从表面上看，这种技术可能会让人觉得AI发展终于迎来“奇点时刻”，它正在失去控制。但实际上，谷歌正利用它将机器学习令人不可思议的力量交到普通人手中。从本质上讲，AutoML的策略就是利用神经网络设计其他神经网络，这并不让人感到新奇，因为促使程序为其他程序编写代码正是机器学习的神奇所在。

AutoML之所以让人感觉耳目一新，原因在于它让神经网络开始介入设计过程中。AutoML并非精炼已经存在的简单模型，而是首先会选择这些模型，然后再对它们进行精炼。在这种情况下，AutoML就进化成我们所期盼的“全功能版机器学习”。在有关这个项目的博文中，谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）表示：“我们希望AutoML可以具备今天少数博士拥有的能力，对于成千上万的开发者来说，在3到5年内就能设计出全新的神将网罗以满足他们的特别需求。”

GoogleNet架构，设计这个网络需要对卷积结构的初始版本进行多年的谨慎实验和完善

所谓的神经网络是模仿人类大脑开发出的计算机系统，包括许多不同的计算层。通常情况下，如果我们想要利用机器学习技术解决某个问题，人类专家必须提供启动神经网络，它可以按照固定规则执行解决问题所需的基本计算。而AutoML则会尝试许多可能合适的算法，测试完全不同的神经网络构架，然后将其与目标相匹配。无需人类监督，随着时间推移，这个过程就会给出解决问题的最佳数学方案以及执行这个方案的最佳方式。最后的神经网络不一定要使用这些算法中的某个，而是可多次使用某个元素，前提是这样做更加有效。

从理论上讲，AutoML的方法应该能够设计出更高效的神经网络。它不仅可用于解决当前的简单问题，也可用于帮助解决对人类来说不可思议的问题。下面我们就来看看谷歌如何利用AutoML的关键能力。

假如对庞大的图片数据库进行分类，AutoML能设计出与人类工程师相似但又略优的神经网络。这种设计令人感到震惊的是，人类工程师们在观察AutoML设计的神经网络时，并不知道自己设计的神经网络与AutoML的设计差异所在。由于他们自己没有提出神经网络，为此他们最初完全无法确定。

左图中，人类尝试利用最好、最高效的神经网络解决特定图片数据库分类问题。右图，AutoML设计的神经网络拥有额外的节点，谷歌称其类似人类研究员最近提出的改进方案

AutoML的目标并非是要将人类从开发过程中剥离出去，甚至也不是要开发全新的AI，而是要让AI继续以我们多年来已经习惯的速度改变这个世界。编码神经网络的挑战正成为整个行业面临的阻碍，AutoML尝试为将来学习机器学习技术的人降低进入的门槛。

虽然远远超出当前技术的复杂水平，但AutoML依然是相同“极端民主化”过程的开始，我们已经在正常编码中多次看到这个过程。HTML拥有Dreamweaver，通过在AutoML模具中运行一整套AI创造AI程序，机器学习可能很快就能实现类似水平的方便操作。

为此，短期内AutoML可能还无法设计出更好的AI，尽管其最终肯定能实现这个目标。可是AutoML能够为正变得绝望的人才打开一个行业。AutoML没有谷歌顶级工程师的理论和数学才华，但普通人也无法让谷歌的顶级工程师来亲手解决他们的问题。有了AutoML，谷歌正在创造普通人可以掌握的AI工程师。