Alphabet的自动驾驶和robotaxi公司Waymo为了改进和改进为其自动驾驶软件提供动力的人工智能，我们进行了大量培训。最近，它与Alphabet公司和AI专家DeepMind合作开发了新的培训方法，有助于提高培训效率。两人合作推出了一种名为“基于人群的培训”(简称PBT)的培训方法，以应对Waymo构建更好的虚拟驱动程序的挑战，结果令人印象深刻--DemMind在博客文章中称，使用PBT的假阳性率降低了24%在Waymo车辆的许多传感器发现的行人，骑自行车者和摩托车手周围识别和放置箱子的网络中。不仅如此，还可以节省培训时间和资源，与Waymo之前使用的标准方法相比，使用了大约50%的培训时间和资源。
稍微退一步，让我们来看看PBT是什么。基本上，这是一种训练方法，它从达尔文进化论的运作方式中获取线索。神经网络本质上是通过尝试某种东西，然后根据某种标准来衡量这些结果，以确定他们的尝试是基于期望的结果更“正确”还是更“错误”。在Waymo使用的训练方法中，他们有多个神经网络在同一个任务上独立工作，所有神经网络都具有不同程度的所谓“学习率”，或者每次他们的方法可以偏离的程度他们尝试任务(例如识别图像中的对象)。较高的学习率意味着在结果质量方面更加多样化，但这种方式都有所不同 - 较低的学习率意味着更稳定的进步，
但是所有这些比较培训都需要大量的资源，并且从好的方面对好的东西进行分类依赖于个体工程师的直觉，或者是手工组件的大规模搜索涉及工程师“杂草” out“表现最差的神经网络，为更好的神经网络释放处理能力。
DeepMind和Waymo对这个实验做了什么实际上是自动化除草，自动杀死“坏”训练并用运行任务的最佳网络的更好性能分拆代替它们。这就是进化的来源，因为它是一种人工自然选择的过程。是的，这确实有意义 - 再读一遍。
为了避免这种方法的潜在缺陷，DeepMind在早期研究后调整了一些方面，包括快速，15分钟间隔评估模型，构建强大的验证标准和示例集，以确保测试真正构建性能更好的神经网络现实世界，而不仅仅是他们被喂食的特定数据的良好模式识别引擎。
最后，这些公司还开发了一种“岛屿种群”方法，通过构建仅在有限群体中相互竞争的神经网络子群，类似于动物群体从较大群体(即限于岛屿)切断的方式发展远不同的，有时更适应的特征与他们的大陆地表兄弟相比。
总的来说，这是一个非常有趣的看法，深度学习和人工智能如何对技术产生真正的影响，在某些情况下，我们的日常生活中已经很快就会发生这种影响。
