国外科学家创造“超网络”，用于开发人工智能的“人工智能”

人工智能本质上是一场数字游戏。10年前，深度神经网络开始超越传统算法时，表明我们已经有足够的算力去创造人工智能。

今天的神经网络对数据的渴望超乎想象，训练他们，需要仔细调整特征中数百万，甚至数十亿参数的值，要想达到理想的程度并不容易。训练可能需要几天、几周甚至几个月的时间。

不过，这一点可能很快就会发生改变。

加拿大圭尔夫大学的Boris Knyazev和他的同事，设计并训练了一个“超网络”，它可以加快神经网络的训练过程。给定一个为某个任务而设计的，完全没有经过训练的深度神经网络，超网络可以在几分之一秒内，预测新网络的参数，理论上新的深度神经网络完全不需要经过训练。

由于超网络学习了深度神经网络设计中极其复杂的模式，也被业内人士称为“用于开发人工智能的人工智能。”

目前，超网络在某些环境下表现极佳，但准确率上，它仍然有很大的优化空间。

在CIFAR-10图像数据集上，超网络（GHN-2）在分布式架构上的平均准确率为66.7%，接近使用2500次SGD迭代训练的网络所达到的69.2%的平坤准确率。对于分布式架构，GHN-2表现出人意料的好，达到约60%的准确率。

但是，在ImageNet上表现则比较糟糕，这是一个比较大的图像数据集，GHN-2的准确率只有27.2%。尽管如此，这与使用5000步SGD训练的相同网络的25.6%的平均准确率要高一些。当然，如果继续使用SGD，付出更大的成本可以获得95%的准确率。不过，GHN-2在不到一秒的时间内，便能做出预测，比SGD要快10000倍。

“超网络”并非凭空设计，它的灵感来自图超网络。

目前，训练和优化深度神经网络的最好方法是随机梯度下降法。但这种方法只有在有网络需要优化时才有效。如果是构建最初的神经网络，一般是由输入到输入多层人工神经元组成，只能依赖工程师的直觉和经验。

为了解决这个问题，2018年，Ren、Chris Zhang、Raquel Urtasun三名科学家设计了图超网络（GHN）。它可以在给定一组候选架构的情况下，找到解决某些任务的最佳深度神经网络架构。

超网络便是基于GHN优化而来，创造者Knyazev将超网络命名为“GHN-2”。不过因为GHN并没有开源，Knyazev团队还是从头开始编写自己的软件，并没有抄袭GHN的源码。

Knyazev团队取得了一些成功，但他觉得这一方式可能会遭到机器学习社区的反对，因为机器学习从业者更喜欢手工设计算法，而不是基于神秘的深度网络。