机构名称：
¥ 1.0
在过去十年左右的时间里，我们看到了人工智能 (AI) 的巨大进步。人工智能如今已进入现实世界，为具有巨大实际影响的应用提供动力。其中大部分都基于建模，即机器学习统计模型，从而可以预测未来情况下的正确决策。例如，我们现在拥有的物体识别、语音识别、游戏、语言理解和机器翻译系统可以与人类的表现相媲美，甚至在许多情况下超越人类 [8、9、20]。在每种情况下，都存在大量监督数据，为每个输入案例指定正确答案。利用现在可用的大量计算，可以训练神经网络以利用这些数据。因此，人工智能在我们已经知道需要做什么的任务中表现出色。人工智能的下一步是机器创造力。除了建模之外，还有大量任务的正确甚至好的解决方案尚不清楚，但需要被发现。例如，设计成本低廉、性能良好的工程解决方案、为用户提供良好服务的网页，甚至是控制温室中农业的生长配方，都是人类专业知识稀缺、难以找到好解决方案的任务[4、7、11、12、18]。机器创造的方法已经存在了几十年。我相信我们现在所处的境地与几年前的深度学习类似：随着计算能力提高数百万倍，这些方法现在可以用于扩展到现实世界的任务。进化计算处于独特的位置，可以利用这种能力，成为下一个深度学习。要了解原因，让我们考虑一下人类如何处理创造性任务，比如工程设计。典型的过程从现有设计开始，可能是需要改进或扩展的早期设计，或者是相关任务的设计。然后，设计师对此解决方案进行更改并进行评估。他/她保留那些效果良好的更改，丢弃那些效果不佳的更改，并进行迭代。当达到期望的性能水平，或者找不到更好的解决方案时，它会终止——此时，可以从不同的初始解决方案重新开始该过程。 这样的过程可以描述为爬山过程（图 1a）。 有了良好的初始洞察力，它
通过进化计算创造人工智能
主要关键词
相关文件推荐
