Google发布开源机器学习模型搜索平台Model Search，供研究社群更容易地取用AutoML解决方案，Model Search能够让研究人员高效且自动地开发机器学习模型，该平台与领域知识无关，可以找到适用各种问题与资料集的模型架构，最大程度减少程序开发时间与工作量，Model Search是以Tensorflow构建而成，因此可以在单台机器或是分布式设备中运行。
近年出现的AutoML算法，可以让研究人员不需要手动实验，就能找到合适的神经网络，Google提到，使用正确的配置甚至可以得到比手动更好的结果，只不过这些算法运算量通常很大，所以在融合之前，需要训练数千个模型，而且搜索空间仅能针对特定领域，无法在跨领域良好地运行。
为了解决这些问题，Google发布了开源Model Search平台，该模型搜索系统是由多个训练程序（Trainer）、搜索算法、转移学习算法和用来存储各种评估模型的数据库所组成，能以自适应的方式，执行各种机器学习模型的训练工作和评估实验。
每个训练程序皆独立完成实验，但其他训练程序也都可以从实验中获得知识，每个周期开始，搜索算法都会查询已完成的实验，并且决定下一步要尝试的项目，并对当下所找到的最佳模型架构进行一些变异，并将模型结果反馈给训练程序。
Model Search中实例的搜索算法具有适应性、贪婪和渐增特性，所以收敛的速度比增强式学习还要快，但是却又能模仿增强式学习，达到兼具深度与广度的探索，更快地找到最佳结果。而为了要进一步提高效率和准确性，Google提到，Model Search使用知识蒸馏（Knowledge Distillation）和权重共享，使得各种内部实验可进行转移学习，以加快训练速度，并且有更高的机会发现更好的架构。
Model Search可以显著地提升模型生产速度，Google将Model Search用于探索关键字标记与语言识别模型，不到200次迭代，就能获得比专家设计更好的模型，少使用了13万可训练参数。
Google还使用Model Search，来找出适用于CIFAR-10图像资料集的图像分类模型架构，而Model Search仅经过209次模型实验，就达到基准测试91.83精准度，相较于之前使用增强学习的研究，要达到相同的精准度，必需要经过1,160次的实验。