开发AI可是个大工程 脸书想让AI自己开发AI

深度正在重塑互联网。通过分析大量的数字信息，深度可以自己学习，执行人类执行的任务，就在短短几年前，类似的智能系统还无法植入到网络服务中去。

要开发深度解决下一个AI大问题，研究人员必须经历无数次失败的尝试，在一台、几十台甚至几百台机器中尝试。“我们更加像是教练而非运动员。”DeepMind联合创始人Demis Hassabis认为，“你引诱它们做一些事，而不是直接告诉它们做什么。”

正因如此，许多企业试图将实验和错误变成自动化流程——或者至少将其中的一部分自动化。如果可以将最繁重一部分任务自动化，你就可以向前再进一步，让最新的机器更快速学习，只需要一般的工程师引导就可以了。如此一来，最顶尖的人才可以有更多时间专心研究更大的创意和更难的问题。最终，AI在互联网APP和服务中的进化速度会更快。

换句话说，随着计算机越来越聪明、越来越快，计算机本身可以处理更多简单单调的任务。互联网巨头正在开发计算系统，让它们代表工程师测试无尽的算法，它们自己就可以循环测试许多的可能性。更棒的是企业正在开发一套AI算法，让算法来编写AI算法。没有开玩笑。Facebook工程师正在设计所谓的“自动工程师”和人工智能系统，它可以协助开发AI系统。要让技术达到完美还有很长的路要走。但Facebook的最终目标是开发一套新的AI模式，让人类从事的单调乏味工作尽可能少。

2012年，Facebook成功IPO，候赛因米汉那（Hussein Mehanna）和Facebook广告团队的工程师感到压力加大，因为公司的广告销售目标提高，他们需要提高广告和无数用户的匹配度。Facebook拥有无数用户，公司会根据用户的特点和行为收集数据，开发深度及其它算法可以更好地利用庞大的数据库。

据米汉那透露，在开发新的AI时，Facebook工程师并不缺少创意，要测试这些创意却是另一回事。为了解决问题，他和团队开发了所谓的“Flo”工具。“我们想开发一条组装线，所有的Facebook工程师都可以使用。” 米汉那说。Flo的设计目的是为了帮助工程师大规模开发、测试、执行算法，它实际上包括了任何类型的——也就是说这门技术是一门泛技术，可以覆盖到所有服务，大部分学习任务依赖机器自己完成。

“你尝试的创意越多，结果就越好。”米汉那认为，“你测试的数据越多，结果也会越好。”有了新工具，别人开发的算法工程师可以拿来重新利用，十分轻松，修改算法应用在其它任务上也会简单许多。

很快，米汉那与团队就将Flo应用到整个公司。其它团队利用Flo生成算法，从用户的Nes Feed中挑选链接，还可以识别社交网络中的图片，为照片添加音频标签，盲人可以根据音频了解自己看的是什么东西。

据米汉那透露，有了Flo之后，Facebook每月可以训练、测试大约30万种模型。以前在Facebook社交网上推出一个新AI模型需要60天左右的时间，现在每周就可以发布几个新的模型。

事实上，深度学习的应用前景远不止如此。去年，Titter收购了WhetLab，它是深度学习的专家。最近，微软告诉外界自己的研究人员如何利用一套系统测试海量AI模型。微软研究人员Jian Sun管它叫“人工助手搜索”。

Facebook希望能加速前进，它的目标是打造一个开源Flo，与整个世界分享，LinkedIn、Uber、Titter已经有兴趣使用它。米汉那还与团队开发了一个名叫AutoML的工具，它可以更多地承担人类工程师的工作。AutoML运行于Flo之上，可以自动“整理”用于训练和其它算法的数据，不需要人的干预就可以准备好测试数据，在米汉那的理想中，他们希望AutoML最终可以自己收集数据。更有趣的地方在于AutoML也许可以利用AI来开发AI。

正如米汉那所说的，每个月Facebook要训练和测试大约30万个模型。AutoML可以利用测试结果训练其它模型，优化模型的训练过程。米汉那将它比作“Inception”（指电影《盗梦空间》），它的确行得通，系统可以自动选择可能会管用的算法和参数。米汉那认为“在训练之前几乎就可以预测结果了。”