在人工智能行业高速发展的今天，一个看似悖论的趋势正在硅谷和中关村悄然蔓延——越来越多企业开始用自动化工具来替代传统的人工智能开发流程，这种现象被业内人士形象地称为“Automating AI Away”（自动化消灭人工智能）。这并非指AI技术本身走向消亡，而是指机器正在逐步接管“创造AI”这一原本被视为高智力门槛的工作。
AutoML：让模型训练不再需要博士
2017年，谷歌推出Cloud AutoML服务，宣称用户只需上传数据，系统便能自动完成特征工程、模型选择、超参数调优等复杂步骤。当时，这被视为AI民主化的里程碑。六年后的今天，AutoML已从一个概念成长为年规模超百亿美元的市场。据Gartner预测，到2025年，超过60%的AI模型将由自动化工具而非专业数据科学家完成。
“三年前，我们团队需要花两周时间调参才能获得一个可用的图像分类模型，现在用H2O.ai的Driverless AI，同样的任务只需要两小时，准确率甚至更高。”一位来自某电商平台的算法工程师向记者坦言，“部分初级数据科学家的岗位确实变得多余了。”
低代码与生成式AI的双重挤压
AutoML只是冰山一角。随着低代码/无代码AI平台的普及，业务人员无需编写一行代码就能搭建预测模型。与此同时，以ChatGPT为代表的生成式AI正在颠覆更高级的智能开发工作。OpenAI的Codex模型可以自动生成机器学习管道代码，GitHub Copilot能完成从特征工程到模型部署的整条链路。
“以前我们需要雇佣专门的人才来编写TensorFlow或PyTorch代码，现在这些工作可以被自动化工具‘吞噬’。”某头部云服务商的AI产品总监表示，“我们的客户正在将更多预算从人力转向平台订阅费。”
就业市场的结构性震荡
这种自动化趋势对就业市场的影响已经显现。猎聘网数据显示，2023年国内初级AI工程师岗位需求较2020年下降约35%，而AI平台架构师、自动化运维工程师等高级岗位需求则逆势增长。类似的情况也发生在欧美——Indeed网站统计显示，“机器学习工程师”岗位的招聘增速正在放缓，而“AutoML专家”成为新兴热门职位。
“自动化正在重塑AI从业者的能力图谱。”清华大学人工智能研究院教授李国杰在接受采访时指出，“过去那种‘调包侠’式的从业者将失去生存空间，未来需要的是能够理解业务、设计自动化流程、解决核心算法瓶颈的复合型人才。”
技术伦理的隐忧
然而，“Automating AI Away”带来的不仅是就业焦虑，更有深层的技术伦理问题。当模型训练越发自动化，开发者对模型内部逻辑的理解反而可能弱化。斯坦福大学HAI研究院2024年发布的报告警告称：过度依赖自动化的AI开发工具，可能导致“算法黑箱”进一步扩大，增加了偏见检测和可解释性维护的难度。
“自动化工具输出的模型就像一台‘自动面包机’，你放进去面粉，得到面包，但中间发生了什么你并不完全清楚。”前微软AI科学家、现某创业公司CTO张明（化名）形象地比喻道，“如果这类工具被用于医疗诊断或金融风控，一旦出现偏差，责任归属将变得异常复杂。”
未来：人机协同的新范式
面对这场自动化浪潮，行业共识正在形成：AI开发不可能被彻底“自动化掉”，但传统的工作方式必然被颠覆。谷歌DeepMind研究科学家团队日前发表论文指出，自动化工具最适合处理标准化、重复性的建模任务，而在处理长尾分布、小样本学习、跨领域迁移等复杂场景时，人类专家的创造力依然不可替代。
可以预见，未来AI行业的竞争将从“谁拥有更多数据科学家”转向“谁拥有更优秀的自动化平台与更具战略眼光的AI领导者”。正如AutoML先驱、卡内基梅隆大学教授Eric Xing所言：“我们最终要消灭的不是人工智能本身，而是低效、重复、缺乏创造力的‘伪人工智能’工作。”
自动化消灭AI，或许是人工智能走向真正智能必须跨越的一道门槛。