谷歌用AI創(chuàng )建了一個(gè)子AI系統，還在測試中打敗了人類(lèi)創(chuàng )建的AI系統

該子AI系統或許將來(lái)我們能夠在谷歌的自動(dòng)駕駛系統中看見(jiàn)。

此前，谷歌曾推出一個(gè)AI系統“AutoML（自動(dòng)機器學(xué)習）”，目的是通過(guò)訓練AI讓其能夠自主創(chuàng )建其他AI系統。目前，AutoML已經(jīng)研發(fā)出了一個(gè)計算機視覺(jué)系統，而事實(shí)證明，這套系統的性能遠遠領(lǐng)先于其他最先進(jìn)的模型智能系統。

圖：NASNet架構由兩種類(lèi)型的層組成：正常層（左側）和縮小層（右側）。

在此次實(shí)驗中，研究人員讓AutoML所創(chuàng )建的子AI網(wǎng)絡(luò )NASNet完成對錄像中人物、汽車(chē)、交通信號燈、手提包和背包等物體的實(shí)時(shí)識別。

谷歌研究員稱(chēng)，ImageNet圖像分類(lèi)和COCO物體檢測數據集為“計算機視覺(jué)領(lǐng)域公認的兩大深度學(xué)習數據集”?；谶@兩大數據集上進(jìn)行測試時(shí)，NASNet的表現完勝所有其他視覺(jué)系統。

具體數據上，在預測ImageNet驗證集上的圖像準確率時(shí)，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過(guò)先前公布的最高紀錄1.2％，系統效率也提高了4％。此外，在計算水平上，精確度較低的NASNet也要比尺寸相近的最高配移動(dòng)平臺高出3.1％。

以往，我們訓練AI算法的時(shí)候，海量數據的訓練是必不可少的，而這也就相對花去了大量的精力和時(shí)間成本?，F在，谷歌研發(fā)出能夠自己研發(fā)算法的AI系統，這對于A(yíng)I發(fā)展的進(jìn)程可以說(shuō)是一個(gè)具備里程碑意義的事件。

對于NASNet的應用方向，谷歌研究人員表示，該算法可用于創(chuàng )造先進(jìn)的人工智能機器人，或幫助患者恢復視力。此外，還能幫助設計師優(yōu)化自動(dòng)駕駛技術(shù)。增強識別道路障礙物的能力可提升車(chē)輛的反應速度，自動(dòng)駕駛汽車(chē)的安全性也相應提高。

與此同時(shí)，谷歌研究人員已經(jīng)NASNet開(kāi)發(fā)了開(kāi)源系統，時(shí)期進(jìn)行圖像分類(lèi)和探測物體。“我們希望基于這些模型，建立更大規模的機器學(xué)習系統，以解決未來(lái)可能會(huì )出現的大量計算機視覺(jué)難題。”研究人員在博文中表示。

從當前的進(jìn)程來(lái)看，NASNet在計算機視覺(jué)的前路還是相當順利的，或許我們在未來(lái)能看見(jiàn)它的谷歌的自動(dòng)駕駛系統中出現。此外，繼NASNet的成功之后，AutoML不知道什么時(shí)候能夠創(chuàng )建第二個(gè)子AI系統，有點(diǎn)令人期待。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！