麻省理工开发NAS算法，推动神经网络设计自动化

自2017 年以来，研究人员一直都在使用算法来设计更好、更快的AI 神经网络，这种作法主要是学术上的追求，因为这需要耗费数万小时的GPU 时间。但随着麻省理工下个月即将展示新的算法，预计将能大幅加快设计速度，并使这类型的算法得到更广泛的使用。

据了解，麻省理工团队设计的神经结构搜索（neural architecture search）算法能够将改良AI 过程加速240 倍或更多，这也将更快、更准确的设计AI，使其在实际范围内进行广泛的图像识别和其他相关应用。

麻省理工电子工程和计算机科学助教Song Han 表示，团队在模型大小，推理延迟，准确性和容量之间做出了各种权衡，过去人们设计出由人类启发的神经网络，而新的NAS 算法则是将这种方式转变为基于AI 的设计方式。

“就像AI 可以学习下围棋，AI 也可以学习如何设计神经网络。”

就像AlphaGo 带给围棋界下棋的全新思路一样，算法设计AI 也带给研究人员设计卷积神经网络（CNN）的新想法。 Han 表示，在 NAS 算法设计出最佳的 CNN 后，最终的系统很可能将图像分类的速度提高到其他神经架构打造 AI 的 1.8 倍。

Han 表示，NAS 算法将能为工程师提供了设计神经网络的良好反馈，但这并不代表AI 能够构建更强大的自身版本，NAS 算法永远不会取代人类工程师，“我们的目的，是减轻设计和改进神经网络架构所带来的重复性和繁琐的工作。”