李飞飞发布的谷歌AutoML真的能让AI民主化么？

昨天的谷歌云全球NEXT大会(Google Cloud Next 18)上，李飞飞宣布，谷歌AutoML Vision进入公共测试版，并推出了两款新的AutoML产品：AutoML Natural Language和AutoML Translation。

这款谷歌力推的产品在今年1月份面世之时，就担负着让AI民主化的重大使命，同时也与李飞飞作为“AI民主化推进者”的形象深度绑定。

作为谷歌云的首席科学家，李飞飞在这一产品发布时，连发三条推特表达激动之情：

“我很荣幸地宣布AutoML Vision面世。无需精通机器学习，每个人都能用这款AI产品定制机器学习模型。这是‘AI民主化’的重要进展!”

——李飞飞

这个名为Cloud AutoML的宏大项目浮出水面之时，被业内称为“Google Cloud发展的战略转型”——一直以来面向机器学习人工智能开发者的Google Cloud，这次将服务对象转向了普罗大众。

当时这一产品的主要对象还是图像识别，昨天的谷歌云大会上，产品线已经拓展到翻译、视频和自然语言处理领域。

谷歌的宏伟愿景由此可见一斑——你只需在改系统中上传自己的标签数据，大能得到一个训练好的机器学习模型。整个过程，从导入数据到标记到模型训练，都可以通过拖放界面完成。

其实在谷歌发布AutoML前后，机器学习自动化的产品风潮已经吹起：2017年底，微软发布CustomVision.AI，涵盖图像、视频、文本和语音等各个领域。今年 1 月，他们又推出了完全自动化的平台 Microsoft Custom Vision Services(微软定制视觉服务)。

链接：https://www.customvision.ai

此外，另一个比较火爆的AI自动化产品OneClick.AI 是 2017 年底出现在市场上的一个自动化机器学习(AML)平台，其中既包括传统的算法，也包括深度学习算法。

链接：https://www.oneclick.ai

同年，国内也出现了不少相关产品，称能够解放算法工程师，让AI自动化。

那么，这些机器学习自动化工具真的可以替代算法工程师甚至AI团队吗?

昨天在谷歌更新两款新的AutoML新产品后，业内掀起了对这一话题的探讨。Keras之父，同时也是谷歌大脑人工智能和深度学习研究员的François Chollet 发布推特表达了对这一产品的质疑：

我们很快会发现AutoML与强化学习同样的问题：人们将整个问题领域(非常广泛和非常重要)与极其特殊的(有缺陷的)方法联系起来。

Fast.ai创始人、USF副教授Rachel Thomas则通过一个系列的3篇文章，详细论述了“深度学习自动化”这一业内风潮，她讲述了机器学习从业者工作上最大的难点、AutoML的发展过程，并详细描述了谷歌这款产品的原理以及存在的问题，探讨很有价值。

大数据文摘对这一个系列的文章进行了精华编译，来一起看看，谷歌AutoML真的能让AI民主化么?

机器学习从业者到底在做什么?

媒体头条经常报道机器学习人才匮乏，同时，经常有公司宣称“本公司的产品能够帮助无专业背景的人能使用机器学习”。

谷歌人工智能主管Jeff Dean在TensorFlow开发者大会上表达了他的观点：数以千万计的公司坐拥大量数据，这些数据非常适合用来做机器学习，但是他们缺乏必要的专业知识和技能。

事实上，机器学习(特别是深度学习)中最耗时和最难的两个方面其实是：处理数据格式化和培养深度学习模型。

问题来了：我们可以通过自动化解决这两个麻烦的问题吗?

CMU和DeepMind的研究人员最近发布了一篇有趣的新论文，称为差异化架构搜索(DARTS)，它提供了一种神经架构搜索的替代方法，这是目前机器学习的一个非常热门的领域。

神经架构搜索在去年是一个大热门，谷歌首席执行官 Sundar Pichai 和谷歌的AI负责人Jeff Dean 都提出：神经架构搜索及其所需要的大量计算能力，这两点是普及机器学习的必要条件。

自去年一月份以来，谷歌一直往这个方向努力，并且得到了科技媒体的广泛关注。

关于谷歌AutoML的大量外媒报道

来源：网络大数据