不久前，Google推出Cloud AutoML服務，強調說明企業加速進入AI領域，儘管沒有強大的AI技術團隊也沒關係，因為利用Google推出的服務就能建立符合自己需求的定制化機器學習模型。在AI浪潮再次興起的背景下，許多企業都對AI躍躍欲試，但因為相關人才在全球都呈現稀缺，企業想招人也不見得招得到，要不就是得重金聘請，像是美國頂尖AI科學家的年薪已經達到美國國家美式足球聯盟（NFL）四分衛的水準，遠遠超過NBA球星的平均薪水。因此，對有意嘗試或導入AI的企業來說，「讓機器學習得以自動化」 具有很大的吸引力，但從另一方面來看，它也很可能引發一場大逃殺，而業界也已經出現一種聲音：Google Cloud AutoML將堵死一票創業公司的活路。
就像C語言或是AutoCAD，自動及輔助是兩大精神
人類一直很擅長於自動化這件事，生活裡有各式的機器都幫助人類降低了勞動，不論是工廠裡的機械手臂，甚至是家裡的洗衣機、電鍋都可以說是自動化的多種表現，這些工具減少了人工勞動的要求，並加速任務完成，追求的是效率提升。目前，企業想要建立AI 型仍是費時耗力，如果現在能把AI也給自動化，還真是不得了，各行各業不再需要這麼多的AI人才也能打造自己的 AI 模型。NVIDIA 創辦人黃仁勳在去年的GTC臺北場接受DT君採訪時甚至表示：未來不需要這麼多軟體人才，因為寫程式這件事可以交給AI來做。因此，許多人都在想著如何讓打造AI 件事變得更輕鬆一點，甚至是自動化，而 Google、微軟不少企業都在想這件事。
例如，微軟在 2016 年推出了Azure Machine learning Studio，用戶可以直觀地拖拽方法和流程的名稱，讓機器自動完成機器學習任務，而Google Cloud AutoML也想達到類似的效果，但因為Google目前的TensorFlow是目前最多開發者、初創公司、企業使用的架構，因此Google Cloud AutoML一推出就引發了熱烈的討論。但Google Gloud AutoML真如此厲害嗎？在回答這個問題之前，必須先瞭解AutoML的起源和實質上的意義。AutoML的概念其實源自2012年學術界提出一個新觀念——Programming by Optimization（PbO），字面上的意思是指以最優化程式開發，乍聽之下似乎看不出個所以然，這卻是一個相當創新的觀念，實質上就是要解決程式設計時人工調校參數的問題。
不論是在開發程式或是設計程式決策時，會涉及許多參數調校的問題，以前都是人員手動調整，而AutoML的精神就是保留讓機器自我調校的彈性，在建立AI模型時同樣會涉及參數調校，現在同樣可以把這部分的工作交給機器來做。Google Could AutoML服務使用了3個核心技術，分別是神經架構搜索技術（Neural Architecture Search Technology）、 learning2learn以及遷移學習 (transfer learning) 。通過這些技術把參數以及結構的調整交給機器。運作的概念是機器利用神經架構搜索技術不斷測試，找出一個好的參數＋神經網路結構的組合，AI開發人員覺得這個組合不錯，認可了之後，機器就會記住，下一次就會做得更快更精准，這就是learning2learn；或是可以將此組合轉移到另外的應用場景下使用，這就是遷移學習。
LIVEhouse （LIVEhouse旗下的“GCP 專門家”是 Google Cloud Platform全球第二大的合作夥伴）共同創辦人程世嘉指出，AutoML在資訊技術的發展堆疊上，最大的意義在於把人工智慧技術的層級再提高一層，就好像 C 語言的發明，讓程式設計者從此不用懂太多底層電腦的架構就可以寫程式，現在使用AI技術也不用懂太多機器學習。他進一步表示，Google Could AutoML有兩個意義，一是自動化，也就是超參數（hyperparameter）的調教，另一個更重要的意義是輔助化。以前要做網頁設計沒有工具，有了AutoCAD之後就方便程式開發者工作，現在沒有足夠的機器學習背景的開發人員可以通過Cloud AutoML來訓練定制化的機器學習模型。
「 Could AutoML可以想成是C語言或是 AutoCAD的角色，是AI自動化工具也是輔助工具。而且AutoML相較於TensorFlow更具擴散力，TensorFlow是軟體工程師才會用的工具，但AutoML把人工智慧的易用性擴大到所有不太懂人工智慧的人。」程世嘉一語點出重點。由於Google在圖像識別領域的技術已經相當領先且成熟，理所當然成為Cloud AutoML第一個主打的領域，通過AutoML Vision服務讓企業只需通過拖曳介面上傳影像、訓練和管理模型，然後直接在Google Cloud上利用這些經過訓練的模型，相信未來Google還會推出訴求其他領域的Cloud AutoML服務，像是語音、視頻、翻譯和自然語言處理（NLP）等，吸引企業付費使用。
Google雲端人工智慧與機器學習研發負責人李佳和Google雲端人工智慧與機器學習首席科學家李飛飛在Google博客上也表示，Cloud AutoML除了有助提高人工智慧專業人員的生產力、開展新的研究領域，還可幫助技術較不純熟的工程師打造更強大的人工智慧系統。因此，Cloud AutoML的重要性就在於開「 AI平民化（Democrazing AI）」的第一步。黃仁勳的「AI寫程式」說法並不危言聳聽，雖是放眼未來的一個目標，隨著越來越多的AI自動化工具出現，肯定會走到那一天。
強調解決企業商業問題的創業公司恐面臨大衝擊
當企業可以通過付費的AutoML工具或服務更快進入AI世界，即使不是人工智慧專家也可以輕易使用上手，從AI的普及面來看是好事一樁，未來不論是Google、微軟或是IBM都可能推出更多的AI自動化工具，企業未來就有更多的選擇，不再像先前一樣需要招募這麼多的AI人才，或是花錢使用其他公司的AI模組或套件，所以另一個角度來看，這些大公司的策略無疑將搶走許多AI初創公司的生意。而AI領域創業的公司相當多，從上游的晶片、演算法、到下游的應用都有，其中應用又是五花八門，Google Cloud AutoML對什麼樣的AI初創公司造成衝擊？
專攻設備端晶片是一個利基市場（niche market），特別是Google、亞馬遜、微軟這些大公司出發點都是從雲端出發，他們都需要把最後一公里接起來，因此，雲端以外的晶片商機是非常大，受到AutoML衝擊很小，越往應用端的衝擊就開始增加，特別是拿企業的資料，號稱以AI改善營運管理或做商業決策的應用，恐怕是首當其衝。為什麼呢？程世嘉指出，企業想要引入AI有幾個流程，建模、調教和接入企業流程，這是最耗費專家時間和心力的幾個步驟。而且企業的應用涉及行業知識（domain knowhow），而每一個行業別的差異及專業都大不相同，企業往往是因為缺乏內部的人才，選擇向外尋求解決方案，但與外部協力廠商企業合作需要花費很多時間才能讓對方瞭解domain knowhow，所以當企業內部的人自己就可以通過AutoML服務或工具打造出AI模型，自然會降低使用協力廠商企業 AI 模組的興趣，因此對於一些強調用AI幫助企業做商業決策的初創公司將是一大挑戰。
業界人士對DT君表示，「Google靠著AutoML這一招會堵住很多初創公司的路，特別是一些淺碟型（意指較易受外力影響）的AI初創公司。」很多AI初創公司的策略通常是以AI人才為團隊，然後包裝AI題材，跟資本市場要錢，但是當不太懂人工智慧的技術人員也能妥善運用機器學習時，這些AI公司的前景將從光明轉為黯淡！不過，正如上文所說的，Google Cloud AutoML本質上是通過自動調整超參數和模型來保證演算法的準確度，這也就意味著，它並沒有解決當前深度學習正在面臨的困境。這些困境既包括老生常談的，「黑盒子」問題，也包括最近不斷湧現的深度神經網路易被人為構造的樣例愚弄這樣的問題。
但即便如此，對一些AI初創公司來說，卻已是「凜冬已至」。這是《權力遊戲》中常說一句話，用它來形容Google Cloud AutoML的問世對當下AI創業熱潮的影響並不為過。而對於Google這家曾經發表過《one model to learn them all 》（ 一個模型解決所有問題）的公司來說，他們的野心還大著呢，當然，其他的科技巨頭也不會放慢腳步。或許就在今年，或許再久一些，人工智慧的下一個重大突破還將帶來殺傷力更大的凜冬。
- 本文係由DeepTech深科技授權刊登。原文連結： 谷歌Cloud AutoML将堵死一票创业公司的活路？
