编译 | Edison Ke、王艺
来源 | Futurism
作者 | Dom Galeon、Kristin Houser
2017 年 5 月，谷歌大脑研究人员宣布创建了 AutoML，该 AI 系统能够创造自己的 AI 系统。最近，他们决定让 AutoML 攻克迄今为止对它来说最大的挑战，令人惊讶的是，AutoML 创造了一个非常厉害的「后代」，它的表现甚至超过了所有人类设计的 AI 系统。
为了实现机器学习模型的设计自动化，谷歌研究者采用了增强学习的方法。AutoML 作为神经网络控制器，为一个特定任务开发子代 AI 网络。这个被研究人员称为 NASNet 的子代 AI 的任务是在视频中实时地识别物体，包括人、汽车、交通灯、手袋、背包等。
AutoML 会评估 NASNet 的性能，并利用这些信息来改进它的子代 AI，这个过程要重复数千次。研究人员在 ImageNet 图像分类和 COCO 对象检测数据集上对 NASNet 进行了测试，结果表明 NASNet 的表现优于所有其他计算机视觉系统。谷歌研究者将上两个数据集称为「计算机视觉领域中最受尊敬的两大学术数据集」。
研究人员表示，NASNet 在 ImageNet 的测试集上预测图像的准确率达到了 82.7%。这比之前公布的最佳结果高出 1.2%，而且系统的效率也提高了 4%，平均精度（mAP）为 43.1%。另外，对于移动平台上所需要的算力要求较低的 NASNet 版本，表现还是比同样规模的手机平台要好 3.1%。
机器学习让许多 AI 系统拥有了执行特定任务的能力。尽管它背后的理念解释起来相当简单——一个算法通过输入大量的数据来学习，但建造 AI 系统的过程还是需要花费大量的时间和精力。通过将制造精确、高效的 AI 系统的过程自动化，一个可以创建 AI 的 AI 将解决很多问题。AutoML 的终极意义是可以将机器学习和 AI 领域的大门向非 AI 专家开放。
具体到 NASNet 来说，由于社会潜在需求巨大，精确高效的计算机视觉算法是非常受欢迎的。正如一位研究人员所建议的那样，NASNet 可以被用来制造精密的、以 AI 赋能的机器人，或者帮助视力受损者恢复视力。NASNet 还可以帮助设计师改进自动驾驶汽车技术，提高车辆的安全性。因为自动驾驶车辆识别障碍物及危险越快，就能越快地对突发状况做出反应。
谷歌研究者坦言，NASNet 将被应用于各类应用程序，他们将 NASNet 开源，用户能够通过 NASNet 实现图像分类和对象检测。研究人员在谷歌博客中写道：「我们希望能够在这些模型上建立起更大的机器学习社区，以解决我们还没有想到的许多计算机视觉问题。」
虽然 NASNet 和 AutoML 的应用丰富多彩，但能够自己创建 AI 的 AI 确实引起了一些担忧。例如，如何阻止母代 AI 将无用的偏见传递给子代？万一 AutoML 创建系统速度过快，以至于社会无法跟上它的步伐怎么办？不难看出，在不久的将来，NASNet 可能会被配置自动监控系统，甚至这种监控系统的诞生要比相关法规的出台还要早。
值得庆幸的是，全球的领袖企业正迅速采取行动，以确保这些系统不会导致任何形式的反乌托邦式的未来。
亚马逊、Facebook、苹果以及其他几家公司都是「造福人类和社会的 AI 合作组织」（Partnership on AI to Benefit People and Society）的成员，该组织希望以领先的视角为 AI 的发展负责；电子和电子工程师协会（IEEE）已经提出了 AI 的道德标准；谷歌母公司 Alphabet 旗下的研究公司 DeepMind 最近也宣布成立了一个专注于 AI 的道德和伦理问题的小组。
公司层面之外，各国政府也在制定法规，防止 AI 被用于如制造自动武器等危险的目的。只要人类继续控制 AI 发展的总体方向，一个能够创建 AI 的 AI 所带来的好处会远远超过潜在隐患的威胁。
