說到人工智能，我們經(jīng)常都會連帶看到另一個詞“機器學習”，另外留心的網(wǎng)友近年來或許還關(guān)注到一個新詞“自動化機器學習技術(shù)（AutoML）”，那這個概念又是什么意思呢？本文將做一個簡要介紹。

人工智能的官方發(fā)源時間被定為1956年，即“人工智能”這個詞被正式提出的元年。作為試圖將人類的認知能力在計算機層面進行模仿，并輔助人類執(zhí)行一些較為復雜的任務(wù)的研究領(lǐng)域，人工智能研究主要分為了兩個流派，即根據(jù)人類已有知識在計算機中進行重構(gòu)的符號主義者和主張讓機器在經(jīng)驗世界中自己學習的機器學習流派。

由于人類世界的開放性很強，即便在一個相對固定的環(huán)境中也如此，同時也因為很多時候人們做出判斷的依據(jù)不太能夠清晰的總結(jié)為規(guī)則以供計算機執(zhí)行，所以符號主義流派逐漸衰落，而機器學習流派搶占了高地。對于機器學習自身內(nèi)部而言，主要又分為三個研究范式，即監(jiān)督、非監(jiān)督和半監(jiān)督學習任務(wù)。所謂監(jiān)督，其實很好理解，以老師教學場景為例，老師在課堂上就一個問題給出相應的答案，讓同學以這個標準答案為參考，學習相應的得到這個答案的方法。從這個例子可以看到，其實監(jiān)督學習的核心就是給學習的主體一個標準的答案，比如告訴機器說圖片A是一只貓，然后讓機器通過一系列數(shù)學方法來不斷試錯，目的是調(diào)整自己內(nèi)部的各種參數(shù)，使得能夠看到這個圖片A以后，經(jīng)過一系列計算能夠得出它是一只貓的結(jié)論。

相應的，非監(jiān)督學習就是指機器在學習的時候不給它標準答案，讓他根據(jù)一個人們設(shè)定的目標，在學習環(huán)境中自己尋找方法，不斷提升自己的性能；對于半監(jiān)督學習而言，就是結(jié)合了監(jiān)督學習與非監(jiān)督學習二者優(yōu)勢的一種研究范式。

那近來經(jīng)常看到的自動化機器學習又是什么呢，機器不就是在自動化的學習嗎？要理解這個還需對人工智能算法研究有一個簡單的概念。機器學習的技術(shù)非常復雜，機器學習的研發(fā)項目比傳統(tǒng)的開發(fā)項目復雜很多，一個簡單的項目，周期也要幾周到幾個月的時間，實際企業(yè)中的項目即便是有一個比較成熟的團隊，一般也要幾個月到半年、一年的時間這都很正常。機器學習項目的最大不確定性在于不知道多長時間后才能達到設(shè)定的目標，就是模型能夠真正可用。否則就無法實際商用，不能形成銷售收入。模型無法達到目標精度很大程度是因為算法很難對最后效果進行一個準確的預測，所以我們采用迭代式的改進方法，就是不斷的把開發(fā)過程重復，等最后模型做出來之后，分析模型結(jié)果，分析模型性能，然后進一步改進算法，在整個迭代過程中很多步驟都必須重新做，導致開發(fā)效率比較低。風險更高的是很多人工智能項目即便投入大量時間，投入大量人力之后還是會失敗。來自權(quán)威機構(gòu)Gartner的統(tǒng)計，60%的人工智能項目都以失敗告終。

據(jù)它的調(diào)查顯示，人工智能項目失敗有兩種原因：一方面，技術(shù)要求不達標，如很多人工智能項目中機器學習算法最后的準確度不夠好；另一方面，項目進展緩慢，部分項目實施時時間越來越長，但是進展不明顯，雖然有進展，但是距離項目目標很遠。可能是工程的原因，也可能是算法的原因。大部分企業(yè)對人工智能投入還是有限的，到一定程度還沒有進展，或者成本開銷過大，都會被叫停，最后導致項目失敗。項目失敗的事情，即便在有豐富經(jīng)驗的人工智能團隊的公司里，也會經(jīng)常發(fā)生，因為進展不夠快。

以上機器學習發(fā)展中遇到的問題，一個核心因素是人，而機器學習的工作又有大量的人工干預，如特征提取、模型選擇、參數(shù)調(diào)節(jié)等機器學習的各個方面。對此，自動化機器學習技術(shù)（AutoML）正好可以解決這些問題。讓機器學習重要步驟自動化，使它無需人工干預。ICM（International Conference on Machine Learning）國際機器學習大會給了機器學習一個定義：“progressive automation of machine learning”，這個定義非常廣泛，意思是任何能把現(xiàn)在機器學習的某一部分技術(shù)自動化都可以稱之為AutoML。因為很多技術(shù)和平臺符合這個定義，所以都宣稱是AutoML。

不過，一個好的AutoML技術(shù)要完成的目標目前在工業(yè)界還是形成了共識的，即在有限的人力參與和計算資源約束下，AutoML的目標是最大化模型的性能，設(shè)計出與人類科學家設(shè)計的模型性能相當，甚至更好的模型。

此項技術(shù)雖然還處在發(fā)展的早期，但已經(jīng)成為國際學術(shù)界、工業(yè)界研究的一個新重點，因為AutoML可以為企業(yè)節(jié)省大量成本，打造出性能非凡的人工智能系統(tǒng)。

國內(nèi)目前有一大批領(lǐng)先人工智能公司聯(lián)動學術(shù)界在該領(lǐng)域展開了研究，提出了不僅在學術(shù)界，而且同時已經(jīng)能商用化的重要算法模型。

以極有可能成為AI第一股的計算機視覺巨頭曠視為例。作為一家基于計算機視覺的人工智能物聯(lián)網(wǎng)公司，曠視需要將大量先進的算法植入各類硬件設(shè)備，使它們智能化。然而考慮到生活中很多設(shè)備無法具備強大的計算能力，因此需要將各種視覺理解算法小型化，即讓它們能夠在廣泛的物聯(lián)網(wǎng)場景下適用。

對此曠視在之前已經(jīng)開發(fā)了一系列經(jīng)典的輕量級模型（如ShuffleNet、DoreFa-Net），并且將其部署在了各類物聯(lián)網(wǎng)設(shè)備上，賦予了這些設(shè)備AI的力量。但隨著技術(shù)進一步發(fā)展，如何在那么多不同種類的設(shè)備上設(shè)計最優(yōu)的算法，如何進一步提升性能、降低計算成本就成了AIoT時代各家公司關(guān)注的重點。其中，曠視對此已經(jīng)做出了一系列研究，并已將成果應用于實際業(yè)務(wù)。

曠視于今年在各大AI學術(shù)頂級會議上連發(fā)三篇與AutoML相關(guān)的重要論文，針對的就是當前該領(lǐng)域最火熱的被稱為NAS（自動化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜）的技術(shù)。在該項技術(shù)的幫助下，神經(jīng)網(wǎng)絡(luò)能夠自己設(shè)計自己的結(jié)構(gòu)，實現(xiàn)性能、效率匹敵甚至超越人類科學家設(shè)計的網(wǎng)絡(luò)。

這些由曠視NAS技術(shù)推出的網(wǎng)絡(luò)目前已經(jīng)在手機等各類邊端小型設(shè)備上廣泛使用，同時也助力曠視在全球AI學術(shù)競賽上多次奪冠，它們的出現(xiàn)并非會讓人類失業(yè)，而是幫助人類拓寬思路，設(shè)計出更多造福社會的AI系統(tǒng)。

責任編輯：ct