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。趙誌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，並進壹步分解出壹系列通用模塊，如同化學中的元素周期表、生物中的DNA、RNA，這種自開發才能有更多的應用。”
“僅需幾行代碼就能構建壹個回歸模型。”程序員認可谷歌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項目。不明就裏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數據研發部研究員趙誌剛說：“起初我們用數學公式和‘if……then’等語句告訴計算機第壹步做什麽、第二步做什麽，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，很多聰明的頭腦花壹輩子時間研究：如何抽取有效的特征。”專註於智能導購對話機器人的智能壹點公司CTO莫瑜解釋道，“神經網絡算法的發明、深度學習技術的出現，使得AI進化到2.0，抽取特征的工作由AI自己進行，我們的工作也隨之發生了變化。”
用數學函數的模式很容易解釋“1.0”到“2.0”的轉變：如果把識別圖像、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、棋高壹招是“Y”。深度學習之前，人通過自己的分析尋找函數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自己發現函數f對應的公式。
“AI找到的函數f的具體內容，可能比人找到的更好，但是人類並不知道，就像壹個黑匣子。”莫瑜說，“但是f的形式是AI研究員通過研究設計出來的，如果使用深度神經網絡，網絡中的模塊以及模塊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***性神經網絡的發布，使得從業門檻越來越低。壹些普通的模型構建與優化，剛畢業的學生在網上學學教程就能上手。”趙誌剛說。
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能系統，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。“如果說之前人描繪壹套尋找函數f的‘路網’，在深度學習的技術輔助下，機器能最快找到優化路徑；那麽AI現在可以自己設計路網了。”趙誌剛言簡意賅。
可以看出，不論是深度學習、還是AutoML，都只替代人類的壹部分群體已經鉆研透了的工作。“機器能做的事情，盡量不要手工勞動”，這是很多程序員的人生信條，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序。”莫瑜說，但它的表現目前還不盡如人意，只能編寫壹些簡單的程序。
誰是“上帝”答案毫無疑問，人類。
既然AI在進化中走向了更高壹階的模型設計，那麽“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，“智能壹點是專業做智能客服的，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能技術解決的問題）和算法優化（如何提升人工智能算法的效果）。”
“煉”意味著不斷地調試和完善。“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是機器人客服的回復，中間的函數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。最後壹類最難琢磨。
“因此，我們想辦法構建完善的閉環反饋，了解特定用戶的喜好，通過情感、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，將幫助我們的智能客服給出精準的、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數f的形式。