谷歌Waymo與DeepMind合作，提高自動駕駛訓練質量和效率

兩家公司最終希望訓練出一個能夠保持99%以上的總體障礙物識別率，並且減少誤報的AI模型。

Alphabet旗下的兩家公司終於合作了。

日前據媒體報道，Alphabet旗下的Waymo公司和DeepMind公司進行了合作，他們開發出一種模擬進化論的新訓練方法，以此提高訓效率和質量。

首先要知道一個AI演算法模型是通過成千上萬次的實驗來自我改進的。通常工程師會給一個模型制定一個任務，模型通過多次實驗以及收到的反饋來進行調整，然後學習並執行任務。執行任務的表現主要依賴於訓練方案，因此對於研究人員和工程師來說，尋找最合適的訓練方案是其主要工作。他們會精心挑選接受培訓的AI模型，將表現差的模型剔除並釋放資源，然後從零開始訓練新演算法，這需要消耗研究人員和工程師的大量精力與時間。

據悉DeepMind基於PBT（基於人口的訓練）中設計出了一種勞動密集度低的方法，該法法從隨機變數生成的多個機器學習模型開始。模型會被定期評估，多個機器學習模型之間則會以進化的方式互相競爭，表現不佳的模型會被「進化」更好的、表現更好的模型副本取代，這個副本則被稱為「後代」。每個後代會繼承父網路的狀態，因此PBT也就不需要從零開始重新訓練，而整個訓練過程中，後代將會積極更新超參數。基於此，最終PBT可以將其大量的資源用來訓練「好的」超參數值。

不過PBT也並不完美，這種方法側重於短期、當前的優化，但並不是從長期出發，因此不利於後期發展的AI模型。為了解決這種情況，DeepMind的研究人員又培育了大量模型（人口），並創建名為「利基」的子人口，演算法只會和其自己子群中的模型競爭。

目前，DeepMind和Waymo已經將PBT應用到AI對行人、自行車和摩托車的識別任務，希望以此來檢驗演算法是否能夠得到進一步提升。對於測試結果，Waymo表示PBT演算法的精度更好，與手工調整的等效物相比，誤報率能夠減少24%，並且識別率仍然能夠維持比較高的水平，此外該演算法還能夠節省時間和資源。Waymo稱，已經將PBT納入了Waymo的技術基礎架構，公司的研究人員可以通過點擊按鈕來應用該演算法。

兩家公司最終希望訓練出一個能夠保持99%以上的總體障礙物識別率，並且減少誤報的AI模型。

更多優質內容，請持續關注鎂客網~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！