三年前，谷歌的大脑研究人员宣布创建一个自动机器学习平台——AutoML，它可以创建自己的AI系统。AutoML的诞生试图探索这一技术能否让更多的行业专家克服工程和算法的障碍，只有利用专业知识和数据积累，借助机器完成深度学习算法的开发。从而大大提高模型设计的效率，实现人工智能的普及。

从内部来看，探智立方是一家备受关注的公司。这家同样成立于三年前的国内人工智能企业，致力于开发具有“自动模型设计”能力的平台——DarwinML。这样，基于进化算法(evolutionary algorithm)的DarwinML找到了模型不依赖人工设计的“进化路径”，从而减少了人工智能的应用算法，使得各个行业的IT人员和行业专家更容易将人工智能投入到各种适合和需要的场景中，解决了人才补充和技术能力不足的共性问题。

基于进化算法的自动布线

在AI自动模型设计方面，AutoML的实现路径实际上包括四大方向：强化学习、进化算法、迁移学习方法和MetaLearning(元学习是未来潜在的方向之一)。目前不同公司的实施路径不同，但大多采用迁移学习。与其他人不同，探智立方一直坚持探索进化算法的方向。

“目前最常用的AutoML方法是基于transferlearning，百度，华为、谷歌等公司推出的AutoML产品主要就是基于这种方法。”

然而，这可能有缺点：它需要依赖足够大的数据科学家团队，以及特定领域丰富的模型类型。我们可以看到，如今AutoML产品在影像领域的效果最好，因为影像领域可用的资源最多(不是模型，甚至模型权重都是开源的)。

但是在其他大量的领域中，如果要对按部就班、结构化的数据进行处理和分析，没有一定的规定，也没有现成的权重，迁移方法可能不适用。

同时，基于序列模型的方法和元学习方法克服了不同的挑战，如搜索空间过大导致的计算需求指数级增长。

最重要的是，进化算法提供了另一种方式：无论是DAS还是NASNet，在机器学习模型设计任务上都是超越人类的真正机会，其初始条件是固定配置。进化算法没有这个限制，它可以创建一个全新的网络结构，这可能是一些人以前从未设计过的模型。\"

汽车的实际应用

钱广锐介绍：“如今学术界对AutoML的研究主要集中在方法论本身，而探智立方更关注的是如何结合AutoML技术用户的实际数据，投入到项目中。我们开发的DarwinML平台帮助大量用户学习自己的数据，训练自己的模型，这也让平台变得更智能，可以帮助用户更高效地解决问题。”

“一个由3名具有2-4年经验的人员组成的数据科学团队在一至两周内设计了一个模型。有了DarwinML，目前，DarwinML可以大大提高数据科学家的工作效率。可以达到更好的效果，机器的模型生成时间不超过一天。”宋煜说。可以预见，在不久的将来，探智立方在自动机器学习(AutoML)方面的技术能力将进一步推动人工智能的加速落地。

探智立方， 徐宁，解决方案总监和宋煜，产品总监

感兴趣的企业客户和行业专家可以登录探智立方： www.iqubic.net的网站，或者通过以下方式体验。