終，這意味著AutoML可以向非專家開放機器學習和AI的領域。

NASNet由于潛在的應用數量的限制，高度精確，高效的計算機視覺算法受到追捧。正如一位研究人員所建議的，它們可以用來創建復雜的，由人工智能驅動的機器人，或者幫助視力受損的人恢復視力。 他們還可以幫助設計人員改進自駕車技術。 自主車輛能夠識別路徑上的物體的速度越快，其對它們作出反應的速度就越快，從而增加了這種車輛的安全性。

Google的研究人員承認NASNet可以被廣泛的應用證明是有用的，并且已經采用開源來進行圖像分類和目標檢測的推斷。 他們在他們的博客文章中寫道：“我們希望更大的機器學習社區能夠建立在這些模型上，以解決我們還沒有想到的大量計算機視覺問題。

（圖片來源：Google Research）

盡管NASNet和AutoML的應用程序非常豐富，但是創建一個可以構建AI的AI卻引起了一些關注。 例如，怎樣防止父母將不想要的偏見傳遞給孩子？ 如果AutoML創建系統如此之快以至于社會無法跟上呢？ 在不久的將來，如何將NASNet應用于自動化監控系統并不是一件很困難的事情，也許很快就會制定相關法規來控制這些系統。

值得慶幸的是，世界各國領導人正在努力確保這樣的系統不會導致任何反烏托邦式的未來。

亞馬遜，Facebook，蘋果和其他幾個人都是AI造福人類社會的合作伙伴關系的成員，這個組織專注于人工智能朝負責任的方向發展。電氣和電子工程師協會（IEE）已經提出了AI的道德標準，而谷歌母公司Alphabet所擁有的研究公司DeepMind最近宣布成立一個專注于AI道德和倫理影響的小組。

各國政府也在制定法規來防止將人工智能用于危險目的，如自主武器，只要人類保持對人工智能發展總體方向的控制，擁有可以建立人工智能的人工智能的好處遠遠超過任何潛在的陷阱。