日前据媒体报道，Alphabet旗下的Waymo公司和DeepMind公司进行了合作，他们开发出一种模拟进化论的新训练方法，以此提高训效率和质量。

首先要知道一个AI算法模型是通过成千上万次的实验来自我改进的。通常工程师会给一个模型制定一个任务，模型通过多次实验以及收到的反馈来进行调整，然后学习并执行任务。执行任务的表现主要依赖于训练方案，因此对于研究人员和工程师来说，寻找最合适的训练方案是其主要工作。他们会精心挑选接受培训的AI模型，将表现差的模型剔除并释放资源，然后从零开始训练新算法，这需要消耗研究人员和工程师的大量精力与时间。

据悉DeepMind基于PBT（基于人口的训练）中设计出了一种劳动密集度低的方法，该方法从随机变量生成的多个机器学习模型开始。模型会被定期评估，多个机器学习模型之间则会以进化的方式互相竞争，表现不佳的模型会被“进化”更好的、表现更好的模型副本取代，这个副本则被称为“后代”。每个后代会继承父网络的状态，因此PBT也就不需要从零开始重新训练，而整个训练过程中，后代将会积极更新超参数。基于此，最终PBT可以将其大量的资源用来训练“好的”超参数值。

不过PBT也并不完美，这种方法侧重于短期、当前的优化，但并不是从长期出发，因此不利于后期发展的AI模型。为了解决这种情况，DeepMind的研究人员又培育了大量模型（人口），并创建名为“利基”的子人口，算法只会和自己子群中的模型竞争。

目前，DeepMind和Waymo已经将PBT应用到AI对行人、自行车和摩托车的识别任务，希望以此来检验算法是否能够得到进一步提升。对于测试结果，Waymo表示PBT算法的精度更好，与手工调整的等效物相比，误报率能够减少24%，并且识别率仍然能够维持比较高的水平，此外该算法还能够节省时间和资源。Waymo称，已经将PBT纳入了Waymo的技术基础架构，公司的研究人员可以通过点击按钮来应用该算法。

两家公司最终希望训练出一个能够保持99%以上的总体障碍物识别率，并且减少误报的AI模型。

文章来源: 镁客网（im2maker）发布此信息的目的在于传播更多信息，如有请侵权联系删除。