說(shuō)到人工智能，我們經(jīng)常都會(huì)連帶看到另一個(gè)詞“機(jī)器學(xué)習(xí)”，另外留心的網(wǎng)友近年來(lái)或許還關(guān)注到一個(gè)新詞“自動(dòng)化機(jī)器學(xué)習(xí)技術(shù)（AutoML）”，那這個(gè)概念又是什么意思呢？本文將做一個(gè)簡(jiǎn)要介紹。

人工智能的官方發(fā)源時(shí)間被定為1956年，即“人工智能”這個(gè)詞被正式提出的元年。作為試圖將人類的認(rèn)知能力在計(jì)算機(jī)層面進(jìn)行模仿，并輔助人類執(zhí)行一些較為復(fù)雜的任務(wù)的研究領(lǐng)域，人工智能研究主要分為了兩個(gè)流派，即根據(jù)人類已有知識(shí)在計(jì)算機(jī)中進(jìn)行重構(gòu)的符號(hào)主義者和主張讓機(jī)器在經(jīng)驗(yàn)世界中自己學(xué)習(xí)的機(jī)器學(xué)習(xí)流派。

由于人類世界的開(kāi)放性很強(qiáng)，即便在一個(gè)相對(duì)固定的環(huán)境中也如此，同時(shí)也因?yàn)楹芏鄷r(shí)候人們做出判斷的依據(jù)不太能夠清晰的總結(jié)為規(guī)則以供計(jì)算機(jī)執(zhí)行，所以符號(hào)主義流派逐漸衰落，而機(jī)器學(xué)習(xí)流派搶占了高地。對(duì)于機(jī)器學(xué)習(xí)自身內(nèi)部而言，主要又分為三個(gè)研究范式，即監(jiān)督、非監(jiān)督和半監(jiān)督學(xué)習(xí)任務(wù)。所謂監(jiān)督，其實(shí)很好理解，以老師教學(xué)場(chǎng)景為例，老師在課堂上就一個(gè)問(wèn)題給出相應(yīng)的答案，讓同學(xué)以這個(gè)標(biāo)準(zhǔn)答案為參考，學(xué)習(xí)相應(yīng)的得到這個(gè)答案的方法。從這個(gè)例子可以看到，其實(shí)監(jiān)督學(xué)習(xí)的核心就是給學(xué)習(xí)的主體一個(gè)標(biāo)準(zhǔn)的答案，比如告訴機(jī)器說(shuō)圖片A是一只貓，然后讓機(jī)器通過(guò)一系列數(shù)學(xué)方法來(lái)不斷試錯(cuò)，目的是調(diào)整自己內(nèi)部的各種參數(shù)，使得能夠看到這個(gè)圖片A以后，經(jīng)過(guò)一系列計(jì)算能夠得出它是一只貓的結(jié)論。

相應(yīng)的，非監(jiān)督學(xué)習(xí)就是指機(jī)器在學(xué)習(xí)的時(shí)候不給它標(biāo)準(zhǔn)答案，讓他根據(jù)一個(gè)人們?cè)O(shè)定的目標(biāo)，在學(xué)習(xí)環(huán)境中自己尋找方法，不斷提升自己的性能；對(duì)于半監(jiān)督學(xué)習(xí)而言，就是結(jié)合了監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)二者優(yōu)勢(shì)的一種研究范式。

那近來(lái)經(jīng)常看到的自動(dòng)化機(jī)器學(xué)習(xí)又是什么呢，機(jī)器不就是在自動(dòng)化的學(xué)習(xí)嗎？要理解這個(gè)還需對(duì)人工智能算法研究有一個(gè)簡(jiǎn)單的概念。機(jī)器學(xué)習(xí)的技術(shù)非常復(fù)雜，機(jī)器學(xué)習(xí)的研發(fā)項(xiàng)目比傳統(tǒng)的開(kāi)發(fā)項(xiàng)目復(fù)雜很多，一個(gè)簡(jiǎn)單的項(xiàng)目，周期也要幾周到幾個(gè)月的時(shí)間，實(shí)際企業(yè)中的項(xiàng)目即便是有一個(gè)比較成熟的團(tuán)隊(duì)，一般也要幾個(gè)月到半年、一年的時(shí)間這都很正常。機(jī)器學(xué)習(xí)項(xiàng)目的最大不確定性在于不知道多長(zhǎng)時(shí)間后才能達(dá)到設(shè)定的目標(biāo)，就是模型能夠真正可用。否則就無(wú)法實(shí)際商用，不能形成銷售收入。模型無(wú)法達(dá)到目標(biāo)精度很大程度是因?yàn)樗惴ê茈y對(duì)最后效果進(jìn)行一個(gè)準(zhǔn)確的預(yù)測(cè)，所以我們采用迭代式的改進(jìn)方法，就是不斷的把開(kāi)發(fā)過(guò)程重復(fù)，等最后模型做出來(lái)之后，分析模型結(jié)果，分析模型性能，然后進(jìn)一步改進(jìn)算法，在整個(gè)迭代過(guò)程中很多步驟都必須重新做，導(dǎo)致開(kāi)發(fā)效率比較低。風(fēng)險(xiǎn)更高的是很多人工智能項(xiàng)目即便投入大量時(shí)間，投入大量人力之后還是會(huì)失敗。來(lái)自權(quán)威機(jī)構(gòu)Gartner的統(tǒng)計(jì)，60%的人工智能項(xiàng)目都以失敗告終。

據(jù)它的調(diào)查顯示，人工智能項(xiàng)目失敗有兩種原因：一方面，技術(shù)要求不達(dá)標(biāo)，如很多人工智能項(xiàng)目中機(jī)器學(xué)習(xí)算法最后的準(zhǔn)確度不夠好；另一方面，項(xiàng)目進(jìn)展緩慢，部分項(xiàng)目實(shí)施時(shí)時(shí)間越來(lái)越長(zhǎng)，但是進(jìn)展不明顯，雖然有進(jìn)展，但是距離項(xiàng)目目標(biāo)很遠(yuǎn)。可能是工程的原因，也可能是算法的原因。大部分企業(yè)對(duì)人工智能投入還是有限的，到一定程度還沒(méi)有進(jìn)展，或者成本開(kāi)銷過(guò)大，都會(huì)被叫停，最后導(dǎo)致項(xiàng)目失敗。項(xiàng)目失敗的事情，即便在有豐富經(jīng)驗(yàn)的人工智能團(tuán)隊(duì)的公司里，也會(huì)經(jīng)常發(fā)生，因?yàn)檫M(jìn)展不夠快。

以上機(jī)器學(xué)習(xí)發(fā)展中遇到的問(wèn)題，一個(gè)核心因素是人，而機(jī)器學(xué)習(xí)的工作又有大量的人工干預(yù)，如特征提取、模型選擇、參數(shù)調(diào)節(jié)等機(jī)器學(xué)習(xí)的各個(gè)方面。對(duì)此，自動(dòng)化機(jī)器學(xué)習(xí)技術(shù)（AutoML）正好可以解決這些問(wèn)題。讓機(jī)器學(xué)習(xí)重要步驟自動(dòng)化，使它無(wú)需人工干預(yù)。ICM（International Conference on Machine Learning）國(guó)際機(jī)器學(xué)習(xí)大會(huì)給了機(jī)器學(xué)習(xí)一個(gè)定義：“progressive automation of machine learning”，這個(gè)定義非常廣泛，意思是任何能把現(xiàn)在機(jī)器學(xué)習(xí)的某一部分技術(shù)自動(dòng)化都可以稱之為AutoML。因?yàn)楹芏嗉夹g(shù)和平臺(tái)符合這個(gè)定義，所以都宣稱是AutoML。

不過(guò)，一個(gè)好的AutoML技術(shù)要完成的目標(biāo)目前在工業(yè)界還是形成了共識(shí)的，即在有限的人力參與和計(jì)算資源約束下，AutoML的目標(biāo)是最大化模型的性能，設(shè)計(jì)出與人類科學(xué)家設(shè)計(jì)的模型性能相當(dāng)，甚至更好的模型。

此項(xiàng)技術(shù)雖然還處在發(fā)展的早期，但已經(jīng)成為國(guó)際學(xué)術(shù)界、工業(yè)界研究的一個(gè)新重點(diǎn)，因?yàn)锳utoML可以為企業(yè)節(jié)省大量成本，打造出性能非凡的人工智能系統(tǒng)。

國(guó)內(nèi)目前有一大批領(lǐng)先人工智能公司聯(lián)動(dòng)學(xué)術(shù)界在該領(lǐng)域展開(kāi)了研究，提出了不僅在學(xué)術(shù)界，而且同時(shí)已經(jīng)能商用化的重要算法模型。

以極有可能成為AI第一股的計(jì)算機(jī)視覺(jué)巨頭曠視為例。作為一家基于計(jì)算機(jī)視覺(jué)的人工智能物聯(lián)網(wǎng)公司，曠視需要將大量先進(jìn)的算法植入各類硬件設(shè)備，使它們智能化。然而考慮到生活中很多設(shè)備無(wú)法具備強(qiáng)大的計(jì)算能力，因此需要將各種視覺(jué)理解算法小型化，即讓它們能夠在廣泛的物聯(lián)網(wǎng)場(chǎng)景下適用。

對(duì)此曠視在之前已經(jīng)開(kāi)發(fā)了一系列經(jīng)典的輕量級(jí)模型（如ShuffleNet、DoreFa-Net），并且將其部署在了各類物聯(lián)網(wǎng)設(shè)備上，賦予了這些設(shè)備AI的力量。但隨著技術(shù)進(jìn)一步發(fā)展，如何在那么多不同種類的設(shè)備上設(shè)計(jì)最優(yōu)的算法，如何進(jìn)一步提升性能、降低計(jì)算成本就成了AIoT時(shí)代各家公司關(guān)注的重點(diǎn)。其中，曠視對(duì)此已經(jīng)做出了一系列研究，并已將成果應(yīng)用于實(shí)際業(yè)務(wù)。

曠視于今年在各大AI學(xué)術(shù)頂級(jí)會(huì)議上連發(fā)三篇與AutoML相關(guān)的重要論文，針對(duì)的就是當(dāng)前該領(lǐng)域最火熱的被稱為NAS（自動(dòng)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜）的技術(shù)。在該項(xiàng)技術(shù)的幫助下，神經(jīng)網(wǎng)絡(luò)能夠自己設(shè)計(jì)自己的結(jié)構(gòu)，實(shí)現(xiàn)性能、效率匹敵甚至超越人類科學(xué)家設(shè)計(jì)的網(wǎng)絡(luò)。

這些由曠視NAS技術(shù)推出的網(wǎng)絡(luò)目前已經(jīng)在手機(jī)等各類邊端小型設(shè)備上廣泛使用，同時(shí)也助力曠視在全球AI學(xué)術(shù)競(jìng)賽上多次奪冠，它們的出現(xiàn)并非會(huì)讓人類失業(yè)，而是幫助人類拓寬思路，設(shè)計(jì)出更多造福社會(huì)的AI系統(tǒng)。

責(zé)任編輯：ct