深度神經網絡正在重塑互聯網。這樣的人工智能系統因為有了通過分析海量數據學習每樣人類任務的能力，從而為網絡在線服務注入了以前無法實現的新力量。它們能在照片中識別人臉、識別智能手機的語音指令、還能進行機器翻譯。它們甚至在幫助谷歌選擇搜索結果。這些我們都知道，但往往較少提及的是互聯網巨頭們如何去建造這些相當了不起的人工智能引擎。

其中一個做法是，谷歌和 Facebook 這樣的公司花高價聘請那些頂級聰明的人。地球上只有幾百人有這樣的天賦和技能來真正推動人工智能事業(yè)的發(fā)展。在這些頂級大腦上的投入抵得上一個 NFL（美國橄欖球聯盟） 四分衛(wèi)的工資。這是人工智能不斷發(fā)展進步的一個瓶頸，而且這并不是唯一一個瓶頸。即使是頂尖的研究者們，在沒有大規(guī)模反復試驗的情況下，也無法建立這樣的人工智能服務。要構建一個解決人工智能難題的深度神經網絡，研究人員在成功前一定會嘗試無數種方式，并一個一個的在幾十、幾百個機器上運行。

Google 旗下 DeepMind 公司的聯合創(chuàng)始人Demis Hassabis 說，「這更像是做教練而不是球員，你忽悠著把這些東西傳達出來，而不是直接告訴機器做什么。」

這就是為什么許多公司現在正試圖把反復試驗（trial and error）的過程自動化，或至少使其一部分自動化。如果你把核心關鍵自動化了，你可以更快速地將最新的機器學習推廣到普通工程師手中，頂級天才將會有更多的時間思考更好的想法、解決更困難的問題。反過來，這也會加速我們日常使用的網絡服務和 App 背后的人工智能的進程。

換句話說，要讓計算機變得更聰明、更快，電腦本身必須處理更繁重的工作。互聯網巨頭們正在制造能夠替代工程師測試無數機器學習算法的計算系統，并且這種系統自身能夠不斷測試各種可能性。更好的是，這些公司正在開發(fā)可以幫助建立人工智能算法的人工智能算法。這并非開玩笑。在Facebook內部，工程師們已經設計一個他們稱之為「自動機器學習工程師」的人工智能系統，一個幫助開發(fā)人工智能系統的系統。雖然離完美還有很大距離，但最終目標是用盡可能少的人力工作創(chuàng)造新的人工智能模型。

在 Facebook 2012 年 1040 億美元的 IPO 之后，Facebook 廣告團隊的 Hussein Mehanna 和其他工程師在改良公司的廣告定位上倍感壓力，因為它們需要更精確地把廣告和數以百萬計使用社交網絡的用戶匹配起來。這意味著構建的深度神經網絡和其他機器學習算法需要更好地利用 Facebook 收集到的大量數據。這些數據來源于數以百萬計的用戶的特性和行為愛好。

據 Mehanna 所說，Facebook 工程師們在想出新的人工智能點子上毫無壓力，但測試這些想法卻又是另一回事。于是他和他的團隊開發(fā)了一個叫做 Flow 的工具。Mehanna 說，「我們想建立一個機器學習裝配線，讓 Facebook 所有的工程師都可以使用。」設計 Flow 的目的是幫助工程師大規(guī)模的開發(fā)、測試和執(zhí)行機器學習算法。這是一個廣泛的技術，涵蓋了完成自我學習任務的所需的所有服務，也幾乎包括了任何形式的機器學習技術。

基本來說，工程師們可以很容易地測試公司龐大的計算機數據中心網絡層出不窮的想法。他們可以運行測試各種算法的可能性，這些算法所涉及的不只是深度學習，還有其他形式的人工智能，包括對數幾率回歸到 Boosted 決策樹，而測試的結果還可以提供更多的想法。Mehanna 說，「嘗試越多的點子、越多的數據就越好。」這也意味著工程師們可以很容易地對其他人寫的算法進行再利用，對這些算法進行微調然后應用到其他任務。

很快，Mehanna和他的團隊在全公司推廣使用 Flow。在其他團隊里，它可以幫助生成各種算法：選擇 Facebook News Feed 的連接、識別發(fā)布到社交網絡照片里的面孔、為照片生成音頻描述從而讓盲人理解照片內容。它甚至可以幫助公司確定世界的哪些部分還需要接通互聯網。

Mehanna 說，在 Flow 的幫助下，Facebook 每個月訓練和測試約 30 萬個機器學習模型。曾經 Facebook 每 60 天左右才把一個新的人工智能模型推送到其社交網絡上，而現在每周就可以推送幾個新的模型。

這個想法要比 Facebook 本身重要的多。這是全球深度學習領域共同的實踐。去年，Twitter 收購了一個叫做 Whetlab的創(chuàng)業(yè)公司，專門從事這樣的工作。最近，微軟也透露出其研究人員如何使用一個系統測試海量的人工智能模型。微軟研究人員 Jian Sun 把它稱之為「人類輔助搜索。」

Mehanna 和 Facebook 想要加快這個進程。公司計劃最終把 Flow 開源，與世界分享 Flow。據 Mehanna 所言，諸如LinkedIn、Uber 和 Twitter 都對使用 Flow 感興趣。Mehanna 和他的團隊還開發(fā)了一個工具叫 AutoML，可以減去工程師們更多的負擔。與 Flow 同時運行的 AutoML 可以在沒有任何人為干預的情況下，自動「清除」用來訓練神經網絡的和其他的機器學習算法的數據，并做好測試準備。Mehanna 設想的未來版本甚至可以收集自己的數據。但更有趣的是，AutoML 使用人工智能幫助開發(fā)人工智能。

正如 Mehana 所說，Facebook 每個月訓練和測試約30 萬個機器學習模型。AutoML 可以使用這些測試結果來開發(fā)另一個機器學習模型，這個模型可以優(yōu)化整個機器學習模型的開發(fā)流程。是的，這可能讓你感到困惑。Mehana 把它與《盜夢空間》相比，但它是行得通的。該系統可以自動選擇行得通的算法和參數。「這幾乎可以在開發(fā)前就能預測到結果，」Mehana 如是說。

在 Facebook 的廣告團隊里，工程師們甚至還開發(fā)了叫做 ASIMO  的「自動機器學習工程師」，這個工具已經推廣到公司的其他部門。據 Facebook 表示，在有些情況下，它可以自動增強和改進現有模型，工程師可以把改進后的模型立即應用到網絡里。Mehanna 說，「它還不足以發(fā)明一種新的人工智能算法，但沿著這條路一直走下去誰又知道會怎樣。」

這確實是一個很有趣的想法，一個讓科幻作家為之癡迷幾十年的想法：一個會自我建造的智能機器。其實 ASIMO 并沒那么先進，但這確實是走向未來世界一大步。在未來，開發(fā)人工智能的人里面，不僅會有絕頂聰明的天才，還會有一些非人類的存在。