编者注：目前，一个程序功能的实现是由一行行代码来完成的，它的每一步都需要人工的精确控制。然而不久的将来，程序或许能够像生物的生理过程一样“自我修复、成长和复制”，甚至可能出现自我意识，那个时候，人类与计算机之间的关系会变得更加微妙。
“深度神经网络”这个词现在越来越受互联网的关注，它的核心是通过对大数据的分析来代替人类思维去做各种决策。目前像这样子的“人工智能”系统已经普遍存在于互联网的各项服务当中，这在前几年还是不可想象的事情。例如照片中的人脸识别、语音命令识别、对话翻译。这些我们都比较熟悉了，在网上讨论比较少的是：科技巨头是如何建立这些相当了不起的AI引擎的？
首先一点，这些科技巨头对这方面的相关Kaiyun官方网站app登录 肯“花血本”，即愿意为其支付高额的薪水，因为具有这方面才能以及受过严格专业训练的Kaiyun官方网站app登录 在全世界只有几百人，可谓是凤毛麟角，这也理所当然的成为了人工智能发展的瓶颈。当然，这并不是唯一的因素，从另外一个角度来说，即使是这方面的大牛也不能保证在编写一个复杂的服务程序时不会出现bug。
为了建立“深度神经网络”从而攻克下一个AI的难题，研究人员首先需要尝试大量的建立方法（当然绝大部分都是无效的），光这个步骤就要让上百台计算机进行大量且复杂的运算。
“我们的目标是期望能够在问题的处理上给予计算机一些解决思路，让计算机自己建立具体方法去寻找问题的答案。”谷歌DeepMind的联合创始人杰米斯.哈萨比斯说道。值得一提的是，这个天才少年开发的AlphaGo围棋
机器人在2016年的人机大战中战胜了韩国围棋冠军李世石。
这就是为什么众多互联网巨头不断尝试让计算机学会自我测试以及自我修复bug功能。如果能做到这点，就能将最新的机器学习理论向普通工程师推广，而那些天才大脑就有更多的时间去研究更深的理论和更复杂的难题。这将促进AI的发展进程以及基础服务质量的提升。
换句话说，为了提高效率，计算机必须能自我处理大量的枯燥的工作。互联网巨头们正在试着建立一个机器学习系统，能够代替工程师检测问题发生的各种可能性。不过现在这些公司正在做一些更有野心的事情，即建立一个能够创造AI算法的AI系统。这并不是开玩笑，Facebook的工程师设计了一个叫做“自动机器学习工程师”的程序，这就是一个“能创造AI算法的AI系统”。当然，作为一个新生事物，这个程序还存在不少的缺陷。
感受“Flow”
在Facebook于2012年上市之后，Hussein Mehanna和Facebook广告团队的工程师在广告定位上感受到了成倍的压力，因为他们需要将广告与Facebook社交网络中大量的用户精确匹配。而深度神经网络和其他机器学习算法能够更好的帮助分析Facebook所搜集的用户信息以及他们的行为模式。
Mehanna表示，Facebook的工程师在AI方面上创新的想法层出不穷，但如何有效测试这些想法却是一个难题，所以他和他的团队发明了一种名为“Flow”的测试工具。“我们期望建造一个机器学习装配线，以供所有Facebook的工程师使用。”Mehanna说道。Flow的目的是为了帮助工程师建造、测试以及尝试在一个复杂的模型中执行机器学习算法，这是一个
应用广泛的技术，涵盖了所有能够完成自我学习的服务，也包括任何形式的机器学习技术。
基本上，工程师能很轻易测试公司庞大数据中心里层出不穷的想法。他们能运行测试各种算法的可能性，这些算法不仅包括深度学习系统，也包括其他形式的AI，例如逻辑回归、增强型决策树等等，而测试的结果又会衍生出更多的想法。“理论上你测试的想法越多，结果就越好。”Mehanna说道。这也意味着工程师可以轻易地重复使用别人建造的算法，并将算法微调之后应用到别的任务中去。
不久之后，Mehanna和他的团队升级了“Flow”并在公司全面推广。在其他团队中，“Flow”有助于产生各种各样的算法：为Facebook News Feed上挑选相应的链接，实现朋友圈中照片的人脸识别，为照片配上音频说明以便盲人也能够理解其中的内容，甚至帮助Facebook确定世界上的哪一个区域还需要接入互联网。
Mehanna 说道，在“Flow”的帮助下，Facebook每个月大概可以测试30万个机器学习模型。曾经的Facebook每60天才能放一个新的AI模型到社交网站上去测试，而现在每周都能增加几个新模型。
下一个前沿
这个想法远远比Facebook本身更重要。它被全世界的各个深度学习研究团队共同采纳。例如就在上周，Twitter收购了一家叫WhetLab的初创企业，WhetLab主要的研究方向就是深度学习和机器学习。最近，微软也透露了他们的研究人员是如何使用一个系统去测试海量潜在的AI模式的。微软研究人员Jian Sun把它称作“人工辅助搜索”。
Mehanna和Facebook希望加快进度。Facebook计划将 “Flow”与全世界共享，Linkedin、Uber、以及Twitter等公司已经表明了对这个工具的兴趣。Mehanna和他的团队也开发了一个名为AutoML的工具，能够为工程师减轻更多的负担。它能在Flow运行的同时自动清除用于训练神经网络和其他机器学习算法的数据，不需要任何人工干涉。Mehanna甚至设想它能够自动搜集数据，更有趣的是，AutoML可以使用AI去新建AI系统。
就如同Mehanna之前所述，Facebook每个月能够训练和测试30万种机器学习模式。AutoML能使用测试的结果去训练另外的模式，以优化训练过程。是的，这件事看起来就如同《盗梦空间》那样不靠谱，但它确实可行。整个系统能够自动选择可能性最大的算法和参数。“这几乎就能在训练和测试之前去预测结果，”Mehanna说道。
在Facebook广告小组内部，工程师们甚至打造出了名为Asimo的“自动机器学习工程师”，这个系统也被推广到了整个公司。有的时候，Asimo可以自动增强和改良现有的模型，并立即运用到网络中。“现在它还不足以发明一个新的AI算法，”Mehanna说道“但如果沿着这条路继续走下去的话，谁知道呢？或许将来就可行了。”
这是一个很有趣的想法，这个想法几十年来一直吸引着科幻作家们的眼球，即“让人工智能复制自己”。虽然Asimo并不会像科幻
电影《终结者》中的“天网”那么先进或者具有威胁，但这却是走向未来世界的一大步。在未来开发AI的领域中，不仅有最顶尖的大脑，甚至会有一些“非人类智慧”的参与。
