nnaisense 正式发布开源进化算法库 evotorch-金马国际

首个开源进化算法库 evotorch

据，8 月 9 日，人工智能公司 nnaisense 宣布正式推出首个，为行业提供进化算法。

在接受 venturebeat 采访时，nnaisense 的联合创始人兼深度学习总监 jonathan masci 表示：“工业自动化的圣杯自古以来就是提高流程效率。” “进化计算基本上是一种强化学习的方式。”

据介绍，evotorch 建立在开源 pytorch 机器学习库之上。nnaisense 的研究科学家 timothy atkinson 表示，evotorch 有几个组件，包括一系列进化算法和日志记录功能，因此数据科学家可以实时跟踪机器学习实验。“主要思想是，你可以使用 pytorch 中构建的任何内容，并立即使用 evotorch 对其进行优化”。

nnaisense 还将 evotorch 与用于扩展 python 和 ai 应用程序的开源 ray 框架集成。atkinson 表示，如果数据科学家将问题构建为 pytorch 函数以在 evotorch 上进行优化，则可以扩展到数千个 cpu 和数百个 gpu。

“我们在 ray 库之上以一种非常明智的方式构建了 evotorch，这意味着它可以在您负担得起的范围内扩展，”atkinson 说。

据悉，nnaisense 是“递归神经网络之父” juergen schmidhuber 的创业公司。schmidhuber 在人工智能领域颇有声望，他曾在 1997 年与别人合著了一篇论文，为现代人工智能系统奠定了基础。文中介绍了一种基于人类大脑的记忆模型，帮助计算机根据语境和先前经验做出决定。这种观念支撑了大部分的现代人工智能网络。此后，他担任瑞士一家人工智能研究所的负责人，并培养除了许多顶尖专家。纽约时报曾称他“本应该是人工智能之父”。

目前，nnaisense 已经成了工业应用人工智能工程的领导者。公司的显著贡献之一是为奥迪创建了第一个基于 rl 的自主停车系统，并为 festo 气动机器人“软”手训练控制器。nnaisense 的客户和投资者基础包括三星、奥迪、trumpf gmbh co. kg、eos gmbh 和 schott ag 等。

进化算法将制造更聪明的人工智能

随着机器学习（尤其是深度学习模型）取得快速突破，人工智能的优势变得越来越明显，并且在许多垂直行业中发挥着重要作用，但人工智能的大规模实施仍然存在一些障碍。而进化算法正是重要的金马国际的解决方案之一，它可以解决伴随自动化流程复杂性和规模增加而带来的级联挑战。

此外，大规模人工智能实施中最大的缺失部分是适应。建立在强大的机器学习模型上的人工智能系统应该能够适应不断变化的领域，因此需要更加依赖进化算法——模型可以根据需要转移和改变。这将有助于 ai 系统适应时代，并能够利用每个不同的环境，而无需花费时间和金钱来重新训练模型。

受生物进化的启发，研究人员使用了基于种群的进化技术，提出了超越人类设计的人工智能的设计。例如，在网站优化领域，人工智能支持的金马国际的解决方案可以“进化”网站设计，并在类似于自然选择的过程中，结合性能最佳的元素和功能来生成最优化的网站以进行转换。

进化可以与神经网络配对，用网络权重的在线适应来代替缓慢而密集的反向传播训练过程。这意味着研究人员实时训练神经网络，而不是离线训练历史数据。对于许多在线问题，例如在线数字媒体的自动分段和超个性化，这种方法非常强大。强化学习系统在适应方面也取得了进展。强化学习是一种在线学习形式，它允许系统根据最直接的上下文来衡量其决策。

进化算法还有一大作用就是可以帮助建立一个持续学习的模型。在这方面，进化算法可以被认为类似于强化学习的概念。

atkinson 表示，通过强化学习，算法在 ai 采取的行动空间中进行搜索，然后尝试使用在行动中发现的内容，以帮助在未来创造改进。进化算法会改变学习发生的位置，搜索单个网络，然后将更改传播到网络中。他还指出，进化算法不仅仅是学习，还可以用于工业优化和过程控制。“在强化学习和进化算法案例中，你都可以使用经过预训练的模型作为学习良好行为的基础，”atkinson 说道。

另外，与标准的基于梯度的替代方案相比，进化算法不需要可微的成本函数，并且更适合现代硬件上的大规模并行化。这意味着，可以更高效地解决从学习机器人控制器到优化计划或产品设计的更广泛的问题。