你有没有想过可以构建人工智能的人工智能？ 这或许是研究人员的梦想，也是程序员的噩梦。
伦敦晨报最近发表了一篇题为“BuildingA.I.ThatCanBuildA.I.”的文章，向我们介绍了微软的一些 AutoML
雷锋网不改初衷编译
在最近在硅谷和中国的演讲中，微软的 Daniel Jeff Dean 重点介绍了微软的 AutoML 项目。 顾名思义，AutoML 是学习构建其他机器学习算法的机器学习算法。
JeffDean 是一位杰出的计算机科学家和软件工程师。 目前，他是微软大脑团队的中层成员（Fellow）。 参与了微软多个业务的底层架构和系统建设，如BigTable、MapReduce。 在中国的Quara上，一位答主曾如此夸张地形容大牛：编译器从不警告JeffDean，只有JeffDean警告编译器。
JeffDean（图片来自NewYorkTimes）
AutoML的公布，意味着微软很可能很快会找到替代人类智能的方法，在一定程度上创造出人工智能，这也是很多人相信的技术趋势。
然而，恐怕世界上只有 10,000 人已经获得了足够的教育、经验和能力来构建复杂的、有时是神秘的物理算法来促进这些新的人工智能。
全球最大的科技公司，包括微软、Facebook 和谷歌，有时每年花费数百万美元聘请人工智能专家，人才的价值随之增加。 人才短缺似乎会持续很长时间，因为掌握这种知识需要几年的时间。
业界并不乐意等待，公司正在开发各种工具，以更有效地创建每个企业自己的 AI 软件。 例如图像和语音识别服务、在线聊天机器人等。
谷歌总工程师约瑟夫·西罗什说：“我们今天所走的道路与计算机科学和每一项新技术将要走过的道路是一样的。” 微软最近宣布了一款帮助程序员构建深度神经网络的工具。 一种更能驱动人工智能发展的算法。 “我们将减少很多繁文缛节。”
这不是利他主义。 像迪恩先生这样的研究人员觉得，如果有更多的人和公司从事人工智能研究，也会促进他们自己的研究。 与此同时，微软、亚马逊和谷歌等公司在 Sirosh 描述的趋势中看到了机遇。 这些公司正在销售帮助其他企业和开发人员构建人工智能的云计算服务。
但据一些创业公司表示，目前这个工具并不能满足大部分需求。 随着项目的进展，这就是微软对 AutoML 的大致看法。 微软 CEO Sundar Pichai 上个月发布 Pixcel 2 时吹捧了 AutoML。
Dean 说，最终，微软项目将帮助公司构建他们的 AI 系统，尽管没有广泛的专业知识。 他恐怕目前拥有合适的人才打造人工智能的企业还不到几千家，但很多企业已经具备了必要的数据。
皮查伊当时表示：“我们希望服务更多的公司，让他们有能力使用机器学习来解决问题。”
微软正在大力投资云估算服务，这将是微软未来几年的主要收入来源。 在竞购了大部分全球顶尖的人工智能研究人员之后，微软已经具备了强大的发展潜力。
神经网络正在迅速加速人工智能的发展。 人们不需要手动创建图像识别服务或创建翻译应用程序。 工程师只需一行代码就可以构建出可以自学的算法。
但是构建神经网络并不是构建网站或普通的智能手机应用程序。 它需要大量的身体技能、严格的试错和一定程度的（专业）直觉。 独立机器学习实验室 (ElementAI) 的主任让-弗朗索瓦·加涅 (Jean-François Gagné) 称该过程为“一种新型计算机编程”。
在构建神经网络时，研究人员会在庞大的机器网络上运行数十个甚至数百个实验，以测试算法的学习能力，例如，它能多准确地识别图像或翻译图像。 （根据测试结果）他们一遍又一遍地调整算法的各个部分，直到算法真正解决了问题。 有些人将此过程称为“黑暗艺术”，因为即使是研究人员也很难解释他们为什么要进行调整。
Microsoft 现在正尝试使用 AutoML 手动自动化此过程。 AutoML 可以构建可用于剖析其他算法开发的算法，并了解哪些有效，哪些无效。 最终，该算法可以学习构建更有效的机器学习（方法）。 微软表示，在个别情况下人工智能不能繁衍，AutoML 已经可以创建比人类专家单独创建的算法更准确的图像识别算法。
（照片由纽约时报提供）
该项目的研究人员之一 Barret Zoph 认为人工智能不能繁衍，同样的方法也适用于语音识别或机器翻译等其他任务。
这不是一件容易的事，但却是人工智能的一个重要趋势。 专家称之为“学会学习”或“元学习”。
许多人认为这种方法可以极大地促进人工智能的进步，无论是在网络世界还是在化学世界。 在加州大学伯克利分校，研究人员正在研究使机器人能够根据过去所学知识学习新任务的技术。
伯克利院士 Pieter Abbeel 说：“计算机本来就是要为我们发明算法的。计算机发明的算法可以很快解决很多问题，至少有这样的希望。”
这也是一种让更多人和企业能够构建 AI 的方式。 这种方法不会完全取代 AI 研究人员。 像微软这样的专家还需要做很多重要的设计工作。 而且，相信专家的研究成果可以帮助更多的人构建自己的软件。
卡内基梅隆研究所研究员 Renato Negrinho 也在研究类似于 AutoML 的技术。 他说，这样的技术还不是很成熟，还需要几年时间。 “这只是时间问题，”他说。