自2014年以来，Le开始将目光转向了自动化机器学习（AutoML）。我们认为一定存在一种自动化这一过程的方法。它们可用于机器学习流程中任何组件的自动化。在分支的层面上看，很难解释发生了什么。我们只关注能提供最大效益的组件的自动化。我便开始思考我想做些什么，但那时的想法不清晰。
如何理解自动化机器学习？
过去十年，谷歌在人工智能领域的重重突破，有很大一部分和 Quoc Le 有关。这位出生在越南的谷歌研究员像是一个人工智能的信徒，坚信机器学习能够解决一切让人烦恼的问题，即使存在失败的可能性，他也乐在其中。AutoML 则是他最新的研究方向，也是被认为将改变整个深度学习发展进程的技术。正如此，我们希望从和 Le 的采访中探寻围绕在 AutoML 的真相和未来。
在这场一个小时的采访里，笔者印象最深刻的是下面的两句话：1. 我们做到了自动化机器学习，之后就只是规模化的问题。2. 我预计未来两年内，至少在计算机视觉领域内，最好的网络会是 AutoML 生成的，而不是人工设计的。作为谷歌大脑的创始成员和 AutoML 的缔造者之一，Quoc Le 算得上是人工智能研究领域的原住民了。
2011 年在斯坦福大学读博时，Le 和他的老师吴恩达以及谷歌大脑的研究人员一起，基于千万张 YouTube 图像开发了一个能够识别猫的无监督学习系统；2014 年，他将深度学习技术应用在自然语言理解任务上，提出了能将文本转换为向量表征、基于循环神经网络的 Seq2Seq 学习模型，将机器翻译的前沿水平又向前推进了一步。
这为谷歌之后在自然语言机器翻译方面的突破奠定了基础。自 2014 年以来，Le 开始将目光转向了自动化机器学习（AutoML）。构建机器学习模型的过程需要反复的人工调整：研究者会在初始的模型上尝试不同的架构和超参数，在数据集上评估模型的表现，再回头进行修改；这个过程会反复进行，直到达到最优。Le 认为可以把它想成是一个试错问题，继而通过机器学习解决：「可以看看强化学习以及机器学习下围棋的方式，基本上就是试错。
」2016 年，Le 与一位谷歌研究者合作发表了一篇开创性的论文《Neural Architecture Search with Reinforcement Learning》。其核心思想类似于搭建积木：机器从一个定义空间中选取自己所需的组件来构建神经网络，然后使用一种试错技术，也就是—强化学习—来提升其准确度。
这种方法得到了令人惊喜的结果，机器所生成的模型的表现可媲美人工调节的最佳模型。Le 的研究成果催生了 Google Cloud AutoML，能让机器学习知识有限的开发者也能训练出高质量的模型。不出所料，AutoML 迅速成为了今年最热门的研究主题之一，科技巨头与创业公司纷纷跟随谷歌的脚步，投入这项新技术。
