人工智能 (AI) 和机器学习 (ML) 已经在改变世界——但我们迄今为止看到的创新只是对即将到来的事物的一种体验。我们正处于一场将影响各个行业的革命的边缘，从商业和教育到医疗保健和娱乐。这些新技术将有助于解决我们这个时代最具挑战性的一些问题，并带来与文艺复兴、工业革命和电子时代相媲美的规模变化。

虽然印刷机、化石燃料和硅推动了这些过去的划时代转变，但将以前认为不可能完成的任务自动化的新一代算法将推动下一次革命。这些新技术将使自动驾驶汽车能够识别交通模式，自动平衡智能电网中的能量，实现实时语言翻译，并开创复杂的分析工具，在任何人察觉到癌症之前就检测到癌症。

好吧，无论如何，这就是 AI 和 ML 革命的承诺。需要明确的是，这些事情都在我们的理论范围之内。但技术乐观主义者往往忽略的是，我们通往光明、闪亮的人工智能未来的道路上存在一些重大坑洞。一个问题尤其突出。我们称其为 AI 和 ML 的肮脏秘密：目前，AI 和 ML 不能很好地扩展。

规模——将单台机器的能力扩展到更广泛、更广泛的应用程序的能力——是每个数字业务的圣杯。而现在，人工智能和机器学习还没有。虽然算法可能掌握着我们未来的关键，但在创建它们时，我们目前陷入了一种艰苦的、蛮力的方法。

（画报/Shutterstock）

创建 AI 和 ML 算法不再是困难的部分。你告诉他们要学什么，给他们提供正确的数据，他们就学会了如何在没有你帮助的情况下解析新数据。当您希望算法在现实世界中运行时，就会出现劳动密集型的问题。留给他们自己的设备，人工智能将消耗你给它的尽可能多的时间、计算和数据/带宽。为了真正有效，这些算法需要精益运行，尤其是现在企业和消费者对边缘低延迟操作的需求越来越大。让您的 AI 在速度、计算、

和带宽都受到限制是这里真正的魔术。

因此，优化 AI 和 ML 算法已成为当今 AI 研究人员/工程师的标志性技能。它在时间、资源、金钱和人才方面都很昂贵，但如果你想要高性能的 AI，它是必不可少的。然而，今天，我们解决问题的主要方法是通过蛮力——将身体扔到问题上。不幸的是，对这些算法的需求正在爆炸式增长，而合格的 AI 工程师库仍然相对静止。即使雇佣他们在经济上是可行的，也没有足够的训练有素的人工智能工程师来从事所有将把世界带到我们承诺的辉煌人工智能/科幻未来的项目。

但一切都没有丢失。我们有一种方法可以跨越门槛，实现我们所需的指数级人工智能进步。扩展 AI 和 ML 算法的答案实际上是一个简单的想法。训练 ML 算法以调整 ML 算法，业界称为自动化机器学习或 AutoML 的方法。调整 AI 和 ML 算法可能更像是一门艺术，而不是一门科学，但话又说回来，驾驶、照片修饰和即时语言翻译也是如此，所有这些都可以通过 AI 和 ML 解决。

（蓬拉迈照片/Shutterstock）

AutoML 将允许我们扩展 AI 优化，以便它可以在整个计算中实现全面采用，包括在延迟和计算受到限制的边缘。通过在 AutoML 中使用硬件感知，我们可以进一步提升性能。我们相信这种方式也将导致人工智能程序员进入门槛更低的世界，让更多的人进入这个领域，更好地利用高水平的程序员。我们希望由此产生的转变将缓解该行业目前面临的人才瓶颈。

在接下来的几年里，我们希望实现各种 AI 优化技术的自动化，例如剪枝、蒸馏、神经架构搜索等，以实现 15-30 倍的性能提升。谷歌的 EfficientNet 研究在自动缩放卷积神经网络领域也取得了非常有希望的成果。另一个例子是DataRobot的 AutoML 工具，它可以应用于自动化数据准备和模型选择所需的繁琐且耗时的手动工作。

不过，还有最后一个障碍需要跨越。人工智能将我们一直认为需要人类完成的任务自动化，将这些困难的任务转移到由聪明的人工智能工程师编程的计算机上。AutoML 的梦想是将工作分流到另一个层次，使用 AI 算法来调整和创建新的 AI 算法。但是没有免费的午餐。我们现在将需要 更高技能的程序员来开发元级别的 AutoML 例程。好消息是，我们认为我们有足够的人来做这件事。

但这不仅仅是从顶部发展该领域。这项创新不仅扩大了潜在程序员的范围，允许低级别程序员创建高效的人工智能，它还提供了一条事实上的培训途径，将他们推向更高技能的职位。反过来，这将创建一个强大的人才管道，可以在未来几年为该行业提供服务，并确保我们在遇到下一个瓶颈时有充足的核心 AI 开发人员供应。因为是的，也许有一天我们需要 Auto-AutoML，但就目前而言，我们希望一次进行一项范式转换的创新。这听起来可能很花言巧语，但我们全心全意地相信：人工智能问题的答案是……更多的人工智能。

作者简介：Nilesh Jain 是英特尔实验室的首席工程师，他领导新兴视觉/人工智能系统研究实验室。他专注于为新兴工作负载开发边缘/云系统的创新技术。他目前的研究兴趣包括视觉计算、硬件感知 AutoML 系统。他获得了理学硕士学位。俄勒冈研究生院/OHSU 学位。他还是 IEEE 高级会员，发表了 15 多篇论文和 20 多项专利。

Ravi Iyer 是英特尔实验室的一名英特尔研究员，他领导着新兴系统实验室。他的研究兴趣包括为新兴工作负载开发创新技术、架构和边缘/云系统。发表论文150余篇，授权专利40余项。他获得了博士学位。德克萨斯 A&M 计算机科学专业。他也是IEEE Fellow。