該子AI系統(tǒng)或許將來我們能夠在谷歌的自動駕駛系統(tǒng)中看見。

此前，谷歌曾推出一個AI系統(tǒng)“AutoML（自動機器學習）”，目的是通過訓練AI讓其能夠自主創(chuàng)建其他AI系統(tǒng)。目前，AutoML已經(jīng)研發(fā)出了一個計算機視覺系統(tǒng)，而事實證明，這套系統(tǒng)的性能遠遠領先于其他最先進的模型智能系統(tǒng)。

圖：NASNet架構由兩種類型的層組成：正常層（左側(cè)）和縮小層（右側(cè)）。

在此次實驗中，研究人員讓AutoML所創(chuàng)建的子AI網(wǎng)絡NASNet完成對錄像中人物、汽車、交通信號燈、手提包和背包等物體的實時識別。

谷歌研究員稱，ImageNet圖像分類和COCO物體檢測數(shù)據(jù)集為“計算機視覺領域公認的兩大深度學習數(shù)據(jù)集”?；谶@兩大數(shù)據(jù)集上進行測試時，NASNet的表現(xiàn)完勝所有其他視覺系統(tǒng)。

具體數(shù)據(jù)上，在預測ImageNet驗證集上的圖像準確率時，NASNet為82.7％。其平均精確度（mAP）為43.1％，超過先前公布的最高紀錄1.2％，系統(tǒng)效率也提高了4％。此外，在計算水平上，精確度較低的NASNet也要比尺寸相近的最高配移動平臺高出3.1％。

以往，我們訓練AI算法的時候，海量數(shù)據(jù)的訓練是必不可少的，而這也就相對花去了大量的精力和時間成本?，F(xiàn)在，谷歌研發(fā)出能夠自己研發(fā)算法的AI系統(tǒng)，這對于AI發(fā)展的進程可以說是一個具備里程碑意義的事件。

對于NASNet的應用方向，谷歌研究人員表示，該算法可用于創(chuàng)造先進的人工智能機器人，或幫助患者恢復視力。此外，還能幫助設計師優(yōu)化自動駕駛技術。增強識別道路障礙物的能力可提升車輛的反應速度，自動駕駛汽車的安全性也相應提高。

與此同時，谷歌研究人員已經(jīng)NASNet開發(fā)了開源系統(tǒng)，時期進行圖像分類和探測物體。“我們希望基于這些模型，建立更大規(guī)模的機器學習系統(tǒng)，以解決未來可能會出現(xiàn)的大量計算機視覺難題。”研究人員在博文中表示。

從當前的進程來看，NASNet在計算機視覺的前路還是相當順利的，或許我們在未來能看見它的谷歌的自動駕駛系統(tǒng)中出現(xiàn)。此外，繼NASNet的成功之后，AutoML不知道什么時候能夠創(chuàng)建第二個子AI系統(tǒng)，有點令人期待。

最后，記得關注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！