坊間流傳著這么一個說法：谷歌想回中國，必須靠AI；而靠AI回中國，必須搞個大事情。于是，上周四的晚上李飛飛發(fā)布了一篇博客，然后連著發(fā)了三條推特，宣布一個叫AutoML的AI產(chǎn)品了。

一夜之間，中國的科技媒體就爆炸了，空氣中似乎回蕩著那一句話：搞事情了、搞事情了、搞事情了……AutoML是不是跟谷歌的中國戰(zhàn)略有關(guān)，我們不做討論。這里希望幫大家搞清楚的，是這個AutoML到底要搞什么事情。

按照谷歌云AI項目首席科學家李飛飛的說法，AutoML的目標是降低開發(fā)者、研究者和企業(yè)群體使用人工智能相關(guān)工具和框架的門檻。而通俗的理解大概就是，這個產(chǎn)品可以不用寫一行代碼，就訓練出一個企業(yè)級的機器學習模型。AutoML也就是“自動機器學習”的意思。

驚不驚喜？意不意外？傳說中學會機器學習年入50萬呢，說好的BAT瘋搶AI工程師呢？是不是感覺剛掏出去的培訓費被風吹走了？更有網(wǎng)友驚奇地評論道：“不是說一起用AI去革一大堆工作的命嗎？怎么我辛辛苦苦學AI，結(jié)果先被革命了？”

當然了，現(xiàn)實并沒有這么殘酷。但谷歌的動作并不是孤例，背后隱含著的，是一直被反復提及的“AI民主化”，并且也折射出“我們今天學的AI技術(shù)也許是沒用的”。

搞笑的吧？原來最先被AI革命的是AI工程師？

谷歌宣布的這個讓碼農(nóng)界風聲鶴唳的東西，叫做AutoML Vision，是整個AutoML體系的第一款產(chǎn)品，專注自動生產(chǎn)圖像識別領(lǐng)域的模型。

我們用簡單易懂的方式描述一下這個系統(tǒng)是如何工作的：

假如以前我想要做一個能夠進行圖像識別的AI系統(tǒng)，那么我需要在開發(fā)框架上自己搭建訓練過程，完成各種訓練部署，導入數(shù)據(jù)集，整個過程需要使用編程的方式來完成。但在AutoML Vision上，我一行代碼都不用寫，只需要按照說明，把我希望訓練用的圖片都拖進系統(tǒng)里，然后耐心等待，一個訓練好的機器學習模型就趁熱出爐了。

舉個例子，假如你想訓練一個模型，用來識別你家的貓主子是不是生氣了（這得有多無聊。。.。。.），那么就只需要在AutoML Vision中放入你家貓的照片、它生氣時候的照片、高興時候的照片等等，然后你就會得到一個識別程序。用它連上手機拍照，就可以讓AI去理解貓大人的喜怒哀樂了。

是不是挺神的？

AutoML Vision拖放圖片界面

這背后，是谷歌利用了深度學習領(lǐng)域中的遷移學習（Transfer Learning）技術(shù)。把此前谷歌訓練圖像識別模型時積累下來的訓練過程，遷移到AutoML當中，這樣就節(jié)省下后續(xù)類似模型的開發(fā)過程。

簡單來說，AutoML有點像谷歌云搭建的一個“解題公式”。之后的考生并不需要知道公式是怎么來的，只需要把問題套進去就可以得到答案。當然了，這只是簡單交代一下它的工作原理，實際上沒有那么容易。尤其在調(diào)試進程中，不同模型需求和系統(tǒng)的兼容度是個大問題。

總而言之，這個產(chǎn)品以及背后的思路，對于想做機器學習又缺乏專業(yè)技術(shù)和人才的企業(yè)來說確實是個福音。它取消的，是通過代碼搭建機器學習模型的過程，以及復雜的調(diào)試工作。僅為碼農(nóng)們保留了輸入特定數(shù)據(jù)這個操作。很大程度上降低了機器學習訓練中的工作量，尤其是編程工作。

但也別太樂觀。雖然AutoML目前還沒有正式發(fā)布，真實效果有待考量，使用價格也是未知數(shù)。但就目前信息來看，AutoML生成定制化模型需要的數(shù)據(jù)量還是很大的，不是毫無基礎(chǔ)的開發(fā)者能夠搞定的。

而且它只能完成相對簡單的任務(wù)，且只能套用谷歌給出的訓練方案。如果想要制作比較復雜的機器學習系統(tǒng)，使用獨特算法進行訓練，那么編程還是不可避免的。

所以呢，目前來看真正用心且努力進入AI開發(fā)領(lǐng)域的朋友大可放心。除了圖像識別，谷歌未來還計劃將AutoML服務(wù)拓展到翻譯、視頻和自然語言處理等領(lǐng)域。這或許意味著初級的AI程序被自動生成、快速復制到各行業(yè)已經(jīng)不遠了。

雖然谷歌表示AutoML是目前唯一一個此類產(chǎn)品，但其實各家也都在部署類似的業(yè)務(wù)。比如亞馬遜的Amazon SageMaker，以及微軟還未正式發(fā)布的定制圖像識別模型服務(wù)。包括國內(nèi)的百度，也在旗下AI開放平臺中推出過定制化圖像服務(wù)。

之所以說谷歌這次“搞了個大事”，主要是因為AutoML的自動化程度更高，尤其是解決了自動搭建訓練模型和調(diào)參這兩大問題。

不過在谷歌這么賣力的背后，似乎寫著五個大字：AI民主化。

AI民主化，要取消了誰的集權(quán)？

去年3月，剛剛加盟谷歌不久的李飛飛就表示，人工智能的下一步是完成“AI民主化”。在這次發(fā)布AutoML之后，她又一次表示由于資源稀缺，多數(shù)企業(yè)無法開發(fā)個性化模型，所以AutoML的出現(xiàn)是為了進一步推進AI民主化。

那么問題來了：AI民主化，到底是針對誰的專政？要取消誰的集權(quán)？

有人說了，大部分先進的AI技術(shù)現(xiàn)在是掌握在幾家大公司手里的。AI民主化當然是要讓人人成為AI的主人，破解巨頭專政。

我只能說，你當人家傻啊？

難道谷歌們會費了好大力氣，為了瓦解自己的霸權(quán)？當然不會。就像AutoML的產(chǎn)品思路中展示的那樣，省略掉了開發(fā)者的技術(shù)門檻，谷歌從中吃虧了嗎？沒有。谷歌擁有了更多的用戶，自身的算法優(yōu)勢無形中得到了擴張。并且AutoML的用戶訓練模型是要直接部署在谷歌云上的，顯然這也是個變相捆綁，希望從刁鉆角度刺AWS幾刀。

對于最迫切希望得到“民主”的小公司和個人開發(fā)者而言，巨頭兜售的開發(fā)者賦能和去技術(shù)門檻式“民主”，絕不是仁慈的饋贈，換取而來的是小開發(fā)者們緊密依賴關(guān)系的生態(tài)交換。真正被AI民主化瓦解的，其實是夾在大公司和小開發(fā)者之間的中層公司，或者叫算法公司、技術(shù)公司。

目前在世界各地的AI市場上，這類中型公司都普遍存在。當然其存在是有意義和價值的。對于巨頭來講，將技術(shù)能力打入各行各業(yè)，開發(fā)各種各樣的應(yīng)用是完全不可能的，那么就有賴于開發(fā)者去做這些事，自己做平臺服務(wù)和技術(shù)能力的輸出者就好了。

但小團隊和個人開發(fā)者能去做這些深入行業(yè)，或者極具創(chuàng)意的開發(fā)嗎？其實也不行，因為從頭開始的技術(shù)太復雜，對人才的需求太高，一般開發(fā)者和小企業(yè)根本玩不起。

于是就出現(xiàn)了大量夾層公司，他們以技術(shù)壁壘為主要產(chǎn)業(yè)支撐點。利用重技術(shù)和人才去做一些其實看起來不那么“重”的小應(yīng)用，或者以開發(fā)定制化AI模型的方式向第三方收費。

而谷歌、英特爾等巨頭企業(yè)都在倡導的AI民主化，事實上是將需要大量“AI勞動力”完成的工作裝入自動化模型里。向上收回底層技術(shù)開發(fā)權(quán)，向下直接觸達細分開發(fā)場景。

說白了，小公司、個人創(chuàng)業(yè)者、人才稀薄地區(qū)想要引入AI，就必須能從成本上越過技術(shù)公司，自己玩得起AI。巨頭的AI民主化，當然是希望瓦解那些憑借“二手技術(shù)”和“雇傭能力”卡位的企業(yè)，把他們的份額分給更小的開發(fā)者。讓開發(fā)者僅僅提供創(chuàng)意和運營、市場等能力來激活AI的廣泛前景。

所以所謂AI民主化，真正瓦解的是AI當中非創(chuàng)造性工作制造的準入壁壘。

而在AutoML代表的自動化戰(zhàn)略進一步實施后，最可能帶來的影響是AI產(chǎn)業(yè)鏈的去中層化。一些看似很大的公司，卻只創(chuàng)造了很小的價值，僅僅依靠AI技術(shù)壁壘來占據(jù)市場份額和資本關(guān)注，大概是這場“民主運動”中最危險的一方。

今天的AI，會不會是跑不過馬的汽車？

最后，我們可能還要開另一個腦洞：AI民主化雖然聽起來很美，但未必全是好消息。

毋庸諱言，AutoML這樣的產(chǎn)品所帶來的AI民主化進度，可以說是肉眼可見的。如果回頭看看一兩年前，很容易就會發(fā)現(xiàn)AI的產(chǎn)業(yè)鏈和開發(fā)規(guī)則已經(jīng)大變樣了。

但這對產(chǎn)業(yè)邊緣徘徊不前的企業(yè)來說一定是好事嗎？就像文章開頭提到的，AutoML一發(fā)布，很多程序員朋友第一反應(yīng)是調(diào)侃自己的AI白學了。但要知道，他們可才學了沒有多長時間。那么對于想要進入這個領(lǐng)域的企業(yè)來說，類似的恐懼會不會更深？

我們知道，在絕大多數(shù)共識里，今天以機器學習為主導的AI復興，核心是由三個因素構(gòu)成的：算法、算力和數(shù)據(jù)。有趣的是，這三個因素現(xiàn)在都在快速“被民主”。

算法上，AI開發(fā)框架開始越來越智能，AutoML這樣的產(chǎn)品甚至能自動編程，實現(xiàn)算法工具化和模塊化。算力上，各種新的硬件和處理到來，算力成本近乎每一天都在跌落。數(shù)據(jù)上，越來越多的免費數(shù)據(jù)分享成為常態(tài)。并且前沿的AI技術(shù)爭論中，已經(jīng)開始質(zhì)疑大量數(shù)據(jù)對于深度學習的必須性。

總而言之，差不多每隔一段時間，AI的門檻就會下調(diào)一次。但從企業(yè)和開發(fā)者的角度來看，這樣的情況就有點苦惱：現(xiàn)在部署的AI能力，會不會一個月之后就被淘汰了？

我們知道，汽車最開始是跑不過馬車的。雖然最終證明了汽車絕對強過馬車，購入汽車是正確的，但大家恐怕都不希望成為那輛超級老爺車的乘客。何況AI這東西，連汽車那樣的收藏價值都沒有。

就像此時此刻，不知道有沒有一位剛剛組建了豪華機器學習專家團隊的企業(yè)家，突然發(fā)現(xiàn)原來自己想做的，隨便找個人操作下谷歌的新產(chǎn)品，再等上一天就搞定了。。.。。.

也許在今天，企業(yè)收獲的不是AI開發(fā)門檻逐步降低帶來的好處，而是面對AI體系快速迭代產(chǎn)生的恐慌。畢竟我們都不知道，今天做的事會不會在幾個月之后就被證明毫無意義。

尤其對于中國企業(yè)來說，習慣于追風口，風來則上，風小則退。這么復雜且天天都在變的AI，誰有心情跟它躲貓貓啊？
編輯：hfy