神經(jīng)網(wǎng)絡(luò)進(jìn)化通過(guò)篩選人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)通路來(lái)模擬自然進(jìn)化。神經(jīng)進(jìn)化將進(jìn)化算法和人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，能像類似于地球上大腦進(jìn)化的方式來(lái)訓(xùn)練系統(tǒng)。

許多與機(jī)器學(xué)習(xí)相關(guān)的概念已經(jīng)存在了幾十年。然而，在過(guò)去的幾年中，由于計(jì)算能力的巨大進(jìn)步，研究人員才得以探索那些已經(jīng)停滯不前的算法和方法。在人工智能領(lǐng)域，有一個(gè)概念突然引起了人們的注意：神經(jīng)進(jìn)化。這種方法通過(guò)篩選人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)通路來(lái)模擬自然進(jìn)化。通過(guò)突變，它確定了處理特定任務(wù)最有效的途徑。

在未來(lái)幾年，神經(jīng)進(jìn)化通過(guò)允許系統(tǒng)更動(dòng)態(tài)、更智能地進(jìn)行調(diào)整和適應(yīng)，可能會(huì)影響各種領(lǐng)域，如機(jī)器人、醫(yī)學(xué)和后勤。雖然這個(gè)概念的起源可以追溯到20世紀(jì)80年代，但一直到今天，計(jì)算能力的發(fā)展才使研究人員能夠給舊算法注入新的活力。

“神經(jīng)進(jìn)化將進(jìn)化算法和人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)。其結(jié)果是得到了一種訓(xùn)練系統(tǒng)的方法，該方法與人類大腦的進(jìn)化方式非常相似?！盪ber人工智能實(shí)驗(yàn)室的高級(jí)研究科學(xué)家Kenneth Stanley解釋道。

自然（代碼）選擇

神經(jīng)進(jìn)化受自然的啟發(fā)。傳統(tǒng)的深度學(xué)習(xí)使用一種被稱為隨機(jī)梯度下降（SGD）的方法；它通過(guò)不斷的訓(xùn)練，逐步減少誤差，從而改進(jìn)算法。盡管SGD在處理許多計(jì)算任務(wù)（包括語(yǔ)音和圖像識(shí)別等復(fù)雜活動(dòng)）方面非常有效，但它難以應(yīng)付“強(qiáng)化學(xué)習(xí)”（學(xué)習(xí)如何在很少反饋的情況下學(xué)習(xí)）這一更艱巨的挑戰(zhàn)。例如，腿受損或殘廢的機(jī)器人必須學(xué)會(huì)一種不同的行走方式，而無(wú)需任何人告訴它應(yīng)該如何適應(yīng)這種特殊情況。

人工智能軟件公司SentientTechnologies的研究副總裁、德克薩斯大學(xué)奧斯汀分校（University of Texas at Austin）計(jì)算機(jī)科學(xué)系教授Risto Miikkulainen解釋說(shuō)：“通常，神經(jīng)網(wǎng)絡(luò)被用在擁有現(xiàn)有數(shù)據(jù)集的領(lǐng)域。當(dāng)你有現(xiàn)有的數(shù)據(jù)點(diǎn)告訴你如何將輸入映射到輸出時(shí)，此時(shí)神經(jīng)網(wǎng)絡(luò)是有用的。典型場(chǎng)景包括理解股票市場(chǎng)的行為或天氣狀況的潛在動(dòng)態(tài)，這兩者都會(huì)隨著時(shí)間的推移顯示出已知的模式。但是，如果您不知道給定輸入的正確輸出是什么，那么您就不能使用這種方法，”Miikkulainen補(bǔ)充道。

神經(jīng)進(jìn)化旨在繞過(guò)這一障礙。在過(guò)去的幾年中，一些研究人員已經(jīng)涉足了這種方法，包括非盈利研究公司OpenAI、以及DeepMind和Google的團(tuán)隊(duì)成員。Uber人工智能實(shí)驗(yàn)室的高級(jí)研究科學(xué)家、懷俄明大學(xué)的副教授Stanley和Jeff Clune已經(jīng)證明，神經(jīng)進(jìn)化是一種能夠創(chuàng)建深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大算法，能夠解決強(qiáng)化學(xué)習(xí)問(wèn)題。他們和Uber人工智能實(shí)驗(yàn)室的團(tuán)隊(duì)開發(fā)了一種遺傳算法（GA），訓(xùn)練具有超過(guò)400萬(wàn)參數(shù)的深度卷積網(wǎng)絡(luò)。

機(jī)器突變

這項(xiàng)研究已經(jīng)證明了神經(jīng)進(jìn)化的實(shí)際可行性。在Uber人工智能實(shí)驗(yàn)室，Stanley和Clune共同撰寫了五篇關(guān)于這個(gè)主題的學(xué)術(shù)論文，他們利用遺傳算法訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)，能夠根據(jù)像素?cái)?shù)據(jù)玩Atari視頻游戲。該系統(tǒng)在13場(chǎng)比賽中的6場(chǎng)中表現(xiàn)優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，并避免了一些SGD方法可能出現(xiàn)的一些死循環(huán)。更重要的是，在其中三場(chǎng)比賽中，該系統(tǒng)的表現(xiàn)優(yōu)于人類。

Stanley稱一個(gè)關(guān)鍵因素是神經(jīng)網(wǎng)絡(luò)自發(fā)突變的能力。他和克萊恩，以及Uber的另一位研究科學(xué)家Joel Lehman找到了引入“安全”突變的方法，幫助神經(jīng)網(wǎng)絡(luò)顯著增長(zhǎng)，并產(chǎn)生更好的結(jié)果。這種技術(shù)使他們能夠進(jìn)化出具有100層以上的深層神經(jīng)網(wǎng)路（DNNs），這遠(yuǎn)遠(yuǎn)超出了以前通過(guò)神經(jīng)進(jìn)化所能達(dá)到的程度。

在Uber，該系統(tǒng)的實(shí)際好處可能包括開發(fā)出更好的定價(jià)模型或更高效的調(diào)度或路由系統(tǒng)。但這只是神經(jīng)進(jìn)化的魅力之一。遺傳算法，尤其是當(dāng)它與其他機(jī)器學(xué)習(xí)算法結(jié)合在一起時(shí)，可以在機(jī)器人、無(wú)人機(jī)、自動(dòng)駕駛汽車、智能城市、藥物設(shè)計(jì)和網(wǎng)絡(luò)安全等領(lǐng)域帶來(lái)各種各樣的改進(jìn)。不管是對(duì)無(wú)人機(jī)的結(jié)構(gòu)損壞，還是社區(qū)交通的突然激增，這些系統(tǒng)都能動(dòng)態(tài)、智能地適應(yīng)變化?！拔覀兊哪繕?biāo)是創(chuàng)建一個(gè)框架，可以快速地探索和測(cè)試各種可能性，并選擇最佳方法，”Miikkulainen解釋說(shuō)。

事實(shí)上，Miikkulainen認(rèn)為神經(jīng)進(jìn)化的未來(lái)是光明的。它為解決復(fù)雜的計(jì)算問(wèn)題提供了一個(gè)潛在的強(qiáng)大工具。包括OpenAI集團(tuán)在內(nèi)的其他公司也在致力于這一領(lǐng)域的研究，并尋找各種可能性。Clune總結(jié)道：“神經(jīng)進(jìn)化一直是一個(gè)有趣的概念。現(xiàn)代計(jì)算讓研究人員開始真正利用這個(gè)想法，就像列奧納多·達(dá)芬奇設(shè)想的直升機(jī)，直到很久以后才能真正建造和飛行。”