2020年，AI依然是个关键字，但不同的是，实现各种AI应用背后的关键模型，其开发和训练门槛变得更低、支持的类型将更广，甚至不懂程序开发的领域专家，都能自己动手快速创建ML模型。关键就是，去年Google发布的AutoML机器学习自动化服务类型，现在成了各大主流公有云的标准配备，连云计算龙头AWS在2019年12月刚推出的AI集成开发工具Amazon SageMaker Studio中，都主打机器学习自动化功能AutoPilot，只要上传表格型数据，就能自动创建可用的机器学习预测模型。
AutoML从先前的少数独有，到现在变成了主流机器学习服务的标准配备，也大多朝向网页化接口、免程序开发特性、工作流程可视化管理的共同趋势发展，可说是进入新的AutoML 2.0阶段。
这意味着，更多分析人力不足的中小型企业能够受益。IBM在2019年初的报告指出，一家企业光是优化、管理机器学习模型，就需要1至6名数据科学家。而爆发式的AutoML 2.0产品，让这些缺乏人才的中小型企业，也能自己打造定制化的机器学习模型，提供更贴近产业特性的应用。
回顾过去，2018年，云计算巨头以自家丰厚的云计算资源，相继推出低门槛的模型自动化开发与训练服务。最典型的例子，就是年初最先登场的Google Cloud AutoML，一次瞄准图片识别（Vision）、翻译（Translation）和自然语言（Natural Language）等三大领域，支持CNN、RNN和LSTM三种算法，让企业能用自己的数据，来打造定制化AI模型。
进一步来说，Google Cloud AutoML的特别之处，在于能自动挑选算法、调整超参数，通过不断优化找出最合适的模型。另一主打特色，是不用撰写程序代码，或简称No Code（免程序代码），通过配置档或参数设置，上传训练用的数据，就可开始进行模型训练。以图片识别为例，用户只要上传数十或数百张照片，就能训练出专属的AI模型，大幅降低AI开发门槛。Cloud AutoML的图片识别、翻译和自然语言服务，随后也在隔年11、12月正式上线。
Google Cloud AutoML的特色，成为自动化机器学习服务的蓝本。2018年底，微软也在Azure Machine Learning中，正式推出自动化机器学习服务（Automated ML），支持回归、分类和预测等算法，其中一些功能也在2019年正式上线。这项服务，虽然仅支持结构化数据作为训练数据，但仍是企业无程序代码机器学习服务的另一选择。
更多大厂投入，AutoML遍地开花
自此，更多大厂争相加入AutoML战局，纷纷跨出第一步，发布简易、自动化程度更高的机器学习开发服务。
IBM就是其中之一。比如，2019年第二季时，IBM在自主机器学习服务Watson Studio中，正式推出可自动调校模型的无程序代码机器学习功能AutoAI，提供自动化数据预处理、特征工程，以及超参数调整等功能。不过，相较于Google Cloud AutoML，AutoAI只支持回归和分类算法，在数据类型上，也仅支持结构化数据的CSV格式，文件大小限制为100MB。
另一方面，数据分析龙头SAS也加入AutoML战局。2019年第四季，SAS宣布在自家云计算开发环境平台Viya中，正式添加自动化机器学习功能。同样主打简易操作，新功能可自动执行数据整理、特征工程，以及算法挑选等流程，并支持分类和回归算法，不过，数据类型仅限于CAS文件。
这股AutoML风潮，也吹进由Apache Spark技术团队创办的数据科学公司Databricks，2019年8月，正式在自家集成分析平台中，推出自动化机器学习工具组件（AutoML Toolkit），支持回归与分类算法，可自动处理特征工程、调校超参数、模型搜索，以及模型部署。有趣的是，它同时也提供细致的控制功能，让数据科学家可手动微调。
采取类似做法的，还有云计算龙头AWS，瞄准企业数据科学家和没受过机器学习训练的业务，于2019年底，在机器学习集成开发环境Amazon SageMaker Studio中，新添自动化机器学习功能AutoPilot，除了自动进行模型训练，还会产生Python程序代码，来告诉用户AutoPilot如何预处理数据；对数据科学家来说，可作为日后手动修改的参考。
AI模型开发成工厂作业，2020年迎来应用大爆发
自Google发布Cloud AutoML以来，打开了AutoML百家争鸣的时代，ML门槛一再降低，连没有数据科学团队的企业，都可快速训练模型、开发AI应用，使AI模型开发成为工厂作业，可快速大量训练和定制化生产。不论何种产业，都更容易发展各自的产业AI应用，2020年将带来另一波企业AI应用的大爆发。