人工智能開始自學寫 AI 軟件

Google Brain 人工智能研究小組最近進行 AI 程式試驗，讓軟件設計了一套機械學習系統，然後對這套系統進行語言測試，結果該系統的表現超過人類設計的軟件。

Google Brain 團隊首先用遞迴神經網絡生成神經網絡的說明，然後利用強化學習對該 RNN 進行訓練，這個方法可以讓 AI 從零開始設計出一個新穎的神經網絡架構，再利用 CIFAR-10 資料集，當中包含 6 萬張 32×32 的彩圖，涉及 10 類對象，每一類各 6000 張，其中 5 萬張為訓練影像，1 萬張為測試圖像，進行影像辨識測試，其精確度甚至比人類設計的最好架構還高，錯誤率僅 3.84%，與目前最先進的神經網絡模型比較，其錯誤率僅低 0.1 %，但速度快 1.2 倍。在用於自然語言處理的 Penn Treebank 資料集上，其模型構造出來的一種遞迴神經單元，超越廣泛使用的 LSTM 神經單元等最新基準指標，在複雜度方面比後者好 3.6 倍。

另外，Google 的另一個 AI 團隊 DeepMind 最近發表一篇名為《學會強化學習》的論文，研究同樣針對深度學習所需的訓練數據量大且抓取成本高的缺點。他們提出一種名為 Deep Meta-reinforcement Learning 的強化學習方法，利用遞迴神經網絡可在完全監督的背景下支援學習的特點，把它應用到強化學習上，用一個強化學習演算法訓練出來的神經網絡部署到隨意環境，使 AI 在訓練數據量很少的情況下，具備應用多種場景的學習能力，這名叫學會學習的能力，或者叫能夠解決類似相關問題的歸納能力。

雖然 AI 的自學能力取得突破，但近期仍然無法大範圍推廣，因為這種能力需要龐大的計算資源，例如 Google Brain 設計出辨識率超過人類所開發系統的影像辨識 AI 就需要 800 個 GPU，但是這種情況將來可能會發生變化。最近 MIT Media Lab 開發出設計深度學習系統的學習軟件，其對象辨識率超過人類設計的系統。MIT Media Lab 計劃將來開放這套 AI，讓大家繼續這方面的探索。

除了 Google 和 MIT，最近幾個月有幾個小組也在讓 AI 軟件學習編寫 AI 軟件方面取得進展，當中包括非牟利的 AI 研究組織 OpenAI、MIT、加州大學、柏克萊分校等。

一旦啟動式 AI 技術具備實用性，機械學習軟件在各個工業應用的節奏無疑將大大加快，因為目前機械學習專家極為短缺，各企業組織都需要高薪供養這批人。