【為什麼我們要挑選這篇文章】AI 時代產生了新的職業：標註員。他們負責在圖片和影片上標記，教導 AI 辨識；然而這項工作可能消失。來自霍普金斯、史丹佛和 Google 的科學家聯合發佈了一篇論文，他們用神經架構搜尋（NAS）技術設計了一個神經架構 A，讓它自動搜尋/設計出新的神經架構 B，投入圖像語義分割的任務中。研究人員發現， AI 自己設計的神經架構 B，圖像辨識的表現已經超越了現有人類設計與訓練好的模型。
這項技術除了用於發展 AI ，也可用於人像辨識和自駕車領域；然而，也會讓標註員們失業。（責任編輯：郭家宏）
你可能聽說過，在河南的農村裡，在非洲的城市中，每一個你想像不到的地方，有著大量的數據標註員。
目前是標註員負責訓練 AI ，但他們將失業
他們手動在圖片裡把每一個花瓶和每一輛汽車框出來，並且標上「花瓶」和「汽車」。一段時間後，這些人把成千上萬張標記好的圖片打包，發送給遠在北京、上海甚至舊金山的 AI 公司。
GQ 將這些人稱為《那些給人工智能打工的人》。
人工智慧發展迅速，大大小小的網路科技公司相繼開展研究，投入商用。然而訓練一個可用的 AI，需要大量準確標記好的圖片、影片等資料。
正因為此，市場對數據標註的需求如此之大，吸引那些「給 AI 打工的人」爭相加入，其中不乏原來找不到工作的閒散人員 — 畢竟這份工作只需要動動滑鼠，用不上太多知識。
但是，恐怕不久後，這些人就將再次失業。
AI 自動設計 AI ，投入圖像語意分割的任務
上週，來自約翰．霍普金斯大學、史丹佛大學和 Google 的專家聯合發佈了一篇 論文 ，介紹了他們使用神經網絡來自動搜索神經網絡，將其投入圖像分割方面的研究，並且取得的重要進展：
研究人員採用神經架構搜尋（Neural Architecture Search，NAS）技術設計了一個神經架構 A，放任它去自動搜尋/設計出新的神經架構 B，投入到圖像語義分割（semantic image segmentation）的任務中。
研究人員發現，這個被自動搜尋出來的神經架構 B，在主流的小規模圖像數據集上，未經訓練就直接使用，表現已經超過了現有人類設計的、預先訓練好的模型。
以往人們一直相信，設計 AI 需要大量知識和經驗，簡而言之就是需要人來設計。
但現在，AI 設計出的 AI，已經比人設計出的 AI 更強。
（論文： Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation ）
研究人員將這個能夠自動搜尋（設計）神經架構的技術命名為 Auto-DeepLab 。這個名字來自於 DeepLab，Google 人工開發的圖像語義分割技術。前面加上 Auto，意思是在 DeepLab 的基礎上，新的技術可以實現了很大程度的自動化。
論文署名作者當中，兩人來自約翰．霍普金斯大學，其中第一作者是 Chenxi Liu，曾在 Google 實習；有四人來自 Google；剩下的一人來自史丹佛大學，正是原 Google Cloud 首席科學家，在電腦視覺學術和業界知名的李飛飛教授。
「本著 AutoML（編者註：Google 主導的 AI 計劃，將演算法選擇，模型的超參數調整，疊代建模和模型評估等工作自動化。）和人工智慧普及化的精神，對於不依賴專家經驗知識，自動設計神經網絡架構，人們的興趣有了顯著提升。」作者提到。
AI 自動設計 AI 的新突破：導入 NAS 技術、掌握外層設計
在「AI 自動設計 AI」這件事上， Auto-DeepLab 有幾個比較重要的新嘗試。
首先，神經架構搜尋 NAS 技術是 AI 領域的新興物種，主要用於簡單的圖片分類。而在這篇論文裡，研究者首次嘗試將 NAS 投入到高密度的圖片預測任務上（也就是對更複雜的高分辨率圖片進行語義分割，比如 Cityscapes 城市街景數據集、PASCAL VOC 2012 和 ADE20K 等數據集）。
其次，在電腦視覺領域內的神經網絡架構，通常分為內層、外層的兩級架構，自動化的神經架構設計往往只能設計內層，外層仍需要人來設計和手調。而 Auto-DeepLab 是第一個讓 AI 掌握外層設計和調參能力，並在圖像語義分割任務上得到優異結果的嘗試。
「圖像語義分割」六個字聽上去有點拗口，其實很好理解：對於一張圖劃分幾個類別，然後將所有的像素點歸類。
比如下面這張圖，可以簡單分為三類。圖像語義分割的任務，就是判斷每一個像素點屬於人、自行車，還是背景。
需要明確的是，圖像語義分割的任務純粹是判斷像素點屬於哪個類別，它不能識別和區分獨立的物體。
圖像語意分割升級，有助於攝影辨識和自駕車發展
不過圖像語義分割仍然有很重要的意義，比如在它可以用於手機拍照的「人像模式」。採用更優秀的圖像語義分割技術，手機能夠在更高精度的照片裡確認每一個像素點，屬於人，亦或是背景。
目前 Google、小米等公司都在手機拍照上使用這一技術。理論上，未來的「人像模式」可以在毛髮、衣物邊緣實現更好的效果。
以及在自動駕駛的場景裡，神經網絡需要判斷擋在前面的是車、行人還是建築物，進而採用不同策略進行躲避，這同樣需要圖像語義分割來打基礎。
從該論文體現的效果來看，Auto-DeepLab 還可以被轉移到其他任務上。言外之意，讓 AI 自動設計 AI 這件事，可能還會有很大的想像空間。
比如作者在論文最後提到，在目前的研究框架內，他們可以繼續在物體識別的方向進行研究。
如果能夠取得類似的結果並大規模使用，或許有一天，在數據標註（特別是圖像標註）這件事上，人類標註員的成本等優勢可能也會消失。
如果人工智慧可以給人工智慧打工，打工效率比人還高，「那些給人工智慧打工的人」會失去工作嗎？
（本文經合作夥伴 品玩 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈李飞飞等人的新研究，可能让人工智能真的不需要人了〉。首圖來源：品玩）
更多 AI 新發展
【血汗 AI】負責訓練 AI 的作業員，薪水只有 9 到 18K 是怎麼回事？
【AI 會作弊了】Google 訓練 AI 轉換街景圖像，AI 在地圖藏人類看不到的「小抄」騙過工程師
榮總將推出全台首家「AI 門診」！600 倍高速診斷，準確率高達 80%
