在硅谷和中国的演讲中，谷歌首席工程师之一 Jeff Dean 都提到了 AutoML 。ML ，机器学习（machine learning）的缩写，是一种能够通过分析数据自行完成特定任务的计算机算法。AutoML 也是一种机器学习算法，但它学习的是如何创造其他机器学习算法。

有了 AutoML ，不久以后，谷歌或许就可以找到一种创造 AI 的技术，部分取代人类。这是科技产业的未来，许多人认为。

从能识别人脸的智能手机应用，到自动驾驶的汽车，科技产业前景光明。但据估计，具备创建复杂（甚至有些神秘）算法的教育背景、经验和能力的人，全世界仅1万人左右。

世界最大高科技企业，包括谷歌，脸书和微软，每年在 AI 人才方面投入数百万美元，让这一稀缺人才市场更加陷入困境。百年树人，人才短缺问题很难短时间内得到解决，掌握这些技能也要花费好几年。

但是，产业发展不会等人。目前，公司企业正在研发各种工具，帮助简化打造AI软件的过程，比如，图像和语音识别服务，在线聊天机器人等。

最近，微软公布了一款可以帮助程序员创建深度神经网络的工具。「每出现一种新技术，计算机科学就会以这样的方式跟进。」微软的副总裁 Joseph Sirosh 表示，「我们正在省去许多繁重的劳作。」

这不是利他主义。

像 Jeff Dean 这样的研发人员们相信，更多的人和企业研究人工智能，会促进自己的研究。巨头们也在这一趋势中看到了光明「钱」途。他们纷纷对外出售云计算服务，帮助企业和开发者创建 AI。

「存在这方面的刚需，当前的工具不能完全满足这些需求。」码隆科技的联合创始人兼首席技术官 Matt Scott 表示。这家创业公司也致力于类似服务。

这个项目最终会帮助其他公司创建具备人工智能的系统，即使这些公司没有丰富的专业知识。Jeff Dean 表示，如今也仅几千家家公司具备打造 AI 的能力，更多的公司拥有必要的数据。

「希望首先可以解决几千家组织的机器学习问题，然后帮助几百万家公司组织。」他说。

谷歌正在云计算业务上倾注巨资，期待未来几年，该业务成为公司主要的经济引擎。将大部分世界顶尖 AI 研发人员收入囊中后，谷歌也有启动引擎的砝码了。

神经网络正在快速加速人工智能的发展。如今，工程师们可以更快地创建自主学习算法。过去，程序员都是手动创建一个图像识别服务或是一个文字翻译 app，一次只能完成一行编码。

例如，通过分析大量传统技术支持通话中的声音，机器学习算法能够学会识别口头单词。

但是，构建神经网络并不像创建网站或是普通的智能手机应用那么简单。数学，极端的试错、相当多的直觉，一个都不能少。独立的机器学习实验室 Element AI 的首席执行官 Jean-Fran?ois Gagné 将这个过程定义为「一种新的计算机编程。」

在创建神经网络的过程中，研发人员通常会运用大量的机器网络运行几十或几百项实验，测试该算法能多大程度上学会识别图像或是翻译一种语言。他们会不断地调整算法特定部分，直到找到起作用的那一部分。这一技术被称为「黑暗的艺术」，因为研发人员发现很难解释，为什么会做出这样的调整。

谷歌正在尝试使用 AutoML 将这个过程自动化。通过创建能分析其他算法研发过程的算法，就能搞清楚哪些方法凑效，哪些不能。最终，系统将学会创建出更有效的机器学习。

现在，谷歌认为 AutoML 可以创造识别图片物体的算法，比完全由人类专家建造的算法更精确。该项目一位成员、谷歌研究人员 Barret Zoph 相信，这种办法最终也适用于其他的任务，例如语音识别和机器翻译。

许多人相信，这样的方法会极大地促进人工智能的发展，无论是在网络世界还是现实世界。伯克利的研发人员们正在打造让机器人基于过去经验解决新问题的技术。

「实际上，计算机会为我们创造这样的算法。」伯克利的教授 Pieter Abbeel 称，「计算机创造的算法，能迅速地解决很多问题，至少我们有这样的希望。」最近，他离开 OpenAI，成立了一家机器人创业公司。（又一员大将离开马斯克的OpenAI自立门户，称工业机器人市场大有可为）

这也是让更多的人和企业有能力打造 AI 的方式。这些方法不会完全取代人类研究人员。专家们仍然需要做很多重要设计工作。但是，他们希望的是，少数专家的工作成果，可以帮助更多的人创建自己的软件。

现在还不现实，未来几年会实现，只是时间问题。Renato Negrinho 说。他是卡内基梅隆大学研究人员，也正在开发类似 AutoML 的技术。