一句话定义：AutoML（Automated Machine Learning，自动化机器学习）是把机器学习里靠人反复试错的环节——特征处理、模型选择、超参数（hyperparameter）调优，乃至神经网络结构设计——交给算法去自动搜索，最终产出可直接使用的模型。
打个比方：做模型像做菜。数据是食材，特征工程是切配，模型是菜系，超参数是火候和调料比例。传统流程是厨师凭经验一遍遍试；AutoML 把"试"变成流水线：自动切配（特征生成与筛选）→ 几个菜系各做小份试吃（模型选择）→ 按不同火候调料反复微调（超参搜索）→ 用留出的验证集盲评，留下最好的一份。
搜索策略大致三类：网格搜索与随机搜索；贝叶斯优化（Bayesian Optimization，用已有结果推测下一组更值得试的参数）；以及进化式、种群式方法。如果把"网络长什么样"也纳入搜索，就是 NAS（Neural Architecture Search，神经架构搜索）。
两处容易混淆：
- AutoML ≠ 全自动 AI。它不替你定义问题，不负责数据标注，也不保证模型有业务价值。
- AutoML ≠ 机器学习平台。平台管算力调度、流水线编排、部署监控；AutoML 管的是"在给定搜索空间里，用尽量少的评估次数找到更好的配置"。
为什么它在深度学习时代先退场、又回来：早期 NAS 要从零训练成百上千个网络，算力成本高到只有大厂玩得起，业界于是退回"人工选一个成熟骨干网络再微调"。后来三件事把它拉了回来：预训练与迁移学习让搜索从"从零训练"变成"在已有骨干上选与调"，单次评估便宜很多；权重共享、超网（supernet）、早停等技巧让一次训练能给大量候选打分；云平台和开源库把 AutoML 做成开箱选项，普通人点几下就能跑。如今大模型时代，搜索重心从"搜架构"转向"调数据配比、微调方案、提示策略"——搜索没消失，只是对象变了。
对从业者：把 AutoML 当基线生成器，先让它跑出一个还不错的配置，再用人做有洞察的改动；搜索空间与评估指标的设计，往往比搜索算法本身更影响结果。对普通人：不懂反向传播，也可能用它做出可用的分类或预测模型；但"自动"不等于"正确"，数据偏见、标签质量、上线后的漂移仍需人来判断。各厂商与开源项目的具体能力、额度和限制差异较大，选型以官方页面为准。