說到人工智能，我們經常都會連帶看到另一個詞“機器學習”，另外留心的網友近年來或許還關注到一個新詞“自動化機器學習技術（AutoML）”，那這個概念又是什么意思呢？本文將做一個簡要介紹。

人工智能的官方發源時間被定為1956年，即“人工智能”這個詞被正式提出的元年。作為試圖將人類的認知能力在計算機層面進行模仿，并輔助人類執行一些較為復雜的任務的研究領域，人工智能研究主要分為了兩個流派，即根據人類已有知識在計算機中進行重構的符號主義者和主張讓機器在經驗世界中自己學習的機器學習流派。

由于人類世界的開放性很強，即便在一個相對固定的環境中也如此，同時也因為很多時候人們做出判斷的依據不太能夠清晰的總結為規則以供計算機執行，所以符號主義流派逐漸衰落，而機器學習流派搶占了高地。對于機器學習自身內部而言，主要又分為三個研究范式，即監督、非監督和半監督學習任務。所謂監督，其實很好理解，以老師教學場景為例，老師在課堂上就一個問題給出相應的答案，讓同學以這個標準答案為參考，學習相應的得到這個答案的方法。從這個例子可以看到，其實監督學習的核心就是給學習的主體一個標準的答案，比如告訴機器說圖片A是一只貓，然后讓機器通過一系列數學方法來不斷試錯，目的是調整自己內部的各種參數，使得能夠看到這個圖片A以后，經過一系列計算能夠得出它是一只貓的結論。

相應的，非監督學習就是指機器在學習的時候不給它標準答案，讓他根據一個人們設定的目標，在學習環境中自己尋找方法，不斷提升自己的性能；對于半監督學習而言，就是結合了監督學習與非監督學習二者優勢的一種研究范式。

那近來經常看到的自動化機器學習又是什么呢，機器不就是在自動化的學習嗎？要理解這個還需對人工智能算法研究有一個簡單的概念。機器學習的技術非常復雜，機器學習的研發項目比傳統的開發項目復雜很多，一個簡單的項目，周期也要幾周到幾個月的時間，實際企業中的項目即便是有一個比較成熟的團隊，一般也要幾個月到半年、一年的時間這都很正常。機器學習項目的最大不確定性在于不知道多長時間后才能達到設定的目標，就是模型能夠真正可用。否則就無法實際商用，不能形成銷售收入。模型無法達到目標精度很大程度是因為算法很難對最后效果進行一個準確的預測，所以我們采用迭代式的改進方法，就是不斷的把開發過程重復，等最后模型做出來之后，分析模型結果，分析模型性能，然后進一步改進算法，在整個迭代過程中很多步驟都必須重新做，導致開發效率比較低。風險更高的是很多人工智能項目即便投入大量時間，投入大量人力之后還是會失敗。來自權威機構Gartner的統計，60%的人工智能項目都以失敗告終。

據它的調查顯示，人工智能項目失敗有兩種原因：一方面，技術要求不達標，如很多人工智能項目中機器學習算法最后的準確度不夠好；另一方面，項目進展緩慢，部分項目實施時時間越來越長，但是進展不明顯，雖然有進展，但是距離項目目標很遠。可能是工程的原因，也可能是算法的原因。大部分企業對人工智能投入還是有限的，到一定程度還沒有進展，或者成本開銷過大，都會被叫停，最后導致項目失敗。項目失敗的事情，即便在有豐富經驗的人工智能團隊的公司里，也會經常發生，因為進展不夠快。

以上機器學習發展中遇到的問題，一個核心因素是人，而機器學習的工作又有大量的人工干預，如特征提取、模型選擇、參數調節等機器學習的各個方面。對此，自動化機器學習技術（AutoML）正好可以解決這些問題。讓機器學習重要步驟自動化，使它無需人工干預。ICM（International Conference on Machine Learning）國際機器學習大會給了機器學習一個定義：“progressive automation of machine learning”，這個定義非常廣泛，意思是任何能把現在機器學習的某一部分技術自動化都可以稱之為AutoML。因為很多技術和平臺符合這個定義，所以都宣稱是AutoML。

不過，一個好的AutoML技術要完成的目標目前在工業界還是形成了共識的，即在有限的人力參與和計算資源約束下，AutoML的目標是最大化模型的性能，設計出與人類科學家設計的模型性能相當，甚至更好的模型。

此項技術雖然還處在發展的早期，但已經成為國際學術界、工業界研究的一個新重點，因為AutoML可以為企業節省大量成本，打造出性能非凡的人工智能系統。

國內目前有一大批領先人工智能公司聯動學術界在該領域展開了研究，提出了不僅在學術界，而且同時已經能商用化的重要算法模型。

以極有可能成為AI第一股的計算機視覺巨頭曠視為例。作為一家基于計算機視覺的人工智能物聯網公司，曠視需要將大量先進的算法植入各類硬件設備，使它們智能化。然而考慮到生活中很多設備無法具備強大的計算能力，因此需要將各種視覺理解算法小型化，即讓它們能夠在廣泛的物聯網場景下適用。

對此曠視在之前已經開發了一系列經典的輕量級模型（如ShuffleNet、DoreFa-Net），并且將其部署在了各類物聯網設備上，賦予了這些設備AI的力量。但隨著技術進一步發展，如何在那么多不同種類的設備上設計最優的算法，如何進一步提升性能、降低計算成本就成了AIoT時代各家公司關注的重點。其中，曠視對此已經做出了一系列研究，并已將成果應用于實際業務。

曠視于今年在各大AI學術頂級會議上連發三篇與AutoML相關的重要論文，針對的就是當前該領域最火熱的被稱為NAS（自動化神經網絡結構搜）的技術。在該項技術的幫助下，神經網絡能夠自己設計自己的結構，實現性能、效率匹敵甚至超越人類科學家設計的網絡。

這些由曠視NAS技術推出的網絡目前已經在手機等各類邊端小型設備上廣泛使用，同時也助力曠視在全球AI學術競賽上多次奪冠，它們的出現并非會讓人類失業，而是幫助人類拓寬思路，設計出更多造福社會的AI系統。

責任編輯：ct