文章|海中天深度神经网络正在重塑互联网。
通过分析大量数字信息，深度神经网络可以自行学习并执行人类执行的任务。
就在几年前，类似的智能系统还无法嵌入到在线服务中。
为了开发深度神经网络来解决下一个人工智能大问题，研究人员必须在一台、数十台甚至数百台机器上进行无数次失败的尝试。
DeepMind 联合创始人 Demis Hassabis 表示：“我们更像是教练，而不是运动员。
” “你欺骗他们做某事，而不是直接告诉他们要做什么。
”正因为如此，许多公司正在尝试将实验和错误转化为自动化。
流程——或者至少自动化其中一些流程。
如果您可以自动执行一些最艰巨的任务，那么您可以更进一步，让最新的机器学习得更快，只需普通工程师的指导即可。
这让最优秀的人才有更多时间专注于更大的想法和更困难的问题。
最终，人工智能将在互联网应用和服务中更快地发展。
换句话说，随着计算机变得更智能、更快，计算机本身可以处理更简单、更单调的任务。
互联网巨头正在开发计算系统，让他们可以代表工程师测试无尽的机器学习算法，同时自己也可以循环研究多种可能性。
更好的是，企业正在开发一套AI算法，并让算法来编写AI算法。
不开玩笑。
Facebook工程师正在设计所谓的“自动机器学习工程师”和人工智能系统，可以协助AI系统的开发。
距离技术完善还有很长的路要走。
但Facebook的最终目标是开发一套新的人工智能模型，让人类尽可能少地做繁琐的工作。
2008年，Facebook成功IPO后，Hussein Mehanna和Facebook广告团队的工程师感到压力越来越大，因为公司的广告销售目标提高了，他们需要提高广告与无数用户的匹配度。
Facebook 拥有无数的用户。
该公司根据用户特征和行为收集数据，并开发深度神经网络和其他机器学习算法，以更好地利用庞大的数据库。
Meehanna 表示，Facebook 工程师在开发新人工智能时并不缺乏想法，但测试这些想法则是另一回事。
为了解决这个问题，他和他的团队开发了一种名为“Flow”的工具。
“我们希望开发一条所有 Facebook 工程师都可以使用的机器学习装配线，”Meehanna 说。
Flow 旨在帮助工程师大规模开发、测试和执行机器学习算法。
它实际上包括任何类型的机器学习——也就是说，这个技术是一个泛技术，可以覆盖所有的业务。
一些学习任务依赖于机器本身。
“你尝试的想法越多，结果就会越好，”米哈纳相信。
“测试的数据越多，结果就越好。
”借助新工具，工程师可以重复使用其他人开发的算法。
非常简单，修改算法并将其应用到其他任务中也会容易得多。
很快，Mehanna 和他的团队将 Flow 应用到了整个公司。
其他团队使用 Flow 生成算法从用户的新闻源中选择链接，识别社交网络中的图片，并向照片添加音频标签，以便盲人可以根据音频了解他们正在看的内容。
Meehanna 表示，通过 Flow，Facebook 每月可以训练和测试大约 300,000 个机器学习模型。
过去在Facebook社交网络上推出一个新的AI模型需要大约60天的时间，但现在每周都可以发布几个新模型。
事实上，深度学习的应用前景远不止于此。
去年，Twitter 收购了深度学习专家 WhetLab。
近日，微软向外界透露了其研究人员如何使用一个系统来测试大规模的AI模型。
微软研究员孙健称之为“人工助理搜索”。
Facebook希望加快进展。
它的目标是创建一个开源 Flow 并与全世界分享。
LinkedIn、Uber 和 Twitter 已经有兴趣使用它。
Meehanna 和他的团队还开发了一种名为 AutoML 的工具，可以承担更多人类工程师的工作。
AutoML 在 Flow 上运行，可以自动“组织”用于训练神经网络和其他机器学习算法的数据。
它可以在无需人工干预的情况下准备测试数据。
在 Mehanna 的理想中，他们希望 AutoML 最终能够自己收集数据。
更有趣的是，AutoML或许能够利用AI来开发AI。
正如 Mehanna 所说，Facebook 每月训练和测试约 30 万个机器学习模型。
AutoML可以使用测试结果来训练其他机器学习模型并优化机器学习模型的训练过程。
Meehanna 将其比作《盗梦空间》（指电影《盗梦空间》），而且它确实有效，系统会自动选择可能有效的算法和参数。
“你几乎可以在训练前预测结果，”米哈纳说。