早在5月份，Google透漏了其AutoML工程，一個旨在用人工智能(AI)自行設計人工智能的開發(fā)項目。
現(xiàn)在，Google宣布， AutoML在機器學習領域第一次擊敗了人類工程師。它制造出了比現(xiàn)今人類最好的機器學習程序更高效強大的軟件系統(tǒng)。
一個基于AutoML的系統(tǒng)最近打破了圖像分類學習的記錄，成功率為82％。
雖然這只是一項相對簡單的任務，但AutoML還在一項更復雜的任務中與人類AI工程師競賽勝出。它成功開發(fā)出一項對自動化機器人和虛擬現(xiàn)實技術來說不可或缺的技能：標記圖像中多個對象的位置。
AutoML開發(fā)的系統(tǒng)得分43%，人類工程師開發(fā)的系統(tǒng)得分39%。
這些結果意義深遠，因為即使在Google，也只有位數(shù)不多的人擁有構建下一代AI系統(tǒng)所需的專業(yè)知識。它需要越來越多的功能來實現(xiàn)這一領域的自動化，目標一旦實現(xiàn)，將會改變整個人工智能行業(yè)的未來。
“今天，只有少數(shù)機器學習領域的專家能親手打造這樣的系統(tǒng)，就算放寬限制，全球有能力參與研發(fā)人工智能的科學家也不過一千多人?！惫雀鐲EO Sundar Pichai說，“我們希望使成千上萬的開發(fā)人員都能擁有自己的人工智能設備?！薄哆B線》(WIRED)記者報道。
大多數(shù)元學習系統(tǒng)模仿人類的神經(jīng)網(wǎng)絡結構，工程師將海量的數(shù)據(jù)喂給這些網(wǎng)絡。這一過程沒有什么莫測高深之處。
credit:123RF
相反的，這是一項機械和重復的工作，非常適合由機器來完成。困難的部分是模擬大腦結構，提升精度適應于更復雜的問題。
調(diào)整現(xiàn)有系統(tǒng)以滿足新需求比從頭開始設計神經(jīng)網(wǎng)絡還容易一些。然而，這項研究似乎表明這是一個暫時狀態(tài)。
隨著人工智能越來越容易地設計出復雜度更高的新系統(tǒng)，人類作為守門員的角色越來越重要。人工智能系統(tǒng)不會像人類一樣因為大意而失誤，也不會產(chǎn)生先入為主的偏見，例如將種族和性別身份與負面的刻板印象相結合。
如果人類工程師投入更少的時間到對他們而言已經(jīng)不是不可或缺的制造人工智能的工作中，他們將有更多的時間專注于監(jiān)督和改進系統(tǒng)。
Google正在進一步打磨AutoML，直到它能夠更好地用于實際應用。如果他們成功，AutoML可能會帶來的深刻影響，不會局限在Google公司的圍墻內(nèi)。
本文譯自 sciencealert，由譯者 majer 基于創(chuàng)作共用協(xié)議(BY-NC)發(fā)布。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
