AI创造了一个神经网络，具有初步的自我进化能力
我们现在看到了人工智能（AI）创建自己神经网络的那一刻。虽然很多人认为这是一回事。但事实上，并不是所有的事情都这么简单，现在我们就来试着弄清楚它是什么以及谁能创造谁。
谷歌大脑部门的工程师在今年春天展示了AutoML。这种人工智能能够在没有人类干预的情况下产生自己独特的神经网络。结果最近，AutoML首次能够创建计算机视觉系统NASNet。这项技术大大超越了之前人类创造的所有类似产品。这种基于人工智能的系统可以成为开发例如自动汽车的优秀助手。它也适用于机器人技术--机器人将能够达到一个全新的水平。
AutoML的开发是基于一个独特的强化学习系统。我们说的是一个神经网络管理器，它能独立开发出针对某些特定任务设计的全新神经网络。在我们的案例中，AutoML的目标是生产一个系统，尽可能准确地实时识别视频图中的物体。
人工智能本身能够训练一个新的神经网络，监测错误并纠正工作。学习过程重复了很多次（数千次），直到系统可以工作。奇怪的是，她能够绕过目前任何类似的神经网络，但由人类开发和训练的神经网络。
同时，AutoML评估NASNеt的性能，并利用这些信息改进附属网络；这个过程重复了数千次。当工程师在ImageNet和COCO图像集上测试NASNet时，它超越了所有现有的计算机视觉系统。
谷歌官方宣布，NASNet的识别准确率达到了82.7%。这个结果比之前的记录高出1.2%，这个记录是由Momenta的研究人员和牛津大学的专家在今年秋天初创造的。NASNet的平均准确率为43.1%，比同类产品高出4%。
还有一个简化版的NASNet，它是针对移动平台进行调整的。它超过了类似物的百分之三多一点。在不久的将来，将有可能将这一系统用于自主汽车的生产，对其而言，计算机视觉的可用性非常重要。AutoML继续生产新的遗传性神经网络，力争征服更高的高度。
当然，这引发了与关注人工智能有关的伦理问题：如果AutoML构建系统的速度快到社会根本跟不上，怎么办？然而，许多大公司正试图考虑到人工智能的安全问题。例如，亚马逊、Facebook、苹果和其他一些公司都是 '人工智能造福人类和社会伙伴关系 '的成员。电气与工程学会（IEE）提出了人工智能的道德标准，例如DeepMind宣布成立一个小组，处理与人工智能应用有关的道德和伦理问题。
什么是人工智能？
'人工智能 '一词是由Lisp语言的发明者、函数式编程的创始人、图灵奖获得者约翰·麦卡锡提出的，他对人工智能研究领域做出了巨大贡献。
人工智能是指使计算机、计算机控制的机器人或程序能够像人类一样进行智能思考的方法。
人工智能的研究是通过研究人类的智能，然后将研究结果作为开发智能程序和系统的基础。
什么是神经网络？
神经网络背后的想法是由非常简单的元素组装出一个复杂的结构。大脑的单一部分很难被认为是合理的--但人们通常在智商测试中表现得出乎意料。尽管如此，直到现在，'无中生有 '的想法通常都会被人嘲笑：关于一千只猴子用打字机的笑话已经有一百多年的历史了，如果愿意，甚至在西塞罗那里也能找到对神经网络的批评，他讽刺地建议把带有字母的令牌扔到空中，直到他变成蓝色，这样你迟早会得到一个有意义的文本。然而到了21世纪，事实证明，经典的讥讽是徒劳的：只要有足够的毅力，拿着令牌的猴子大军才有可能统治世界。
事实上，神经网络甚至可以由火柴盒组装而成：它只是一套简单的规则，通过这些规则来处理信息。一个 '人工神经元 '或感知器并不是一个特殊的设备，而只是一些算术运算。
感知器的工作原理很简单：它接收几个初始数字，将每个数字乘以这个数字的 '值'（下面会有更多的介绍），相加，根据结果，给出1或-1。例如，我们拍摄一片空旷的场地，并向我们的神经元展示这张图片中的某个点--也就是说，我们将随机坐标作为两个信号发送给它。然后我们问：'亲爱的神经元，是天还是地？' '减一，'假人回答，平静地看着积云。- 很明显，是地。
“将手指伸向天空”是感知器的主要工作。您不能指望他有任何准确性：你也可以抛硬币。神奇的事情从下一个阶段开始，这就是所谓的机器学习。毕竟，我们知道正确的答案--这意味着我们可以把它写进我们的程序。所以，事实证明，每猜错一次，感知器就会从字面上得到惩罚，而对于正确的猜测--则会得到溢价：传入信号的 '价值 '会增加或减少。之后，程序按照新的公式运行。迟早，神经元会不可避免地 '理解 '照片中的地球在下面，而天空在上面--也就是说，它将干脆开始忽略来自x坐标传输给它的通道的信号。如果你把另一张照片滑给这样一个复杂的机器人，那么他可能找不到地平线，但上面和下面绝对不会混淆。
在现实生活中，公式稍微复杂一些，但是原理保持不变。感知器只能完成一项任务：取数字并将它们分为两堆。最有趣的事情是当有几个这样的元素时开始，因为传入的数字可能是来自其他“砖”的信号！假设一个神经元试图将蓝色像素与绿色像素区分开，第二个神经元将继续调整坐标，而第三个神经元将尝试判断这两个结果中哪一个更接近真相。如果我们一次在蓝色像素上设置几个神经元并总结其结果，那么我们将获得一个完整的层，其中“最佳学生”将获得额外的奖励。因此，一个相当分散的网络可以挖掘大量的数据，并考虑到所有错误。
可以使用火柴盒建立一个神经网络-然后使用一个技巧，可以用来招待参加聚会的客人。 让我们一起玩11支棍子的游戏。规则很简单：桌上有11个匹配项，每一步都可以选择一两个。获胜者是最后一名。您如何在“计算机”上玩这个游戏？
我们拿10个盒子或杯子。在每个数字上，写一个2到11之间的数字。
我们在每个盒子里放了两块石头-黑色和白色。你可以使用任何项目，只要它们彼此不同即可。就是这样-我们有十个神经元的网络！
神经网络总是先走。首先，查看还剩下多少个匹配项，并用该数字选择一个框。首先移动的是方框11。从所需的方框中取出任何卵石。您可以闭上眼睛或扔硬币，主要是随机行动。
如果石头是白色的，则神经网络决定进行两次比赛。如果是黑色一个。在方框旁边放一个小卵石，这样您就不会忘记哪个“神经元”做出了决定。此后，一个人走路-依此类推，直到比赛结束。
现在，乐趣开始了：学习。如果网络在游戏中获胜，则必须获得回报：将在游戏过程中掉落的另一只相同颜色的小卵石丢到参与该游戏的“神经元”中。如果网络丢失，取下上一个用过的盒子，并从中取出不成功的石头。可能发现该框已为空-然后将先前的类似神经元视为“最后一个”。在下一场游戏中，碰到一个空盒子，神经网络将自动投降。
就这样！玩这样的几个游戏。起初，不会注意到任何可疑的事物，但是在每次获胜之后，网络都会做出越来越成功的动作-大约打了12场游戏后，你将意识到自己创造了一个无法击败的怪物。