昨天，Google 的 Deepmind 战胜了目前等级分排名世界第一的中国棋手柯洁九段，至此，AI 在棋类项目上已经所向无敌了。
这表明 AI 已经诗词歌赋、琴棋书画无所不能了。也是在这个月，Google 在其举办的I/O 大会上阐释了AI发展的一个新的方向，那将是所有科幻小说中最骇人听闻的预言——自我复制。
这个能力被称为AutoML （auto machine learning，机器自动学习），它允许一个AI成为另一个 AI 的架构师，并指导其开发，而不需要人力工程师的输入。
这等于是将可能导致失控和演变的“造物权”交给了机器，在第二个AI 的开发过程中，AutoML 不仅仅是提炼已经存在的简单模型，而主动优化这些模型。
在关于该项目的说明中，Google 首席执行官 Sundar Pichai （桑达尔·皮查伊）表示：Google 希望 AutoML 能拥有现在一些博士所具备的能力，在 3 到 5 年内使众多的开发者也能通过 AutoML 设计神经网络，来满足其特定的需求。
神经网络是一种以人类大脑为模型建立的计算机系统，通常说明如下：
这个想法并不疯狂。因为如果我们想要让机器深度学习人类的思维，模仿人类的能力，人类专家必须提供一个基本的计算类型的起始神经网络。
AutoML 就解决了这个问题，在不需要人为监督的情况下，可以找到应对该问题的最佳数学方法和最佳实施方法。在理论上，AutoML 的方法应该能够设计出更有效的神经网络。
下图是 Google 的 AutoML 的主要示例的关键。在已经给出了大量图像分类数据库的情况下，AutoML 设计了一个神经网络，它与 Google 的人类工程师设计的相似。
左边，是人类尝试在最好的、最有效率的神经网络架构下来处理特定的图像数据库。右侧，是 AutoML 的神经网络提出类似于人类研究人员的方法并给出的改进。
尽管如此，AutoML 的最大目标并不是让人类脱离开发过程，甚至完全自动化，而是让 AI 在人类的目光下以同样的速度来进行研发。
当下，对神经网络进行编码的难度越来越大，而且设计神经网络是极其耗费时间的，对专业知识的极高要求将适用人群缩小到了科研人员和工程师，这成为一个行业问题。AutoML 旨在降低下一代机器学习的入门水平。
可能有一天，AutoML 可以设计出更好的 AI。虽然 AutoML 不具备 Google 顶级工程师的理论水平和数学能力，但是对一个普通开发者而言，使用 AutoML，就等于是 Google 的顶级开发在协助你了。
所以，其实 Google 希望的通过简化神经网络的机器学习模型的设计，降低人工智能的门槛，AutoML 的研究和实践表明由神经网络来设计神经网络也是可行的。
AutoML 目前只是扮演了人工智能开发中的基础工程师的角色，生杀大权还是掌握在Google 的顶级工程师手里，我们暂时不用担心“天网”的诞生。
