谷歌人工智能可以自产“子人工智能”，在人工智能领域，它的性能达到了前所未有的高度，虽然听起来很不可思议，但事实就是如此。这个受到热议的人工智能叫“自动化机器学习”，简称Auto ML，由“谷歌大脑”的研究人员研发。
据谷歌的CEO皮查伊阐述，谷歌的研究员用了强化学习来创建人工智能的图像识别模型。我们一直致力于设计更好的机器学习模型，但目前要做到这一点要耗费大量的时间，它凝聚着许多工程师、科学家还有机器专业博士的心血，对于成百上千的开发者来说，他们希望机器学习成为可能，所以在不使用神经网络的情况下，如何才能更好地设计神经网络呢？我们将这种学习方法称为自动化机器学习，也就是学会学习。
在一些标准任务方面我们已经迈向了最先进，我们在图像识别方面和Safari浏览器不分高下，每当我和团队待在一起思考神经网络设计神经架构这个问题的时候，我都会想起一部最喜欢的电影《盗梦空间》，我告诉他们我们必须走得更远更深，所以自动化机器学习并不会苦逼地花几个小时去编码，进而去创建一个人工智能来完成某项特定的任务，因为它的学习过程是自动化的。
谷歌团队曾说过这么一句话：“在我们自动化机器学习的方案中，控制器神经网络会生成子模型架构之后，会执行特定的任务来训练并评估子模型架构的优劣，然后会向控制器作出反馈，控制器会将此反馈作为下一次循环修改的参考。我们会把这个过程重复上千次（设计新架构及测试新架构），向控制器作出反馈，控制器从中学习。
举一个简单的例子，这个过程就像父母孕育孩子，然后通过测试，积累成败经验，来教孩子如何完成一项特定的任务，这个道理也适用于自动化机器学习。NASNet神经网络的角色就相当于这个孩子，NASNet是具有识别能力的人工智能，它可以识别人体、汽车、交通信号灯还有实时录像中的大部分内容。你可能会说听起来没啥大不了的，但你要明白这个自动人工智能最让人惊叹的地方在于它能完败之前所有人工智能的机械视觉。NASNet的系统精确度达到了82.7％，比同类人工智能高1.2%，系统效率则提高了4%。人工智能自产“子人工智能”，这个子人工智能的性能好过人类创造的人工智能，而且还更有效率，谁强谁差一目了然。
很明显，该人工智能可以应用于无人驾驶汽车上，还能对人类进行近距离目标识别，也就是说它能完成健康护理之类的工作。该人工智能的应用场景之所以非常多元，主要是因为它能自动设计，还能建立既有效率又有精度的系统，所以该人工智能不仅能应用到机器学习上，还能完成一些繁重的工作。
自动化机器学习的研发算不上划时代创举，但它确实具有里程碑意义，自动化机器学习也使人工智能惠及更多泛的人群。谷歌公司说过这样一句话：“我们希望以一些模型为基础，建立起更大的机器学习社区，来解决我们还未想象到的许多机械视觉问题”。我们认为这可以激发新类型的神经网络，使这一现象成为可能，而非专家为了特定需求而量身定做神经网络，并使机器学习对人类产生更广泛的影响。
随着自动化机器学习科技的产生，不可避免地会产生一些问题。如果自动化机器学习在机械视野以外的领域广泛使用，那么一些担忧也随之而来，如果人工智能把错误和偏见遗留给子人工智能怎么办？如果子人工智能的学习步伐太快，我们人类卯足劲也跟不上怎么办？这样的话我们人类的学习还有什么意义？现在这些问题看起来可能是有点思虑过多，但是在未来的某一天，我们还真避免不了这些问题。
这毕竟还是人类的发展进步，只是需要居安思危，从长计议而已。
