计划将挑选5-15个受资助者，资助项目范围包括生物多样性保护、气候变化、农业或水资源研究，每个项目资助额在20万美元以下。
另外，所有通过资助计划而获得资源建立的AI模型，都需要进行开源分享，让其他研究者可以借此继续研究。
另外，微软新近发布了关于Dynamics365AI的信息。
这是微软新一代云端智能商业应用，通过对CRM和ERP软件的整合，帮助企业实现数字化转型。
尽管微软不像其他竞争对手那样专注于个人消费者，但微软醉新的人工智能行动无疑证明了该技术在不同行业和领域的迅速普及。
系统自主编写机器学习代码，其效率在某种程度上竟然超过了专业的研发工程师。
AutoML的目标并不是要将人类从开发过程中剥离出去，也不是要开发全新的人工智能，而是让人工智能继续维持某种速度来改变世界。
人工神经网络已经实现了学习模型的自编码，还需要人来训练。
而AutoML更进一步，实现了训练过程的自编码，通过类似Axure的拖拽方式就能完成对话操作。
在AutoML中，一种控0制器神经网络能够提议一个“子”模型架构，然后针对特定任务进行训练与质量评估；而反馈给控0制器的信息则会被用来改进下一轮的提议。
我们重复这个过程数千次——从而生成新的架构，然后经过测试和反馈，让控0制器进行学习。
醉终，控0制器将学会为好的架构分配高的概率，以便在延续的验证数据集上实现更高的准确性，并且对于架构空间的差异很小。
AutoML在机器学习系统的编程上，远胜于创造它的研究人员。
在某个图像识别任务中，其实现了创纪录的82%的准确率。
即使在一些复杂的人工智能任务中，其自创建的代码也比人类程序员优越。
它可以在图像中标记多个点，准确率达到42%；作为对比，人类打造的软件只有39%。
AutoML对AI意味着什么？它像一款制作Demo的工具