谷歌用AI創建了一個子AI系統，還在測試中打敗了人類創建的AI系統

該子AI系統或許將來我們能夠在谷歌的自動駕駛系統中看見。

此前，谷歌曾推出一個AI系統“AutoML（自動機器學習）”，目的是通過訓練AI讓其能夠自主創建其他AI系統。目前，AutoML已經研發出了一個計算機視覺系統，而事實證明，這套系統的性能遠遠領先于其他最先進的模型智能系統。

圖：NASNet架構由兩種類型的層組成：正常層（左側）和縮小層（右側）。

在此次實驗中，研究人員讓AutoML所創建的子AI網絡NASNet完成對錄像中人物、汽車、交通信號燈、手提包和背包等物體的實時識別。

谷歌研究員稱，ImageNet圖像分類和COCO物體檢測數據集為“計算機視覺領域公認的兩大深度學習數據集”?；谶@兩大數據集上進行測試時，NASNet的表現完勝所有其他視覺系統。

具體數據上，在預測ImageNet驗證集上的圖像準確率時，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過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平臺高出3.1％。

以往，我們訓練AI算法的時候，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間成本?，F在，谷歌研發出能夠自己研發算法的AI系統，這對于AI發展的進程可以說是一個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，該算法可用于創造先進的人工智能機器人，或幫助患者恢復視力。此外，還能幫助設計師優化自動駕駛技術。增強識別道路障礙物的能力可提升車輛的反應速度，自動駕駛汽車的安全性也相應提高。

與此同時，谷歌研究人員已經NASNet開發了開源系統，時期進行圖像分類和探測物體。“我們希望基于這些模型，建立更大規模的機器學習系統，以解決未來可能會出現的大量計算機視覺難題。”研究人員在博文中表示。

從當前的進程來看，NASNet在計算機視覺的前路還是相當順利的，或許我們在未來能看見它的谷歌的自動駕駛系統中出現。此外，繼NASNet的成功之后，AutoML不知道什么時候能夠創建第二個子AI系統，有點令人期待。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！