简要概述
谷歌的 AutoML 项目旨在让人工智能构建其他人工智能，如今已开发出一种计算机视觉系统，其表现远超最先进的模型。该项目有望改善自动驾驶汽车和新一代人工智能机器人的“视觉”能力。
能够构建人工智能的人工智能
2017年5月，Google Brain的研究人员宣布创建了AutoML，这是一种能够生成自己的人工智能的人工智能（AI）。最近，他们决定给 AutoML 布置迄今为止最具挑战性的任务，而这款能够构建人工智能的人工智能创造了一个“子代”，其表现胜过所有由人类构建的同类系统。
谷歌研究人员自动化了机器学习模型的设计，采用的方法称为强化学习。AutoML 充当控制器神经网络，为特定任务开发一个子代人工智能网络。对于这个研究人员称为 NASNet 的子代人工智能，其任务是在视频中实时识别物体——人、汽车、交通信号灯、手提包、背包等。
AutoML 会评估 NASNet 的表现，并利用相关信息改进其子代人工智能，如此反复数千次。在ImageNet 图像分类和COCO 物体检测数据集上进行测试时，NASNet 的表现胜过了所有其他计算机视觉系统。谷歌研究人员称，这两个数据集是“计算机视觉领域最受认可的两个大规模学术数据集”。
据研究人员介绍，NASNet 在 ImageNet 验证集上的图像预测准确率为 82.7%。这一成绩比任何此前发表的结果都高出 1.2 个百分点；该系统的效率也高出 4%，平均精度（mAP）为 43.1%。此外，计算需求较低的 NASNet 版本，其表现比移动平台上尺寸相近的最佳模型高出 3.1 个百分点。
展望未来
机器学习赋予许多人工智能系统执行特定任务的能力。尽管其背后的概念相当简单——算法通过输入大量数据来学习——但这一过程需要耗费大量时间和精力。通过将创建准确、高效人工智能系统的过程自动化，能够构建人工智能的人工智能承担了其中大部分工作。归根结底，这意味着 AutoML 有望让非专业人士也能涉足机器学习和人工智能领域。
至于 NASNet 本身，准确、高效的计算机视觉算法因潜在应用众多而备受青睐。它们可用于打造先进的人工智能机器人，也可帮助视障人士恢复视力，正如一位研究人员所建议的那样。它们还可以帮助设计人员改进自动驾驶汽车技术。自动驾驶汽车识别其行进路径上物体的速度越快，就能越快对这些物体做出反应，从而提高此类车辆的安全性。
谷歌研究人员承认，NASNet 可能对广泛的应用有所助益，并已将该人工智能开源，用于图像分类推理和物体检测。“我们希望更广泛的机器学习社区能够基于这些模型，解决我们尚未想到的众多计算机视觉问题，”他们在博客文章中写道。
尽管 NASNet 和 AutoML 的应用前景广阔，但能够构建人工智能的人工智能的出现也引发了一些担忧。例如，如何避免“父代”将不受欢迎的偏见传给“子代”？如果 AutoML 创建系统的速度快到社会无法跟上，该怎么办？不难想象，NASNet 在不久的将来可能被用于自动化监控系统，甚至可能早于相关监管措施出台。
值得庆幸的是，世界各国领导人正在迅速采取行动，确保此类系统不会引向任何形式的反乌托邦未来。
亚马逊、Facebook、苹果等多家公司都是造福人类与社会的人工智能伙伴关系的成员。该组织致力于推动人工智能的负责任发展。电气与电子工程师协会（IEE）提出了人工智能伦理标准，而谷歌母公司 Alphabet 旗下的研究公司 DeepMind 最近宣布成立一个小组，专门研究人工智能的道德与伦理影响。
各国政府也在制定法规，防止人工智能被用于危险目的，例如自主武器；只要人类继续掌控人工智能发展的总体方向，能够构建人工智能的人工智能所带来的益处就应远远超过潜在弊端。
