在AI Time的第二期研讨会上，学者们围绕自动机器学习与可解释机器学习展开了深入探讨。美国伊利诺伊大学芝加哥分校特聘教授俞士纶、美国密歇根大学梅俏竹教授、北京大学王立威教授以及百度高级研究员李兴建等嘉宾，共同分享了他们在这两个领域的见解和经验。
王立威教授首先介绍了AutoML（自动机器学习）的概念。他指出，传统的机器学习模型设计和超参数调节往往依赖于人工经验，而AutoML则尝试将这些过程转化为一种自动化的优化问题，让机器自己去寻找最优解。通过数学公式定义，这种方法可以使网络结构设计从人为精确到机器自动生成，从而实现炼丹般复杂的问题被简化。
接着，梅俏竹教授阐述了可解释性与AutoML之间并非矛盾。她强调，无论是全自动还是完全手动进行训练，可解释性都是建立信任的关键路径。在医疗诊断中，不仅要准确诊断，还需要能够清晰地向患者和医生说明诊断结果，因此她认为可解释性不仅是对公众的一个需求，也是推动技术发展不可或缺的一部分。
李兴建博士则从产业界角度谈到了AutoML，他提出了基于进化算法、强化学习或者可微结构搜索神经网络结构的方法，并且举例说明了这种方法在生成对抗网络（GAN）和头像风格迁移任务中的应用。他的观点表明，在实际应用中，企业已经开始使用AutoML来提高模型效率和性能，同时减少人类干预，以达到更快捷、高效的地步。
王立威又进一步提出了一些关于可解释性的看法。他认为，在很多问题中，可解释性其实很片面，因为大多数问题本质上是不可能完全理解或描述清楚的。而他自己的工作经历表明，只有在初期阶段，当医生还不完全信任AI系统时，可解释才是一个重要诉求，但当系统性能达到甚至超过医生的水平后，便不再成为必要的问题。此外，他也指出了对于一些复杂数据集，如交通预测所需融合历史数据、实时数据及社交媒体文本数据等情况下，即便是简单的问题也是难以完全自动解决。
最后，他们也讨论了ACL2019一篇名作，它计算各种模型产生计算量与碳排放，这体现社会对技术伦理责任方面的一种关注，以及考虑成本因素限制盲目搜索，以减少消耗，将人工智能设计与自动学习相结合，为未来AI技术提供更多思考空间。
