【為什麼我們挑選這篇文章】AI 能做的事情真的越來越多,從之前打敗各國棋王的 Master,把逝去的朋友復活在聊天 App中,甚至是擔任診所醫生,AI 的運用正不斷擴展,也更走進我們的生活。

不過 Google 認為,現在 AI 能做更專業的事情,就是讓 AI 寫 AI 程式!經過他們測試,發現 AI 寫出的系統表現優於人類設計的軟體,看來接下來又會傳出人類失業的消息,不過這次面臨威脅的,可能就是工程師了。(責任編輯:張瑋倫)

認圖片,辨聲音,下圍棋,玩德州撲克開卡車 ……似乎越來越多人能玩的事情 AI 也能玩而且玩得比人還溜但暫時有一部分人還是自我感覺安全的- – 工程師的工作 AI 還是很難勝任的對吧?

畢竟這個東西需要邏輯思考,需要框架和流程設計,哪裡是 AI 能一下子勝任的事情。但 Google 等公司認為,AI 現在可以開始學習一些 AI 專業做的事情了,那就是寫 AI 程式。

Google Brain 研究人工智慧的小組研究人員隊最近就進行了這樣的嘗試。他們在一次試驗中讓軟體設計了一套機器學習系統,然後對這套系統進行測試語言處理方面的測試。結果發現該系統的表示超過了人類設計的軟體。

Google Brain 團隊首先用遞歸神經網路生成神經網路的描述,利用然後強化學習對該 RNN 進行訓練。

其方法可以讓 AI從零開始設計出一個新穎的神經網路架構,在利用 CIFAR-10 數據集(含6萬張32 x 32的彩圖,涉及10類對象,每一類各6000張。其中5萬張為訓練圖像,1萬張為測試圖像)進行圖像識別測試時,其識別的精度甚至比人類設計最好的架構還要高,錯誤率只為3.84%,與目前最先進的神經網路模型相比,其錯誤率只低0.1個百分點,但速度快了1.2倍。

而在用自然語言處理的 Penn Treebank 數據集上,其模型構造出來的一種遞歸神經單元也超越了被廣泛使用的 LSTM 神經單元等最新基準指標,在復雜度方面比後者好3.6倍。

類似地,Google 的另一個 AI 團隊 DeepMind 最近也發表了一篇名為「學會強化學習」的論文。其研究同樣針對的是深度學習所需的訓練數據量大且獲取成本高的缺點。

他們提出了一種名為深化強化學習的強化學習方法,利用遞歸神經網路可在完全有監督的背景下支持元學習的特點,把它應用到強化學習上面。從而將用一個強化學習算法訓練出來的神經網路部署到任意環境上,使得 AI 在訓練數據量很少的情況下具備了應用於多種場景的元學習能力。

或者用 DeepMind 團隊的話來說,叫做「學會學習」的能力,或者叫叫做解決能相關類似的問題歸納能力

Google Brain 團隊的負責人 Jeff Dean 最近在回顧 AI 進展情況時,就曾經表態說機器學習專家的部分工作其實應該由軟體來負責。他把這種技術叫做「自動化機器學習」,並認為這是最有前途的 AI 研究方向之一,因為這將大大降低 AI 應用的門檻。

當然,創建學會學習的軟體這個想法由來已久,蒙特利爾大學的 Yoshua Bengio 早在1990年代就提出了這個想法。但之前的試驗結果並不理想,因為 AI 做出來的東西還是比不上人類想出來的模型,但近年來隨著計算能力的不斷增強,以及深度學習的出現,AI 學會學習的能力終於取得了突破。

儘管 AI 的自我能力取得了突破,但在近期內不能大面積推廣。因為事先這種能力需要龐大的計算資源。比方說 Google Brain 那個設計出識別率超過人類所開發系統的圖像識別系統的 AI 就需要800個 GPU。

但這種情況將來可能會發生變化。最近 MIT Media Lab 也開發出了設計深度學習系統的學習軟體,其開發出來的深度學習系統的對象識別率也超過了人類設計的系統。MIT Media Lab 計劃將來把它的這套 AI 開源出來,讓大家繼續這方面的探索。

除了 Google 和麻省理工學院以外,據報導最近幾個月有好幾個小組也在讓 AI 軟體學習編寫 AI 軟體方面取得了進展。其中包括了非盈利的 AI 研究組織 OpenAI(的其他非盈利 AI 組織柯林斯參見這裡),MIT,加州大學,柏克萊分校等。

一旦這類自啟動式的 AI 技術具有實用性,機器學習軟體在各行業應用的節奏無疑將大大加快。因為目前機器學習專家極為短缺,各家企業組織都需要高薪供養這批人。

(本文經合作夥伴36氪授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為〈開發者顫抖吧,AI現在開始學習寫AI軟件了〉。)

延伸閱讀

【不再害怕去醫院】這間「未來診所」用 AI 系統當醫生,根本是診所界的Apple Store
馬克夫婦基金會買下 AI 論文搜索引擎 Meta,以後科學論文能免費查了!
MIT 攜手哈佛成立 AI 倫理監管機構,防止 AI 越過人類的安全線