當AI由AI制作時 結果令人印象深刻

研究人工智能系統(tǒng)的研究人員正在制作新聞并使公眾熟悉強化學習和機器學習等術語。最近的頭條新聞仍令人驚訝。AI軟件正在“學習”如何復制自己并建立自己的AI孩子。

因此，Google的AI使用強化學習創(chuàng)建了其子AI ，完全自動化。

認識'NASNet'。谷歌研究人員將其稱為一種新穎的架構。

Alphr的 Vaughn Highfield 指出，這個孩子AI能夠執(zhí)行特定的任務 - 圖像識別。兒童AI的任務是實時識別視頻中的對象。

未來主義隨著發(fā)生的事情而擴大。“AutoML充當控制器神經網絡，為特定任務開發(fā)兒童AI網絡。對于這個特殊的兒童AI，研究人員稱之為NASNet，任務是識別物體 - 人，汽車，交通信號燈，手提包，背包等。 - 在實時視頻中。“

Google Brain今年早些時候推出了AutoML項目。Dom Galeon和Kristin Hopuser寫道，“AutoML將評估NASNet的性能并利用這些信息來改善其兒童AI，重復這一過程數千次。”

這是怎么回事：Highfield稱這個過程是“無休止的調整”。未來主義的 Karla Lant 評論說：“大部分的元學習都是模仿人類神經網絡，并試圖通過這些網絡提供越來越多的數據。這不是使用舊的鋸齒科學。相反，它是很多插件和一旦他們受過訓練，機器實際上非常適合做突擊工作。“

我們的NASNet架構由兩種類型的層組成：普通層(左)和縮減層(右)。這兩個層由AutoML設計。信用：谷歌

(好的一面是“如果人類工程師花費更少的時間來完成創(chuàng)建系統(tǒng)所涉及的繁重工作，他們將有更多的時間投入到監(jiān)督和改進中。”)

結果：在博客作者稱之為“計算機視覺中最受尊敬的兩個大型學術數據集”的測試中，NASNet的表現(xiàn)優(yōu)于所有其他系統(tǒng)。

在預測ImageNet驗證集上的圖像時，NASNet的準確率為82.7%。

Barret Zoph，Vijay Vasudevan，Jonathon Shlens和Quoc Le撰寫了關于該團隊成就的文章，標題為“用于大規(guī)模圖像分類和物體檢測的 AutoML ”。他們報告說，“在ImageNet圖像分類方面，NASNet在驗證集上實現(xiàn)了82.7%的預測準確度，超過了我們之前構建的所有先前模型。”

阿爾弗的十字頭問道，這是人類結束的開始嗎?人們可以原諒高劇情，因為作者Highfield對Google的工作進行了深入研究。“顯然，以目前的形式，NASNet不會成為人類的垮臺。但是，這是我們未來如何建立更好的人工智能系統(tǒng)的關鍵。”

Alphr的 Highfield 說：“通過自學AI和人工智能可以調節(jié)和改變其他AI，我們可以創(chuàng)建更好的自動駕駛汽車或自動化工廠的人工智能。”

博客作者表示，他們擁有開源的NASNet，用于推斷圖像分類和Slim和Object Detection TensorFlow存儲庫中的對象檢測。“我們希望更大的機器學習社區(qū)能夠以這些模型為基礎，解決我們尚未想象的大量計算機視覺問題。”