過去幾年時間里，我們有一個完整的團隊致力于人工智能研究和實驗。該團隊專注于開發新的進化計算方法（EC），包括設計人工神經網絡架構、構建商業應用程序，以及使用由自然進化激發的方法來解決具有挑戰性的計算問題。這一領域的發展勢頭非常強勁。我們相信進化計算很可能是人工智能技術的下一個重大課題。

EC與Deep Learning（DL）一樣都是幾十年前引入的，EC也能夠從可用的計算和大數據中得到提升。然而，它解決了一個截然不同的需求：我們都知道DL側重于建模我們已知的知識，而EC則專注于創建新的知識。從這個意義上講，它是DL的下個步驟：DL能夠在熟悉的類別中識別對象和語音，而EC使我們能夠發現全新的對象和行為-最大化特定目標的對象和行為。因此，EC使許多新的應用成為可能：為機器人和虛擬代理設計更有效的行為，創造更有效和更廉價的衛生干預措施，促進農業機械化發展和生物過程。

前不久，我們發布了5篇論文來報告在這一領域上取得了顯著的進展，報告主要集中在三個方面：（1）DL架構在三個標準機器學習基準測試中已達到了最新技術水平。（2）開發技術用于提高實際應用發展的性能和可靠性。（3）在非常困難的計算問題上證明了進化問題的解決。

本文將重點介紹里面的第一個領域，即用EC優化DL架構。

Sentient揭示了神經進化的突破性研究

深度學習的大部分取決于網絡的規模和復雜性。隨著神經進化，DL體系結構（即網絡拓撲、模塊和超參數）可以在人類能力之外進行優化。我們將在本文中介紹三個示例：Omni Draw、Celeb Match和Music Maker（語言建模）。在這三個例子中，Sentient使用神經進化成功地超越了最先進的DL基準。

音樂制作（語言建模）

在語言建模領域，系統被訓練用來預測“語言庫”中的下一個單詞，例如《華爾街日報》幾年內的大量文本集合，在網絡做出預測結果后，這個輸入還可以被循環輸入，從而網絡可以生成一個完整的單詞序列。有趣的是，同樣的技術同樣適用于音樂序列，以下為一個演示。用戶輸入一些初始音符，然后系統根據該起始點即興創作一首完整的旋律。通過神經元進化，Sentient優化了門控周期性（長期短期記憶或LSTM）節點（即網絡的“記憶”結構）的設計，使模型在預測下一個音符時更加準確。

在語言建模領域（在一個叫Penn Tree Bank的語言語料庫中預測下一個詞），基準是由困惑點定義的，用來度量概率模型如何預測真實樣本。當然，數字越低越好，因為我們希望模型在預測下一個單詞時“困惑”越少越好。在這種情況下，感知器以10.8的困惑點擊敗了標準的LSTM結構。值得注意的是，在過去25年內，盡管人類設計了一些LSTM變體，LSTM的性能仍然沒有得到改善。事實上，我們的神經進化實驗表明，LSTM可以通過增加復雜性，即記憶細胞和更多的非線性、平行的途徑來顯著改善性能。

為什么這個突破很重要？語言是人類強大而復雜的智能構造。語言建模，即預測文本中的下一個單詞，是衡量機器學習方法如何學習語言結構的基準。因此，它是構建自然語言處理系統的代理，包括語音和語言接口、機器翻譯，甚至包括DNA序列和心率診斷等醫學數據。而在語言建模基準測試中我們可以做得更好，可以使用相同的技術建立更好的語言處理系統。

Omni Draw

Omniglot是一種可以識別50種不同字母字符的手寫字符識別基準，包括像西里爾語（書面俄語）、日語和希伯來語等真實語言，以及諸如Tengwar（《指環王》中的書面語言）等人工語音。

上圖示例展示了多任務學習，模型可以同時學習所有語言，并利用不同語言中字符之間的關系。例如，用戶輸入圖像，系統根據匹配輸出不同語言的含義，“這將是拉丁語中的X，日語中的Y以及Tengwar中的Z等等”——利用日本、Tengwar和拉丁語之間的關系找出哪些角色是最好的匹配。這與單一任務學習環境不同，單一環境下模型只對一種語言進行訓練，并且不能在語言數據集上建立相同的連接。

雖然Omniglot是一個數據集的例子，但每個語言的數據相對較少。例如它可能只有幾個希臘字母，但很多都是日語。它能夠利用語言之間關系的知識來尋找解決方案。為什么這個很重要？對于許多實際應用程序來說，標記數據的獲取是非常昂貴或危險的（例如醫療應用程序、農業和機器人救援），因此可以利用與相似或相關數據集的關系自動設計模型，在某種程度上可以替代丟失的數據集并提高研究能力。這也是神經進化能力的一個很好的證明：語言之間可以有很多的聯系方式，并且進化發現了將他們的學習結合在一起的最佳方式。

Celeb Match

Celeb Match的demo同樣適用于多任務學習，但它使用的是大規模數據集。該demo是基于CelebA數據集，它由約20萬張名人圖像組成，每張圖片的標簽都由40個二進制標記屬性，如“男性與女性”、“有無胡子”等等。每個屬性都會產生一個“分類任務”，它會引導系統檢測和識別每個屬性。作為趣味附加組件，我們創建了一個demo來完成這項任務：用戶可以為每個屬性設置所需的程度，并且系統會根據進化的多任務學習網絡來確定最接近的名人。例如，如果當前的圖片為布拉德·皮特的形象，用戶可以增加“灰色頭發”屬性，已發現哪個名人與他相似但是頭發不同。

在CelebA多任務人臉分類領域，Sentient使用了演化計算來優化這些檢測屬性的網絡，成功將總體三個模型的誤差從8%降到了7.94%。

這一技術使得人工智能在預測人類、地點和物質世界各種屬性的能力上提升了一大步。與基于抽象，學習功能找到相似性的訓練網絡不同，它使相似的語義和可解釋性也成為可能。