人的视觉系统AI可以自己“孕育”AI2017年5月，Google研究人员宣布创建AutoML--一种

AI可以自己“孕育”AI

2017年5月，GoogleBrain的研究人员宣布建立AutoML--一种无法让AI生成AI的人工智能。最近，他们决定向AutoML提出目前为止最大的挑战，使得AI可以自己“孕育”AI，创建了一个达到所有人类智慧的“孩子”。

Google的研究人员使用一种称为加强学习的方式来手动设计机器学习建模。AutoML充当一个神经网络控制器，为特定任务开发一个子AI网络。对于研究人员称为NASNet的这个特殊的小孩AI来说，这个任务是实时地在视频中识别物体：人，汽车，交通信号灯，手袋，背包等等。

AutoML将评估NASNet的性能，并使用这种信息来提高其子AI，重复这个过程数千次。在Google研究人员称为“计算机视觉领域最受尊敬的两个大型学术数据集”的ImageNet图像分类和COCO目标测量数据集上进行检测时，NASNet胜过了所有其它计算机视觉系统。

据研究人员介绍，NASNet在分析ImageNet验证集上的图像时精确率为82.7％。这比以往公布的结果好1.2％，系统强度也增加了4％，平均精确度（mAP）平均为43.1％。另外，对NASNet的计算规定较低的版本比类似型号最佳的移动系统版本高3.1％。

未来的应用

机器学习是许多AI系统执行特定任务的素质。虽然背后的概念非常简洁-一个算法借助提供长期数据来学习-这个过程必须耗费大量的时间和精力。通过自动化构建准确，高效的AI系统的过程，一个可以确立AI的AI首当其冲。最终，这意味着AutoML可以向非学者开放机器学习和AI的领域。

NASNet由于潜在的应用数量的限制，高度准确人的视觉系统，高效的计算机视觉算法得到青睐。正如一位研究人员所建议的，它们可以用来建立复杂的，由人工智能驱动的机器人，或者帮助视力损伤的人修复视力。他们还可以帮助设计员工改进自驾车科技。自主汽车无法辨识路径上的物体的速率越快，其对他们做出反应的速度就越快，从而降低了这些汽车的安全性。

Google的研究人员证实NASNet可以被广泛的应用证明是有用的，并且尚未引入开源来进行图像分类和目标测量的推测。他们在它们的博客文章中写到：“我们期望更大的机器学习社区才会创建在这种建模上，以解决我们还没有想到的长期计算机视觉问题。

虽然NASNet和AutoML的应用程序比较丰富，但是建立一个可以形成AI的AI却导致了一些关注。例如人的视觉系统，怎样避免孩子将不想要的偏见传递给小孩？假如AutoML创建平台如此之快以至于社会能够跟上呢？在不久的以后，如何将NASNet应用于手动化监控平台并不是一件很困难的事情，也许马上就会建立相关法规来控制这种系统。

值得庆幸的是，世界各地领导人正在拼命力争这样的平台不会造成任何反乌托邦式的将来。

亚马逊，Facebook，苹果和其它几个人都是AI造福人类社会的合作伙伴关系的成员，这个组织致力于人工智能朝负责任的方向演进。电气和电子项目师协会（IEE）终于提出了AI的道德标准，而谷歌母公司Alphabet所拥有的研究公司DeepMind最近宣布建立一个致力于AI道德和伦理影响的小组。

各地政府也在建立法规来避免将人工智能用于危险目的，如自主武器，只要人类维持对人工智能发展总体方向的控制，拥有可以构建人工智能的人工智能的弊端远远超出任何潜在的陷阱。