Google 即将推出可自行迭代的 AI，让机器创造算法避免人为偏见

技术编辑：徐九丨发自 北京
SegmentFault 思否报道丨公众号：SegmentFault

---

科幻小说做家 Vernor Vinge 曾经说过，人类最后一项伟大的发明将是第一台能够自我复制的机器，而谷歌 AutoML 团队的科学家们就正在作相似的尝试。他们正在测试如何让 AI 从零开始建立一套机器学习算法，并根据数学原理自动演化迭代。

他们认为「AutoML Zero」有可能会创造出“彻底未知的算法，同时还能减小数据输入过程当中人类的偏见”。

据悉，谷歌正在为「AutoML」进行一些重大升级，根据几位内部研究人员撰写的一篇论文显示，「AutoML Zero」即将到来。

充满可能性的「AutoML Zero」

AutoML 是谷歌发布的一个开源工具，它能够很是简单的自动完成机器学习算法的开发过程。而且谷歌大脑团队一直在对这个工具进行开发迭代。

在当前的迭代版本中，AutoML 仍存在一个比较大的问题，就是仍然须要手动的建立和调试几个初始的算法模型，虽然用户能够经过使用谷歌与之的算法包来解决这个问题，但毕竟仍是被人类进行了干预。

这次谷歌团队发表的论文，最大的亮点就是将这一部分也实现了 AI 自动化。

根据论文所述，谷歌引入了一个全新的框架来搭建一个通用的搜索空间，进而只需使用基本的数学运算做为构件，就能够自动实现完整的机器学习算法。

尽管这个搜索空间范围很是广，但仍然能够发现经过反向传播训练的二层神经网络来进行传播进化。构建很简单，但该框架设计来不少顶级的算法技术，好比双线相互做用、归一化梯度和权重平均等。

换句话说，谷歌已经想出了如何只是用基本的数学概念，来为 AutoML 挖掘进化算法。开发者们只需建立一个简单的学习范式，在这个范式中，机器会吐出 100 个随机生成的算法，而后工做，看看哪些算法表现最好。

通过几代以后，这些算法会愈来愈好，直到机器找到一个表现足够好的算法进行进一步的迭代。为了生成可以解决新问题的新颖算法，在进化过程当中存活下来的算法会被用来测试各类标准的人工智能问题，好比计算机视觉等。

据研究人员称，「AutoML Zero」已经优于其前辈和相似的最早进的机器学习生成工具。将来的研究将涉及到为人工智能设定一个更窄的范围，并使用混合方法，利用「AutoML Zero」的自我发现技术和人类建立的启动库相结合的算法，看看它在更多特定状况下的表现如何。

实现强人工智能的最快途径就是让其自行发展？

正如开头所说，「AutoML Zero」的另外一大特色就是能够减小「人类的偏见」。若是咱们不事先为算法设定固定的起点或者发展路径，那么 AI 更可能创造出一些咱们意想不到的东西。

若是咱们想要让 AI 像人类同样思考，咱们就不能给他们预置答案。好奇心和探索力才是人类智力的两个关键组成部分，而目前的深度学习根本不具有这两大特色。

在《Quanta》杂志最近的一篇文章中，做家 Matthew Hutson 写到：

生物进化是惟一能产生人类智能的系统，这也是许多人工智能研究者的终极梦想。因为生物进化的轨迹，Stanley 和其余人都认为，若是咱们想要算法可以像人类同样轻松地驾驭物理世界和社会世界，或者说作的更好，咱们就须要模仿天然界的算法和策略。

他们认为，与其硬性地给出编码规则，或者让机器学习在某些特定的性能指标上得到高评分，不如发现更多不一样的解决方案。让算法优先考虑新奇性或者趣味性，而不是走路或者说话的能力。这种思路可能比直接寻求结果具备更大的价值。

标准的深度学习模型通常就相似于一个黑匣子，提供一组权重和参数，由机器来进行调整和计算，从而得出相关的数据与结论。但理论上来讲，这属于人为的预判，而不是机器的智能。

若是人工智能可以演化出本身的解决方案，并将这些参数与深度学习相结合，那么它将更接近于模仿人类解决问题的方式。

从本质上说，今天咱们所说的「AutoML Zero」并非让 AI 去解决问题，而是让 AI 开发出算法，并不断扩展发现本身的能力。

Uber的AI实验室有一位计算机领域的大佬叫 Kenneth Stanley，感兴趣的能够搜一搜他发布的论文和公开的研究成果。他在「神经进化」领域作出了开拓性的贡献，独创了无目的的探索和创新性的 AI 模型。

在一项测试中，他和团队的科研人员一块儿将一个虚拟的轮式机器人放在迷宫中，并控制它们进行算法优化，从而找到一条通往出口的路径。传统的 AI 模型在 40 次尝试中只成功了 3 次，而无目的的创新 AI 模型则成功了 39 次。这当中的区别就是创新的 AI 模型为了对迷宫进行更多的探索，并无计算离出口的距离，没有试图寻找出口，而是避开了全部的死胡同。

进化算法，来日方长

进化算法其实并非一个新鲜的概念，但之因此发展缓慢是由于其研究成本太高，且没有直接的应用场景来盈利或者得到相应的回报。

市面上大部分的深度学习技术都是针对具体的场景解决具体的问题，但对这种「为所欲为」的算法来讲，有多大的可能性就存在着多大的风险。

这次谷歌推出「AutoML Zero」，很大程度上下降了进化算法的研发成本，相信也能让这一充满可能性的技术路线，更快的发挥价值。