AI可以说是2018年最大的科技话题。从Google Duplex的人为模仿，Spotify的歌曲推荐，到Uber的自驾车以及五角大楼使用 GoogleAI，该技术似乎提供了一切。你可以说AI已经成为通过计算进步的代名词。然而，并不是所有的AI都是平等的，它需要更有创造性。

让我们从“创造性”的角度着手。这涉及两种不同类型的人工智能：深度学习和进化计算。深度学习在科技界已经相当成熟。自20世纪80年代以来，研究人员在神经网络中使用了其核心技术，并且它已经改变了我们今天认为是AI的许多方面。而现在，随着大数据和大型计算能力的引入，深度学习已成为许多实际应用中不可分割的一部分。

这意味着我们可以将进化计算视为AI进程中的下一步。这种类型的AI基于受生物进化启发的算法。通过繁殖，变异，重组和选择，进化计算可以执行平行的探索性搜索解决方案。由于这项技术基于多种解决方案，而不是单一的，并不断完善的解决方案，因此可以尝试新颖的想法并发现令人惊讶和具有创造性的解决方案。在进化计算中，研究人员利用这些过程达到特定的目标，例如创建一个网站，以最大限度地提高转化率或制定一个流程。

进化计算与深度学习

进化计算与深度学习有很多不同之处，但最大的区别是，深度学习的重点在于对我们所知道的模型进行建模，对现有数据集进行监督式训练。而进化计算侧重于创建尚不存在的解决方案。例如，进化计算的一些应用可能包括提出一个与他人不相关的交易策略，寻找最佳路线以平衡竞争关注点，以及设计比人类设计的更为复杂的航天器天线。

进化计算可以通过繁复但有引导性的探索发现这些新的设计和行为。从某种意义上说，这是从深度学习中迈出的下一步：AI可以跳出限制进行思考。正是这种创造力的需要，我们必须超越目前的成就来提升人工智能。深度学习已经证明了它在自动化行为和能力方面的价值，这些行为和能力都是众所周知的且描述良好的，但它无法进一步超越。这就是为什么进化计算将是人工智能未来的关键。

目前进化计算的工作进展

最近进化计算工作量激增，说明这可能是人工智能研究人员下一步方向。一个例子是OpenAI使用进化来设计神经网络进行强化学习，这表明它的表现更好，并且并行也比梯度下降技术表现更好。这种方法可以利用大规模并行计算来评估人口成员。

Uber还展示了进化如何通过更加明确地强调新颖的解决方案来进行更广泛的探索。DeepMind概述了神经网络架构的这种探索可能导致连续发现新的行为。Google Brain的研究人员展示了进化架构搜索改善多个图像分类基准测试任务中的现状。

这些例子说明进化计算超越人类设计的可能性。凭借坚实的研究基础，各种公司已经将进化计算应用到生物信息学，工业优化和国土安全等领域。进化架构搜索还可能对未来的深度学习应用程序（如视频监视技术和AI解释视频）提出新的挑战。

未来的AI

进化计算提供了一个机会，将我们的技术能力扩展到深度学习之外。基于指导性的，充满活力的探索，它有能力创造比人类设计更复杂的解决方案。通过这项技术，人工智能有望改善许多行业，如农业，医疗保健，金融，国土安全和在线零售。虽然深度学习已经将我们带到了这一步，但进化计算可以为我们带来更具创造性的AI。