谷歌人工智能可以自產“子人工智能”，在人工智能領域，它的性能達到了前所未有的高度，雖然聽起來很不可思議，但事實就是如此。這個受到熱議的人工智能叫“自動化機器學習”，簡稱Auto ML，由“谷歌大腦”的研究人員研發。

據谷歌的CEO皮查伊闡述，谷歌的研究員用了強化學習來創建人工智能的圖像識別模型。我們一直致力于設計更好的機器學習模型，但目前要做到這一點要耗費大量的時間，它凝聚著許多工程師、科學家還有機器專業博士的心血，對于成百上千的開發者來說，他們希望機器學習成為可能，所以在不使用神經網絡的情況下，如何才能更好地設計神經網絡呢？我們將這種學習方法稱為自動化機器學習，也就是學會學習。

在一些標準任務方面我們已經邁向了最先進，我們在圖像識別方面和Safari瀏覽器不分高下，每當我和團隊待在一起思考神經網絡設計神經架構這個問題的時候，我都會想起一部最喜歡的電影《盜夢空間》，我告訴他們我們必須走得更遠更深，所以自動化機器學習并不會苦逼地花幾個小時去編碼，進而去創建一個人工智能來完成某項特定的任務，因為它的學習過程是自動化的。

谷歌團隊曾說過這么一句話：“在我們自動化機器學習的方案中，控制器神經網絡會生成子模型架構之后，會執行特定的任務來訓練并評估子模型架構的優劣，然后會向控制器作出反饋，控制器會將此反饋作為下一次循環修改的參考。我們會把這個過程重復上千次（設計新架構及測試新架構），向控制器作出反饋，控制器從中學習。

舉一個簡單的例子，這個過程就像父母孕育孩子，然后通過測試，積累成敗經驗，來教孩子如何完成一項特定的任務，這個道理也適用于自動化機器學習。NASNet神經網絡的角色就相當于這個孩子，NASNet是具有識別能力的人工智能，它可以識別人體、汽車、交通信號燈還有實時錄像中的大部分內容。你可能會說聽起來沒啥大不了的，但你要明白這個自動人工智能最讓人驚嘆的地方在于它能完敗之前所有人工智能的機械視覺。NASNet的系統精確度達到了82.7％，比同類人工智能高1.2%，系統效率則提高了4%。人工智能自產“子人工智能”，這個子人工智能的性能好過人類創造的人工智能，而且還更有效率，誰強誰差一目了然。

很明顯，該人工智能可以應用于無人駕駛汽車上，還能對人類進行近距離目標識別，也就是說它能完成健康護理之類的工作。該人工智能的應用場景之所以非常多元，主要是因為它能自動設計，還能建立既有效率又有精度的系統，所以該人工智能不僅能應用到機器學習上，還能完成一些繁重的工作。

自動化機器學習的研發算不上劃時代創舉，但它確實具有里程碑意義，自動化機器學習也使人工智能惠及更多泛的人群。谷歌公司說過這樣一句話：“我們希望以一些模型為基礎，建立起更大的機器學習社區，來解決我們還未想象到的許多機械視覺問題”。我們認為這可以激發新類型的神經網絡，使這一現象成為可能，而非專家為了特定需求而量身定做神經網絡，并使機器學習對人類產生更廣泛的影響。

隨著自動化機器學習科技的產生，不可避免地會產生一些問題。如果自動化機器學習在機械視野以外的領域廣泛使用，那么一些擔憂也隨之而來，如果人工智能把錯誤和偏見遺留給子人工智能怎么辦？如果子人工智能的學習步伐太快，我們人類卯足勁也跟不上怎么辦？這樣的話我們人類的學習還有什么意義？現在這些問題看起來可能是有點思慮過多，但是在未來的某一天，我們還真避免不了這些問題。

這畢竟還是人類的發展進步，只是需要居安思危，從長計議而已。