“AI”能自我进化吗

AI确实进化了，它能做的事情越来越多，成绩斐然。它的背后是AI实现路径的“三级跳”。但是“AI自开发短期内应该无法替代人的工作，还有很长的路要走。”徐文娟说。赵志刚从学术角度分析道：“只有当人类把不同应用领域的AI模型设计出来，并进一步分解出一系列通用模块，如同化学中的元素周期表、生物中的DNA、RNA，这种自开发才能有更多的应用。”

“仅需几行代码就能构建一个回归模型。”程序员认可谷歌AutoML的工作表现，认为AutoML设计的模型和机器学习专家设计的不相上下。日前谷歌工程师分别在中国和硅谷重点推介谷歌AutoML项目。不明就里的疑惑紧跟着纷至沓来——AI又进化了？！已经会自开发了？能操控自己的进化了？是要摆脱人类吗？

国家超级计算济南中心大数据研发部研究员赵志刚说：“起初我们用数学公式和‘if??then’等语句告诉计算机第一步做什么、第二步做什么，手把手地教，后来给机器n组输入和输出，中间的规则或规律由它自己学会。”

“之前，很多聪明的头脑花一辈子时间研究：如何抽取有效的特征。”专注于智能导购对话机器人的智能一点公司CTO莫瑜解释道，“神经网络算法的发明、深度学习技术的出现，使得AI进化到2.0，抽取特征的工作由AI自己进行，我们的工作也随之发生了变化。”

用数学函数的模式很容易解释“1.0”到“2.0”的转变：如果把识别图像、语义理解、下棋等任务的达成都看成是不同的Y=f（X），即输入的“猫”的图片、声音或棋招是“X”，输出的“猫”、回答、棋高一招是“Y”。深度学习之前，人通过自己的分析寻找函数f对应的公式，告诉给AI。而深度学习之后，人输入大量的X与Y的对应，AI自己发现函数f对应的公式。

“AI找到的函数f的具体内容，可能比人找到的更好，但是人类并不知道，就像一个黑匣子。”莫瑜说，“但是f的形式是AI研究员通过研究设计出来的，如果使用深度神经网络，网络中的模块以及模块之间的组织方式也是提前设计的。”

随着深度学习技术的成熟和普遍化，模型构建出现了特定可追寻的经验。“各种共性神经网络的发布，使得从业门槛越来越低。一些普通的模型构建与优化，刚毕业的学生在网上学学教程就能上手。”赵志刚说。

当构建模型成为可习得的技能，AutoML就出现了。它能做的正是AI研究员的模型设计工作。“将帮助不同公司建立人工智能系统，即使他们没有广泛的专业知识。”谷歌工程师这样推介。AI成功进化到3.0。

事实上AutoML替代的仍旧是人类能够提炼出经验的工作。“如果说之前人描绘一套寻找函数f的‘路网’，在深度学习的技术辅助下，机器能最快找到优化路径；那么AI现在可以自己设计路网了。”赵志刚言简意赅。

可以看出不论是深度学习、还是AutoML，都只替代人类的一部分群体已经钻研透了的工作。“机器能做的事情，尽量不要手工劳动”，这是很多程序员的人生信条，这个信条催生了AutoML。本着同样的信条，微软开发了DeepCoder。“它可以用来生成满足给定输入输出的程序。”莫瑜说，但它的表现目前还不尽如人意，只能编写一些简单的程序。

谁是“上帝”答案毫无疑问，人类。

既然AI在进化中走向了更高一阶的模型设计，那么“上帝之手”又发生了哪些变化呢？

“炼丹”，莫瑜用两个字形象地说起自己的工作，“智能一点是专业做智能客服的，研发人员的工作主要集中于问题建模（如何将实际问题转化为人工智能技术解决的问题）和算法优化（如何提升人工智能算法的效果）。”

“炼”意味着不断地调试和完善。“针对特定的人，越投脾气越好，回答越精准越好。”莫瑜说，“我们的X是客户的问话，Y是机器人客服的回复，中间的函数f需要训练。”

这是个不容易的任务。如果把人类社会的经验分为3类：有公式的确定规则、可言传的知识、只可意会不可言传的感觉。最后一类最难琢磨。

“因此我们想办法构建完善的闭环反馈，了解特定用户的喜好，通过情感、趣味的表达，最终做到投其所好。”莫瑜说，“目前处于人机协同的工作阶段，但是越来越多样本的获取，将帮助我们的智能客服给出精准的、讨喜的回答。”

可见并不是所有领域都适合交给AI自开发去做，比如问题建模方面，如何将实际问题抽象转换为机器学习问题，AI还无法自主完成。在AI2.0阶段，研发人员还需要人工设计函数f的形式。