谷歌AutoML是一個基于谷歌在圖像識別領(lǐng)域的最新研究成果——神經(jīng)架構(gòu)搜索(Neural Architecture Search，NAS )開發(fā)而成的機器學(xué)習(xí)云軟件工具包。NAS作為算法，面對給定的特定數(shù)據(jù)集，它會搜索最合適的神經(jīng)網(wǎng)絡(luò)來對該數(shù)據(jù)集執(zhí)行特定任務(wù)。

AutoML是一套實現(xiàn)機器學(xué)習(xí)的工具，可以輕松地訓(xùn)練高性能的深層網(wǎng)絡(luò)，而不需要用戶掌握任何深層學(xué)習(xí)或人工智能知識，你要做的所有事只是給數(shù)據(jù)貼上標(biāo)簽。Google將使用NAS為你的特定數(shù)據(jù)集和任務(wù)找到最佳神經(jīng)網(wǎng)絡(luò)，這種方法比人類手動設(shè)計神經(jīng)網(wǎng)絡(luò)表現(xiàn)的更加出色。

它具有可以提供個性化的機器學(xué)習(xí)模型，用戶需要做的就是提供你需要訓(xùn)練的數(shù)據(jù)。在圖形化的界面下整個流程十分容易上手，完全改變了過去復(fù)雜的研究過程。同時所有的機器學(xué)習(xí)技術(shù)都是最先進(jìn)的，你可以在這里用最棒的技術(shù)訓(xùn)練出先進(jìn)的算法。

AutoML完全改變了整個機器學(xué)習(xí)的游戲規(guī)則，面對許多應(yīng)用程序APP，不再需要專門的技能和知識。許多公司只需要選擇合適的深度網(wǎng)絡(luò)來完成更簡單的任務(wù)，例如圖像分類、語音識別和文本處理。屆時他們不再需要雇傭5個機器學(xué)習(xí)博士，而只要雇傭一個能夠操作鼠標(biāo)和組織數(shù)據(jù)的人。

目前只有很少的一部分企業(yè)擁有研究和部署機器學(xué)習(xí)和人工智能業(yè)務(wù)的能力。只有很有限的一部分人能夠創(chuàng)造先進(jìn)的機器學(xué)習(xí)模型。即使是一家已經(jīng)開始涉足人工智能的公司，依舊需要大量的努力來建立時間緊迫過程復(fù)雜的定制化機器學(xué)習(xí)需求。雖然市面上有很多包含預(yù)處理模型的API提供，但將AI帶給每一個人還有很長的路要走。

但AutoML彌補了人工智能在應(yīng)用上的不足和技術(shù)的限制，并使更多的企業(yè)更好的利用AI并從中受益。它可以幫助經(jīng)驗有限的公司利用自己的數(shù)據(jù)來通過最為先進(jìn)的機器學(xué)習(xí)技術(shù)來建立定制化的模型。這一技術(shù)不僅可以提高機器學(xué)習(xí)專家的生產(chǎn)力，更幫助缺乏經(jīng)驗的工程師們構(gòu)建出他們夢想中的強大AI系統(tǒng)。

毫無疑問，企業(yè)使用“人工智能”的方式將會發(fā)生巨大轉(zhuǎn)變。但究竟是如何變化的呢？這種變化對誰有利？那些深度機器學(xué)習(xí)領(lǐng)域的人會怎樣呢？這篇文章將詳細(xì)分析Google的AutoML以及軟件2.0帶來的變化，對機器學(xué)習(xí)領(lǐng)域的企業(yè)和開發(fā)人員意味著什么。

AutoML發(fā)展越快，企業(yè)要投入的研發(fā)越少

人工智能領(lǐng)域的許多企業(yè)，尤其是初創(chuàng)企業(yè)，在深度學(xué)習(xí)的背景下，都在做相對簡單的事情。這些企業(yè)大部分的成果價值來自于它們最終組合出來的產(chǎn)品。例如，大多數(shù)計算機視覺初創(chuàng)公司都在使用某種圖像分類網(wǎng)絡(luò)，這實際上將是AutoML在該工具包中的第一個入門工具。事實上，作為當(dāng)前最先進(jìn)的圖像分類網(wǎng)絡(luò)，Google的NASNet已經(jīng)在TensorFlow中公開了代碼。現(xiàn)在，企業(yè)可以跳過產(chǎn)品開發(fā)流程中的復(fù)雜的實驗研究步驟，只需把學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移過來去完成他們設(shè)定的目標(biāo)任務(wù)即可。由于實驗研究減少，因此可以將更多的業(yè)務(wù)資源用于產(chǎn)品設(shè)計、開發(fā)和重要的數(shù)據(jù)處理。

說到這里，下面就要嘮一嘮產(chǎn)品。

產(chǎn)品體驗變得更加重要

由于更多的時間花在產(chǎn)品設(shè)計和開發(fā)上，公司將會加快產(chǎn)品更新?lián)Q代的速度。公司的主要價值將會更多的體現(xiàn)在他們的產(chǎn)品或技術(shù)有多好用方面。產(chǎn)品設(shè)計得夠好嗎？使用夠方便嗎？數(shù)據(jù)流程的設(shè)置方式是否能夠快速輕松地改進(jìn)模型？這些新的問題將是公司優(yōu)化其產(chǎn)品并能夠比競爭對手更快的更新產(chǎn)品的關(guān)鍵所在。尖端研究也將不再是提高技術(shù)性能的主要驅(qū)動力。主要的驅(qū)動力變成了數(shù)據(jù)和資源。數(shù)據(jù)和資源變得至關(guān)重要

如果研究變成公司中不那么重要的一部分，那么一個公司要如何脫穎而出呢？如何在競爭中鶴立雞群呢？當(dāng)然，銷售、市場營銷以及我們剛才討論的產(chǎn)品設(shè)計都非常重要，但是，這些深度學(xué)習(xí)技術(shù)表現(xiàn)的巨大驅(qū)動因素是數(shù)據(jù)和資源。擁有的針對任務(wù)的數(shù)據(jù)越干凈、越多樣化 (兼顧質(zhì)量和數(shù)量)，就越能使用諸如AutoML等軟件工具來改進(jìn)模型。這意味著獲取和處理數(shù)據(jù)需要大量資源。所有這些都部分地表明了我們正在脫離編寫大量代碼的繁雜生活。

軟件2.0 : 深度學(xué)習(xí)成為大多數(shù)人工具箱中的另一個工具

使用谷歌AutoML，你要做的就是上傳已經(jīng)標(biāo)簽好的數(shù)據(jù)，這樣就萬事俱備了！對于那些對這個領(lǐng)域理解不深需求也不深的人來說，他們只是想借用這種技術(shù)的杠桿力量，來撬動更大的成果。深度學(xué)習(xí)的應(yīng)用APP變得更容易獲得。在工具包中使用更少的編碼，就可獲取更多的使用工具。事實上，對大多數(shù)人來說，深度學(xué)習(xí)只是工具箱中的另一個常規(guī)工具罷了。Andrej Karpathy在sofeware 2.0上寫了一篇很棒的文章，講述了辛苦的碼農(nóng)如何從編寫大量代碼轉(zhuǎn)向更多的進(jìn)行產(chǎn)品設(shè)計和使用工具的，然后讓AI完成其余的工作。

但是，這一切還需要創(chuàng)新科學(xué)和科研。

創(chuàng)新科學(xué)和研究仍有重要的空間

盡管有了這些易于使用的工具，但發(fā)展的進(jìn)程并沒有結(jié)束。就像當(dāng)汽車被發(fā)明出來時，我們也沒有停止繼續(xù)開發(fā)它們，即使現(xiàn)在它們已經(jīng)變得很高級了，我們還在不停的研發(fā)。人工智能還有很多可以提升的空間。比如AI還不夠有創(chuàng)造力，也不會推理，也不能處理復(fù)雜的任務(wù)。它需要海量的標(biāo)記數(shù)據(jù)，而獲取這些數(shù)據(jù)耗時又耗錢。訓(xùn)練仍然需要很長時間才能達(dá)到最高精度。深度學(xué)習(xí)模型的性能對于一些簡單的任務(wù)（如分類）是很好使的，但是在本地化等方面只是表現(xiàn)的尚可，有時甚至很差(取決于任務(wù)的復(fù)雜性)。我們甚至都沒能從內(nèi)部深入了解深層網(wǎng)絡(luò)。

所有這些都為科學(xué)和研究提供了施展拳腳的空間，特別是為當(dāng)前人工智能技術(shù)的推進(jìn)提供了機會。在商業(yè)方面，一些公司，尤其是科技巨頭(如谷歌、微軟、Facebook、蘋果、亞馬遜)需要通過科學(xué)和研究去創(chuàng)新現(xiàn)有的工具來和其他公司競爭。這些公司確實都可以獲得大量的數(shù)據(jù)和資源，設(shè)計出出色的產(chǎn)品，進(jìn)行大規(guī)模的銷售和營銷等，他們確實可以利用這些資源使自己在這場競爭中木秀于林，而這些競爭優(yōu)勢也可以來自于尖端的創(chuàng)新。

然后還留下最后一個問題~

Good or Bad？

總的來說，創(chuàng)造人工智能技術(shù)的這種轉(zhuǎn)變是一件好事。大多數(shù)企業(yè)將利用現(xiàn)有的機器學(xué)習(xí)工具，而不是去創(chuàng)建新的工具，因為也確實沒必要這樣做。接近尖端的人工智能對許多人來說不再高不可攀，這意味著對所有人來說這都是一項更好的技術(shù)。人工智能也是一個相當(dāng)“開放”的領(lǐng)域，例如Andrew Ng這樣的行業(yè)內(nèi)的大咖創(chuàng)造了非常受歡迎的課程來教授人們了解這一重要的新技術(shù)。讓事情變得更容易理解有助于人們向快節(jié)奏的技術(shù)領(lǐng)域過渡。

這種轉(zhuǎn)變以前也發(fā)生過很多次。計算機編程從匯編級編碼開始。后來轉(zhuǎn)到了C語言這樣的代碼。今天很多人認(rèn)為C語言太復(fù)雜了，所以使用c++。很多時候，甚至不需要像c++這樣復(fù)雜的東西，所以只需要使用Python或R的超高級語言。如果你不需要一些超低級別的東西，那么你就沒有必要使用它(例如C代碼優(yōu)化、從零開始的深度網(wǎng)絡(luò)的研發(fā))，而且可以簡單地使用一些更高級別的和內(nèi)置的東西(例如Python、遷移學(xué)習(xí)、AI工具)。

與此同時，在人工智能技術(shù)的科學(xué)和研究方面繼續(xù)努力至關(guān)重要。我們一定可以通過設(shè)計基于人工智能的新產(chǎn)品為世界帶來巨大的價值。但這需要新的科學(xué)來推動。人類的創(chuàng)造力永遠(yuǎn)是寶貴的。