只有人工智能才能打造更好的人工智能

AI项目收效甚微的主要原因是深度学习模型算法的高度复杂性，只有AI才能设计出更好的AI，帮我们度过AI冬天。

关于人工智能技术如何改变整个行业的讨论仍在继续，现实是，大多数企业已经开始努力从人工智能中获得真正的价值，但结果并不乐观。根据《麻省理工学院斯隆管理评论》（MIT Sloan Management Review）和波士顿咨询集团（Boston Consulting Group）在2019年进行的一项调查，近年来有65％的组织在AI上进行了投资，尚未看到任何实质性的收益。根据IDC的研究，在执行AI项目的企业中，有四分之一的企业认为至少有50％的项目失败，其中“缺乏熟练的员工”和“不切实际的期望”是失败的主要原因。

这些努力收效甚微的主要原因是深度学习模型算法的高度复杂性。算法复杂度是指在生产中构建和运行这些模型的计算复杂度。面对延长的开发周期，高昂的计算成本，令人不满意的推理性能以及其他挑战，开发人员经常发现自己卡在了AI应用的开发阶段，试图通过人工试错来完善深度学习模型，距离生产环境遥遥无期。或者，数据科学家试图拷贝其他模型，但最终发现并不适合其独特的业务问题。

如果人类开发的算法不可避免地遇到成本、时间、人力和业务匹配性的障碍，那么AI行业如何克服这些障碍？答案在于：由算法设计的算法——迄今为止，这种现象仅限于学术界，但是当它在未来几年商业化时，它将在各个行业中催生开创性的应用。

这种新方法将使数据科学家能够专注于自己最擅长的事情——解释和提取数据见解。在AI生命周期中实现复杂流程的自动化也将使AI的优势更易获得，这意味着缺乏大量技术预算的组织和开发人员可以更轻松地利用该技术的真正变革能力。

更多的是艺术而不是科学

由于创建有效的深度学习模型的任务已成为人类独自应对的巨大挑战，因此组织显然需要一种更有效的方法。

由于数据科学家经常因深度学习的算法复杂性而陷入困境，因此开发团队一直在努力设计解决方案，并被迫手动调整和优化模型——这种效率低下的过程通常以牺牲产品的性能或质量为代价。此外，手动设计此类模型可导致产品上市时间被延误。

这是否意味着唯一的解决方案是能够自我开发的完全自主的深度学习模型？不必要。

考虑汽车技术。完全自动驾驶和完全手动驾驶之间流行的二分法过于简单粗暴。实际上，这种非黑即白的框架模糊了汽车制造商在引入更高水平的自主技术方面所取得的巨大进步。这就是为什么汽车行业内部人士会谈到不同级别的自主性-从1级（包括驾驶员辅助技术）到5级（全自动驾驶汽车，仍然遥不可及）。有可能我们的汽车可以变得更加先进，而无需在此过程中实现完全自主。

人工智能世界可以（并且应该）发展出类似的理念。人工智能从业者需要能够将深度学习模型设计的繁琐流程自动化的技术。与高级驾驶员辅助系统（ADAS）（自动制动系统，自适应巡航控制）为汽车行业实现更大自主性铺平道路类似，人工智能行业也需要自己的技术来做到这一点。而AI则是帮助我们实现目标的关键。

用人工智能打造更好的人工智能

令人鼓舞的是，已经可以利用AI来简化其他与技术相关的任务，例如编写和查看代码（其本身是由AI开发的）。深度学习革命的下一阶段将涉及类似的补充工具。在未来五年中，期望看到这种功能逐渐在商业上向公众提供。

迄今为止，有关如何开发这些卓越的AI功能的研究一直仅限于高级学术机构，而且毫不奇怪，这是技术界的佼佼者。Google在神经体系结构搜索（NAS）方面的开拓性工作就是一个重要的例子。由Google首席执行官Sundar Pichai形容为“神经网络设计神经网络”的一种方式，NAS（一种于2017年开始引起人们注意的方法）涉及在数千种可用模型中进行算法搜索，这一过程最终形成了适合特定算法的算法。眼前的问题。

目前，NAS是一项尚未在商业上广泛引入的新技术。自成立以来，研究人员已经能够缩短运行时间并减少运行NAS算法所需的计算资源量。但是，这些算法仍无法在不同的问题和数据集之间推广（更不用说准备用于商业用途了），因为对于每个单独的用例，必须手动调整每个问题的体系结构空间，这种方法远非可扩展。

该领域的大多数研究都是由Google和Facebook等技术巨头以及斯坦福大学等学术机构进行的，斯坦福大学的研究人员将新兴的自主方法称为推动AI进步的“有希望的途径”。

但是，在创新型AI开发人员在该领域已经完成的工作的基础上，随着概念在未来几年内变得更具可扩展性和可负担性，NAS这样的独占性技术将被具备更广泛可访问性的技术所取代。结果？开发AI的AI，从而释放其解决世界上最复杂问题的真正潜力。

2021年，对于AI这个成熟的创新领域，创新只会带来进一步的创新。

本文作者Yonatan Geifman 是 Deci 联合创始人兼首席执行官