AI 科技評論按：Google AI 近日終于發(fā)布了 AutoML 的測試版，有人說這項服務(wù)將徹底改變我們進行深度學(xué)習(xí)的方式。

　　Google 的 AutoML 是一套新的云端機器學(xué)習(xí)軟件工具套件。它基于谷歌在圖像識別領(lǐng)域最新的研究成果，即神經(jīng)結(jié)構(gòu)搜索NAS（

　　https:///abs/1707.07012）。NAS 其實就是一種算法，它會根據(jù)你所給定的數(shù)據(jù)集，自動搜索在上面執(zhí)行某個任務(wù)時可以達到最佳表現(xiàn)的神經(jīng)網(wǎng)絡(luò)。AutoML 也是一套機器學(xué)習(xí)工具，它使人們可以輕松地訓(xùn)練高性能深度神經(jīng)網(wǎng)絡(luò)，而無需用戶（自身）掌握深度學(xué)習(xí)或 AI 知識，你只用標(biāo)記數(shù)據(jù)就行啦！Google 將使用 NAS 為你指定的數(shù)據(jù)集和任務(wù)量身定做最好的網(wǎng)絡(luò)。Google 已經(jīng)展示過這套算法，并成功獲得了遠超人工設(shè)計網(wǎng)絡(luò)的性能。

　　AutoML 完全改變了整個機器學(xué)習(xí)領(lǐng)域的玩法，因為對于許多應(yīng)用而言，以后再也不需要掌握專業(yè)技能和知識。許多公司只需要運用深度網(wǎng)絡(luò)就能完成比較簡單的任務(wù)，如圖像分類。那時，他們就不再需要雇用 5 名機器學(xué)習(xí)博士；他們只需要一個會移動和會組織數(shù)據(jù)的人即可。

　　那么 AutoML 真的就像一柄尚方寶劍那樣，能讓任何公司或個人都能輕松做 AI 嗎？！

　　.…… 還沒那么快……

　　使用 Google 的 AutoML 進行計算機視覺，它的價格是每小時 20 美元。簡直貴瘋了！在你付費并試用它之前，你甚至都不能確定它真的會比自己手工設(shè)計的網(wǎng)絡(luò)更精確。值得一提的是，從以前開始，無論在 Google 還是 AI 社區(qū)，人們總是傾向于開源，以便能夠與所有人分享知識。

　　而這正是 Google 的 AutoML 將會吃虧的領(lǐng)域：開源。

　　看看 AutoKeras 吧，這是一個編寫在十分易于使用的深度學(xué)習(xí)庫 Keras 中的一個開源的 python 包。AutoKeras 使用了 ENAS（

　　https:///abs/1802.03268），這是一種高效且最新版本的神經(jīng)結(jié)構(gòu)搜索方法。你只要使用 pip install autokeras 就能快速輕松地安裝軟件包，接著就能用自己的數(shù)據(jù)集來執(zhí)行自己的架構(gòu)搜索啦！而且還是免費的喲！

　　由于所有代碼都是開源的，所以如果你想做一些定制化的事情呢，甚至可以去調(diào)整樂器部分參數(shù)。因為仍然是用 Keras 編寫的，使得代碼易于理解和鉆研，這讓開發(fā)人員可以迅速創(chuàng)建準(zhǔn)確的模型，也利于研究員更深刻的理解架構(gòu)搜索的方法。

　　AutoKeras 擁有一個偉大的開源項目所應(yīng)具備的一切要素：快速安裝、易于運行、大量示例、便于修改，甚至還能看到 NAS 最終發(fā)現(xiàn)的網(wǎng)絡(luò)模型的具體結(jié)構(gòu)！如果你更中意 TensorFlow 或 Pytorch，那么這里（

　　https://github.com/melodyguan/enas）和這里（

　　https://github.com/carpedm20/enas-pytorch）也有它們對應(yīng)的代碼實現(xiàn)！

　　我一定會推薦你們使用 AutoKeras 或其他任何實現(xiàn)，因為它們比 AutoML 便宜太多了。也許谷歌正在開源的部分之外為 AutoML 做更多的幕后工作，但考慮到 NAS 模型和手工設(shè)計的模型之間的性能差別非常小，我真的懷疑大家會為了只高出一點的性能來支付如此昂貴的費用。

　　深度學(xué)習(xí)和人工智能是十分強大的技術(shù)，我們不應(yīng)該用如此高額的費用來阻礙它的現(xiàn)世。雖說谷歌、亞馬遜、蘋果、Facebook 和微軟確實都需要用盈利來生存和競爭，但在當(dāng)前研究論文公開的前提下，我們明明有深度學(xué)習(xí)庫可以用來快速復(fù)制方法，卻要嘗試阻止開源，這實在不是明智之舉。

　　這里還有一個潛在的更大的問題:知識本身正在被隱藏。最近人工智能發(fā)展趨勢的一大亮點是，許多研究社區(qū)決定在 Arxiv 等網(wǎng)站上公開發(fā)布他們的研究成果，與社區(qū)分享并獲得反饋。更重要的是，越來越多的人將研究代碼發(fā)布到 Github 上，可以復(fù)制和繼續(xù)改進，并在研究和真實世界問題中得到更進一步的引用。然而在這里，我們?nèi)匀豢吹竭@樣的研究被放在付費墻后面。

　　共享科學(xué)知識有助于進步并增加每個人的普遍知識。有一點是可以肯定的：知識應(yīng)該是開源的，這能惠及每個人。