谷歌(Google)的主要工程师之一杰夫·迪安(Jeff Dean)最近在矽谷和中国的演讲中，专门提到一个名为AutoML的谷歌项目。

ML是机器学习(machine learning)的缩写，指的是通过分析数据来学习如何完成某种特定任务的计算机算法。依次而论，AutoML指的是一种学习如何构建其他机器学习算法的机器学习算法。

有了这个东西，谷歌也许很快能找到一种构建人工智慧的技术，它能在构建人工智慧系统时在一定程度上不需要人类，许多人认为这是技术产业的未来。

这个项目是一个更大努力的一部分，谷歌想把最新、最棒的人工智慧技术推广给越来越多的公司和软体开发人员使用。

技术行业正在做出各种各样的承诺，从能够识别面孔的智慧型手机应用，到能够自主驾驶的汽车。但据某种估计，全世界只有1万人拥有构建驱动这种新型人工智慧的复杂且有时神秘的数学算法所需的教育背景、经验和才能。

谷歌工程师杰夫·迪恩表示，他正从事的项目将帮助企业构建具有人工智慧的系统，即使他们缺乏全面的专业知识。包括谷歌、Facebook和微软(Microsoft)在内的世界最大技术企业每年支付给人工智慧专家的报酬有时高达数百万美元，这些企业基本上垄断了这个难得人才的市场。人才短缺问题不会很快消失，因为掌握这些技能需要多年的工作经验。但这个行业不愿等待。这些公司正在开发各种各样的工具，让任何企业都能更容易地构建自己的人工智慧软体，包括图像和语音识别服务、以及在线聊天机械人这样的东西。

「我们所走的道路与计算机科学在每个新技术出来时所经历的一样，」微软副总裁约瑟夫·斯洛什(Joseph Sirosh)说，微软最近推出了一个帮助程序员构建深度神经网路的工具，这是一种推动人工智慧领域最新进展的计算机算法。「我们正在消除大量的繁重工作。」

这不是利他主义。迪安等研究人员认为，如果更多的人和企业都来研究人工智慧的话，那将会推动迪安等人自己的研究。与此同时，谷歌、亚马逊(Amazon)和微软等公司也在斯洛什描述的趋势中看到了赚大钱的机会。所有这些公司都在推销能帮助其他企业和开发人员构建人工智慧的云计算服务。「对这些服务真的有需求，」码特(Matt Scott)说，他是提供类似服务的中国初创企业码隆科技的联合创始人和首席技术官。「这些工具还不能满足所有的需求。」这很可能是谷歌为AutoML设想的未来，公司正在不停地为项目的进展报喜。谷歌首席执行官桑达尔·皮查伊(Sundar Pichai)上个月推出一款新的Android智慧型手机时曾吹嘘了AutoML项目。

迪安说，谷歌的这个项目最终将能帮助其他公司构建自己的人工智慧系统，即使它们没有广泛的相关专业知识。他估计，目前有能力构建人工智慧系统的公司不超过几千家，但更多的公司有所需的数据。

「我们希望看到能解决机器学习问题的公司从几千家变为几百万家，」他说。

谷歌正大力投资云计算服务，这是一种帮助其他企业搭建并运行软体的服务。在谷歌看来，这是他们未来几年的主要经济发展引擎之一。在将相当一部分世界顶级人工智慧研究人员引入公司后，谷歌是有能力快速启动这个引擎的。

神经网路正迅速促进着人工智慧的发展。不需徒手搭建图像识别服务或语言翻译应用软体，不需一行一行地写代码，工程师们可以更快地编出自身有学习能力的算法。

比如，通过分析以往的大量技术支持通话声音，一个机器学习算法可以学会辨识语音。但构建神经网路与搭建网站或某个普通智慧型手机应用不同，它需要大量数学技能，尽可能多的试错，以及一定程度的直觉。独立机器学习实验室Element AI的首席执行官让-弗朗索瓦·加涅(Jean-François Gagné)将这个过程称为「一种新型计算机编程」。在构建神经网路时，研究人员会在大型的机器网路间进行数十次甚至几百次试验，以测试一个算法学习如图像识别、语言翻译等任务的效果。然后，他们会对算法的特定部分进行反复调整，直到找到可行的办法。有人称之为「黑魔法」，因为研究人员觉得无法解释他们为什么要进行一些特定的调整。但谷歌正尝试在AutoML身上将这一过程自动化。这是在构建能分析其他算法开发的算法，学习哪种方法行得通，哪种不行，最终将学会更有效的机器学习。谷歌表示，

AutoML现在可以构建的图像对象识别算法

有时比完全由人类专家构建的服务更精准。

Peter Earl McCollough for The New York Times

（左起）加州大学柏克莱分校的教授彼耶特·阿比尔、现任谷歌研究员的教授塞格·列文、和博士生切尔西·芬，于2015年研究一个使用深度学习软体的机械人。阿比尔教授说：「大体上说，计算机将会代替我们创造算法。」

谷歌该项目的研究人员之一巴里·佐夫(Barret Zoph)相信，同样的方法最终也会对其他任务有效，如语音识别或机器翻译。

这可能不太好理解。但它属于人工智慧研究一个重要趋势的一部分。专家将其称为「学会学习」或「元学习」。

许多人相信，这种方法会极大地加快网路及现实中人工智慧的发展。在加州大学柏克莱分校(University of California, Berkeley)，研究人员正在构建能够让机械人根据之前所学进而学习新任务的技术。

「大体上说，计算机将会代替我们创造算法，」柏克莱教授彼得·阿比尔(Pieter Abbeel)说。「计算机构建的算法可以非常快地解决很多很多问题——至少希望是这样。」同时这也让更多的人和企业能够去构建人工智慧。这些方法不能完全取代人工智慧研究人员。专家——比如谷歌的专家——仍需做大部分重要的设计工作。但它要实现的是以少数专家的工作来帮助其他更多的人搭建自己的软体。

卡内基梅隆大学研究与AutoML相似技术的研究员

雷纳托·内格尼奥(Renato Negrinho)说，

这不是今天的现实，但会是未来几年的现实。「迟早会来的，」