谷歌AutoML系统自动开发出计算机视觉模型，远超

Google的AutoML项目旨在让人工智能自主建立其他人工智能，现在已经开发了一个计算机视觉系统，远远超过了最先进的模型。该项目可以改善自动驾驶和下一代人工智能机器人“看到”的方式。

AI可以自己“孕育”AI

2017年5月，Google Brain的研究人员宣布创建AutoML--一种能够让AI生成AI的人工智能。 最近，他们决定向AutoML提出迄今为止最大的挑战，使得AI可以自己“孕育”AI，创建了一个超过所有人类智慧的“孩子”。

Google的研究人员使用一种称为强化学习的方法来自动设计机器学习模型。 AutoML充当一个神经网络控制器，为特定任务开发一个子AI网络。 对于研究人员称为NASNet的这个特殊的儿童AI来说，这个任务是实时地在视频中识别物体：人，汽车，交通信号灯，手袋，背包等等。

AutoML将评估NASNet的性能，并使用这些信息来改善其子AI，重复这个过程数千次。 在Google研究人员称为“计算机视觉领域最受尊敬的两个大型学术数据集”的ImageNet图像分类和COCO目标检测数据集上进行测试时，NASNet胜过了所有其他计算机视觉系统。

据研究人员介绍，NASNet在预测ImageNet验证集上的图像时准确率为82.7％。 这比以前公布的结果好1.2％，系统效率也提高了4％，平均精确度（mAP）平均为43.1％。另外，对NASNet的计算要求较低的版本比类似尺寸最佳的移动平台版本高3.1％。

未来的应用

机器学习是许多AI系统执行特定任务的能力。 虽然背后的概念相当简单 - 一个算法通过提供大量数据来学习 - 这个过程需要花费大量的时间和精力。 通过自动化创建准确，高效的AI系统的过程，一个可以建立AI的AI首当其冲。 最终，这意味着AutoML可以向非专家开放机器学习和AI的领域。

NASNet由于潜在的应用数量的限制，高度精确，高效的计算机视觉算法受到追捧。正如一位研究人员所建议的，它们可以用来创建复杂的，由人工智能驱动的机器人，或者帮助视力受损的人恢复视力。 他们还可以帮助设计人员改进自驾车技术。 自主车辆能够识别路径上的物体的速度越快，其对它们作出反应的速度就越快，从而增加了这种车辆的安全性。

Google的研究人员承认NASNet可以被广泛的应用证明是有用的，并且已经采用开源来进行图像分类和目标检测的推断。 他们在他们的博客文章中写道：“我们希望更大的机器学习社区能够建立在这些模型上，以解决我们还没有想到的大量计算机视觉问题。

（图片来源：Google Research）

尽管NASNet和AutoML的应用程序非常丰富，但是创建一个可以构建AI的AI却引起了一些关注。 例如，怎样防止父母将不想要的偏见传递给孩子？ 如果AutoML创建系统如此之快以至于社会无法跟上呢？ 在不久的将来，如何将NASNet应用于自动化监控系统并不是一件很困难的事情，也许很快就会制定相关法规来控制这些系统。

值得庆幸的是，世界各国领导人正在努力确保这样的系统不会导致任何反乌托邦式的未来。

亚马逊，Facebook，苹果和其他几个人都是AI造福人类社会的合作伙伴关系的成员，这个组织专注于人工智能朝负责任的方向发展。电气和电子工程师协会（IEE）已经提出了AI的道德标准，而谷歌母公司Alphabet所拥有的研究公司DeepMind最近宣布成立一个专注于AI道德和伦理影响的小组。

各国政府也在制定法规来防止将人工智能用于危险目的，如自主武器，只要人类保持对人工智能发展总体方向的控制，拥有可以建立人工智能的人工智能的好处远远超过任何潜在的陷阱。