機(jī)器是否將戰(zhàn)勝人類？目前Google的人工智能(AI)系統(tǒng)已能自行創(chuàng)建AI，甚至比人類所打造出來的更好。

據(jù)Fudzilla及Futurism報(bào)導(dǎo)，Google Brain研究人員在5月宣布打造出能自行創(chuàng)建AI程序的AI系統(tǒng)AutoML。他們最近決定進(jìn)一步挑戰(zhàn)AutoML，要其創(chuàng)造出比人類設(shè)計(jì)得更好的AI。

Google研究人員使用強(qiáng)化學(xué)習(xí)方法來自動設(shè)計(jì)機(jī)器學(xué)習(xí)模型，并由AutoML充當(dāng)神經(jīng)網(wǎng)絡(luò)控制器(controller neural network)，為特定任務(wù)開發(fā)1個(gè)子AI網(wǎng)絡(luò)。研究人員將此子網(wǎng)絡(luò)稱為AI NASNet，其任務(wù)是在視訊影像中，實(shí)時(shí)辨識人、車、交通號志、手提包、背包等物件。AutoML將評估NASNet的效能，用這些信息來改善其子AI，并重復(fù)此過程數(shù)千次。

在兩大計(jì)算機(jī)視覺領(lǐng)域最受推祟的大型學(xué)術(shù)數(shù)據(jù)集，即ImageNet影像分類和COCO目標(biāo)檢測數(shù)據(jù)集上，進(jìn)行測試時(shí)，NASNet表現(xiàn)優(yōu)于其它所有計(jì)算機(jī)視覺系統(tǒng)。

NASNet在預(yù)測ImageNet驗(yàn)證集上的影像時(shí)，準(zhǔn)確率達(dá)82.7%。比之前已發(fā)表的系統(tǒng)好1.2%，系統(tǒng)效率也提高4%，平均精度均值(mAP)為43.1%。此外，運(yùn)算能力需求較低版本的NASNet效能也比類似規(guī)模的最佳行動機(jī)器學(xué)習(xí)模型高3.1%。

機(jī)器學(xué)習(xí)是許多AI系統(tǒng)執(zhí)行特定任務(wù)的關(guān)鍵能力。其背后概念雖很簡單，即算法透過提供大量數(shù)據(jù)來學(xué)習(xí)，但過程需要花費(fèi)大量時(shí)間和精力。若能將創(chuàng)建準(zhǔn)確、高效的AI系統(tǒng)等過程自動化，如AutoML這樣能創(chuàng)建AI的AI系統(tǒng)，就能替人類代勞。最終，這意味著非專家也能透過AutoML利用機(jī)器學(xué)習(xí)和AI技術(shù)。

目前高度精確、高效的計(jì)算機(jī)視覺算法因有大量潛在應(yīng)用而備受追捧。Google研究人員表示，計(jì)算機(jī)視覺算法可用來創(chuàng)建由AI驅(qū)動的先進(jìn)機(jī)器人，或協(xié)助視力受損的人恢復(fù)視力，還能協(xié)助設(shè)計(jì)人員改進(jìn)自駕車技術(shù)。自駕輛能愈快辨識路徑上的物體，就能愈快對其做出反應(yīng)，進(jìn)而提升自駕車的安全性。

Google研究人員認(rèn)為NASNet可廣泛用于各種應(yīng)用，并已開放此AI用于影像分類和目標(biāo)檢測的推論。研究人員在博客上寫到，希望更大的機(jī)器學(xué)習(xí)社區(qū)能以這些模型為基礎(chǔ)，解決大家尚未想到的大量計(jì)算機(jī)視覺問題。