人類，不可怕。

AI也不可怕。

人類的軀體裝上了AI的大腦？

AI的軀體裝上了人類的大腦？

無法想象，並且有點可怕？

不想了，閉眼休息一會兒。

AI確實進化了，它能做的事情越來越多，成績斐然。它的背後是AI實現路徑的“三級跳”。但是“AI自開發短期內應該無法替代人的工作，還有很長的路要走。”徐文娟說。趙志剛從學術角度分析道：“只有當人類把不同應用領域的AI模型設計出來，並進一步分解出一系列通用模組，如同化學中的元素週期表、生物中的DNA、RNA，這種自開發才能有更多的應用。”

“僅需幾行程式碼就能構建一個迴歸模型。”程式設計師認可谷歌AutoML的工作表現，認為AutoML設計的模型和機器學習專家設計的不相上下。日前，谷歌工程師分別在中國和矽谷重點推介谷歌AutoML專案。不明就裡的疑惑緊跟著紛至沓來——AI又進化了？！已經會自開發了？能操控自己的進化了？是要擺脫人類嗎？

國家超級計算濟南中心大資料研發部研究員趙志剛說：“起初我們用數學公式和‘if……then’等語句告訴計算機第一步做什麼、第二步做什麼，手把手地教，後來給機器n組輸入和輸出，中間的規則或規律由它自己學會。”

“之前，很多聰明的頭腦花一輩子時間研究：如何抽取有效的特徵。”專注於智慧導購對話機器人的智慧一點公司CTO莫瑜解釋道，“神經網路演算法的發明、深度學習技術的出現，使得AI進化到2.0，抽取特徵的工作由AI自己進行，我們的工作也隨之發生了變化。”

用數學函式的模式很容易解釋“1.0”到“2.0”的轉變：如果把識別影象、語義理解、下棋等任務的達成都看成是不同的Y=f（X），即輸入的“貓”的圖片、聲音或棋招是“X”，輸出的“貓”、回答、棋高一招是“Y”。深度學習之前，人透過自己的分析尋找函式f對應的公式，告訴給AI。而深度學習之後，人輸入大量的X與Y的對應，AI自己發現函式f對應的公式。

“AI找到的函式f的具體內容，可能比人找到的更好，但是人類並不知道，就像一個黑匣子。”莫瑜說，“但是f的形式是AI研究員透過研究設計出來的，如果使用深度神經網路，網路中的模組以及模組之間的組織方式也是提前設計的。”

隨著深度學習技術的成熟和普遍化，模型構建出現了特定可追尋的經驗。“各種共性神經網路的釋出，使得從業門檻越來越低。一些普通的模型構建與最佳化，剛畢業的學生在網上學學教程就能上手。”趙志剛說。

當構建模型成為可習得的技能，AutoML就出現了。它能做的正是AI研究員的模型設計工作。“將幫助不同公司建立人工智慧系統，即使他們沒有廣泛的專業知識。”谷歌工程師這樣推介。AI成功進化到3.0。

事實上，AutoML替代的仍舊是人類能夠提煉出經驗的工作。“如果說之前人描繪一套尋找函式f的‘路網’，在深度學習的技術輔助下，機器能最快找到最佳化路徑；那麼AI現在可以自己設計路網了。”趙志剛言簡意賅。

可以看出，不論是深度學習、還是AutoML，都只替代人類的一部分群體已經鑽研透了的工作。“機器能做的事情，儘量不要手工勞動”，這是很多程式設計師的人生信條，這個信條催生了AutoML。本著同樣的信條，微軟開發了DeepCoder。“它可以用來生成滿足給定輸入輸出的程式。”莫瑜說，但它的表現目前還不盡如人意，只能編寫一些簡單的程式。

誰是“上帝”答案毫無疑問，人類。

既然AI在進化中走向了更高一階的模型設計，那麼“上帝之手”又發生了哪些變化呢？

“煉丹”，莫瑜用兩個字形象地說起自己的工作，“智慧一點是專業做智慧客服的，研發人員的工作主要集中於問題建模（如何將實際問題轉化為人工智慧技術解決的問題）和演算法最佳化（如何提升人工智慧演算法的效果）。”

“煉”意味著不斷地除錯和完善。“針對特定的人，越投脾氣越好，回答越精準越好。”莫瑜說，“我們的X是客戶的問話，Y是機器人客服的回覆，中間的函式f需要訓練。”

這是個不容易的任務。如果把人類社會的經驗分為3類：有公式的確定規則、可言傳的知識、只可意會不可言傳的感覺。最後一類最難琢磨。

“因此，我們想辦法構建完善的閉環反饋，瞭解特定使用者的喜好，透過情感、趣味的表達，最終做到投其所好。”莫瑜說，“目前處於人機協同的工作階段，但是越來越多樣本的獲取，將幫助我們的智慧客服給出精準的、討喜的回答。”

可見，並不是所有領域都適合交給AI自開發去做，比如問題建模方面，如何將實際問題抽象轉換為機器學習問題， AI還無法自主完成。在AI2.0階段，研發人員還需要人工設計函式f的形式。