谷歌AutoML是新的AI怪兽吗？

导读：在人工智能（AI）时代全面来临之际，很多重复体力劳动甚至是脑力劳动者已经开始担心自己的工作会不会被AI这头怪兽取代。然而，伴随近期谷歌发布的一项新型AI服务，那些创造了AI的工程师们现在似乎也开始担心自己即将成为新一批被AI取代的对象，这究竟是怎么回事呢？

1月18日凌晨，Google Cloud AI（谷歌云AI）首席科学家李飞飞通过自己的推特账号和博客宣布：谷歌云AI已经上线首个可自动设计并建立机器学习模型的服务实例，即面向图像识别的AutoML Vision服务，这标志着谷歌云AI再次取得了里程碑式的进展。通过该服务，企业开发者可以充分利用谷歌云AI平台提供的先进技术能力，根据需求定制个性化的模型架构，实现机器学习的自动化设计流程。

图1 谷歌Cloud AutoML Vision

一般情况下，开展机器学习需要输入大量的训练数据集合，再由具备专业知识的科学家和工程师对数据进行分析挖掘，设计算法并对训练模型进行反复调试，才能得到成熟的模型架构，而AutoML（自动化的机器学习）则极大的简化了其中效率不高的网格搜索和冗长单调的模型开发流程，将这部分工作交由机器来自动完成。

图2 AutoML网络架构

从谷歌本次公开宣传的AutoML Vision服务模式来看，用户只需通过图形化界面将带有标签的图形数据集合上传到该服务平台，就能自动训练生成新的定制化模型，从而帮助那些不具备深入专业知识的用户高效地开展图像识别和机器学习工作。同时，虽然谷歌AutoML Vision的主要服务对象是那些缺少专业机器学习知识专家的企业级用户，但该平台也向机器学习领域的专业人员提供了一系列全新的拓展工具软件包，通过执行深层表示的架构搜索和超参数分析等功能，为开发者提供方便灵活的设计体验。此外，谷歌还宣布将在开放AutoML Vision视觉识别模型服务的基础上，陆续将该服务拓展到机器翻译、视频和自然语义处理等多个机器学习热点领域。

图3 谷歌Cloud AutoML Vision服务

可以说，谷歌AutoML Vision服务背后是依托迁移学习和神经架构搜索等技术创建的一系列“开箱即用”的软件实例，其核心目标是通过将已有模型“工具化”来训练机器自动完成新模型的训练和调试过程，但距离“AI”设计“AI”，期间还存在着相当长的距离。从当前情况来看，大型神经网络模型的设计过程中，人类工程师的基础导向和决策功能当前是无法被机器取代的，目前机器能够完成的只是训练和调试过程中枯燥、繁琐和漫长的搜索和适配性重复劳动，其目的是在提升效率的同时有效降低机器学习的入门门槛，缓解机器学习高端人才短缺的现状，解放生产力，帮助更多的企业快速落地机器学习应用，进而推动人工智能在各个应用场景的普及。同时，通过不断优化服务体系和后期加快拓展服务领域，谷歌云AI平台将获取面向丰富应用场景的大量数据集和训练模型实例，这些资源才是未来进一步强化AI能力的宝贵财富。