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，而且玩得比人還強。但暫時有一部分人還是自我感覺良好──程式設計師的工作 AI 還是很難勝任對吧？畢竟這需要邏輯思考、需要框架和流程設計，哪裡是 AI 能一下子做到的事呢，但 Google 等公司認為，AI 現在可以開始學習一些 AI 專家做的事了，那就是寫 AI 程式。
Google Brain 人工智慧研究小組的研究人員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語言測試，結果該系統的表現超過了人類設計的軟體。
Google Brain 團隊首先用遞迴神經網路生成神經網路的說明，然後利用強化學習對該 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，再利用 CIFAR-10 資料集（含 6 萬張 32×32 的彩圖，涉及 10 類對象，每一類各 6,000 張。其中 5 萬張為訓練影像，1 萬張為測試圖像）進行影像辨識測試時，其精確度甚至比人類設計的最好架構還高，錯誤率僅 3.84%，與目前最先進的神經網路模型相比，其錯誤率僅低 0.1 個百分點，但速度快了 1.2 倍。而在用於自然語言處理的 Penn Treebank 資料集上，其模型構造出來的一種遞迴神經單元，也超越了廣泛使用的 LSTM 神經單元等最新基準指標，在複雜度方面比後者好 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資料量大且抓取成本高的缺點。他們提出了一種名為 deep meta-reinforcement learning 的強化學習方法，利用遞迴神經網路可在完全監督的背景下支援學習的特點，把它應用到強化學習上，用一個強化學習演算法訓練出來的神經網路部署到任意環境上，使 AI 在訓練資料量很少的情況下具備應用多種場景的學習能力。用 DeepMind 團隊的話來說，叫做「學會學習」的能力，或者叫做能解決類似相關問題的歸納能力。
自學能力有了突破
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，建立學會學習軟體這個想法由來已久，蒙特婁大學的 Yoshua Bengio 早在 1990 年代就提出這個想法。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不斷增強，以及深度學習的出現，AI 學習的能力終於取得突破。
儘管 AI 的自學能力取得突破，但在近期內還無法大範圍推廣。因為這種能力需要龐大的計算資源。比方說 Google Brain 設計出辨識率超過人類所開發系統的影像辨識 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 也開發出設計深度學習系統的學習軟體，其對象辨識率也超過了人類設計的系統。MIT Media Lab 計劃將來開放這套 AI，讓大家繼續這方面的探索。
除了 Google 和 MIT，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 軟體方面取得進展。其中包括非營利的 AI 研究組織 OpenAI（其他非營利 AI 組織可參見這裡）、MIT、加州大學、柏克萊分校等。
一旦這類自啟動式的 AI 技術具備實用性，機器學習軟體在各工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，各企業組織都需要高薪供養這批人。
（本文由 36Kr 授權轉載，首圖來源：shutterstock）
