AutoML 源于谷歌大脑研究团队在2017年所提出的一个项目，最初的愿景是希望能够让机器自动研发和优化新的机器学习模型。该项目的进展飞快，在2017年11月，谷歌大脑研究团队公布了 AutoML 的第一项正式成果：AutoML 自主研发的图像识别算法，在 ImageNet 和 COCO 两项行业公认的数据集中获得了有史以来最好成绩，超过所有人类研究者开发的算法模型。短短两个月后，谷歌云平台就把 AutoML 做成了服务向公众开放，首批合作伙伴包括迪士尼、Urban Outfitters 等。



AutoML 让机器能够自动化地为每个新的应用场景开发机器学习模型，这是谷歌“人工智能优先”战略的重要一步。谷歌人工智能战略的愿景，是所有人都能够通过谷歌的平台使用最好的人工智能技术来解决自己的问题，而谷歌能够从中获得利润；就像从前所有人都能够通过谷歌搜索引擎找到想要的信息，而谷歌从中获得大量的广告收入。目前，谷歌的做法是通过谷歌大脑团队研发更好的机器学习模型，再通过云平台的 API 接口和咨询顾问服务将这些最前沿的机器学习模型向公众提供，通过谷歌云平台的使用费用获取收入。其中谷歌大脑团队的研发工作和云平台团队中的咨询服务都需要依靠非常多的人力，而如果谷歌想要扩大用户人群，就需要动用技术杠杆来降低对人力资源的依赖。于是谷歌寄托于 AutoML 的期望，就是能够有效地将开发人工智能技术的大部分工作自动化，这样一来，谷歌大脑团队能够集中资源解决更复杂的科研问题，而谷歌云平台能够为每一位企业客户的使用场景提供自动化、快速的方案定制和部署。因此，我们看到谷歌大脑团队和谷歌云服务团队如此快速地发展 AutoML 技术并将其产品化。我们未来也将会看到 AutoML 服务从图像识别拓展到其他领域，诸如自然语言生成、异常检测等。 如此一来，谷歌针对人工智能技术开发，部署了谷歌云平台为主的基础设施、TensorFlow 为主的开发环境，以及现在AutoML为首的前端工具包，形成了更成熟的生态系统，有助于他们吸引更多开发者来到谷歌的平台，进行人工智能的技术和商业开发。



而对于公众而言，AutoML 也意味着人工智能技术向全民普及的机会，尤其是对于那些具备极少机器学习技能和数据资源的团体，比如创业公司、非计算机和工程领域的大学研究者、社会组织等，他们能够凭借 AutoML 缩短和大企业之间的差距，从而利用新技术专注于在他们的领域解决问题。最近李飞飞教授带领的斯坦福大学研究团队利用最新的深度神经网络技术分析了谷歌街景中的数百万张图像，从而进行人口政治倾向的预测。未来随着 AutoML 的普及，我们将会看到越来越多类似的案例，借用人工智能技术作为杠杆，进行各个领域的研究突破和应用创新。