开发者颤抖吧，AI 现在开始学习写 AI 软件了

　　认图片、辨声音、下围棋、玩德州扑克、开卡车……AI的能力似乎无处不在，而且玩得比人类还溜。然而，一部分人仍感到安全——程序员的工作是AI难以胜任的，毕竟需要逻辑思考和框架设计，这些都是AI难以轻易掌握的技能。但Google等公司认为，AI已经开始学习那些原本属于AI专家的工作，那就是编写AI程序。

　　Google Brain人工智能研究小组的研究人员最近进行了这样的尝试。他们让软件设计了一套机器学习系统，并对其进行测试，结果显示该系统的表现超过了人类设计的软件。Google Brain团队首先使用递归神经网络生成神经网络的描述，然后利用强化学习对该RNN进行训练。这种方法让AI从零开始设计出新颖的神经网络架构，在图像识别测试中，其识别精度甚至比人类设计的最好架构还要高，错误率仅为3.84%。而在自然语言处理方面，其模型构造的递归神经单元也超越了广泛使用的LSTM神经单元等最新基准指标，复杂度比后者好3.6倍。

　　同样地，Google的另一个AI团队DeepMind也发表了关于强化学习的论文。他们的研究针对深度学习所需训练数据量大且获取成本高的缺点，提出了一种名为deep meta-reinforcement learning的强化学习方法。这种方法利用递归神经网络在完全有监督的背景下支持元学习的特点，将其应用到强化学习上。从而将一个强化学习算法训练出的神经网络部署到任意环境上，使AI在训练数据量很少的情况下具备元学习能力。DeepMind团队称这为“学会学习”的能力，即解决类似相关问题的归纳能力。

　　Google Brain团队的负责人Jeff Dean在回顾AI进展时表示，机器学习专家的部分工作应该由软件来负责。他把这种技术称为“自动化机器学习”，认为这是最有前途的AI研究方向之一，因为这将大大降低AI应用的门槛。

　　尽管AI的自学能力取得了突破，但在近期内仍难以大面积推广。因为实现这种能力需要庞大的计算资源。例如，Google Brain设计出的图像识别系统需要800个GPU。然而，这种情况未来可能会发生变化。MIT Media Lab也开发出了设计深度学习系统的学习软件，其对象识别率也超过了人类设计的系统。他们计划将这套AI开源出来，供更多人进行探索。

　　除了Google和MIT以外，最近几个月还有其他小组也在让AI软件学习编写AI软件方面取得了进展。包括非盈利的AI研究组织OpenAI、MIT、加州大学、伯克利分校等。一旦这类自启动式的AI技术具备实用性，机器学习软件在各行业应用的节奏无疑将大大加快。因为目前机器学习专家极为短缺，而各家企业组织都需要高薪供养这批人才。