轉載從: Tech News 科技新報
自駕車未普及之前，必要經過無數次演算法訓練和測試，才能保證安穩上路。
訓練演算法的最簡單方法是反覆試驗，然後一次次調整，以得出最好的結果，但微調時間太長，調整部分太多，訓練結果變化也很大，需要有經驗的研究人員親自找到最佳模型。
這也是自動駕駛公司的工程師和數據科學家面臨的最大難題。
（Source：DeepMind）
所以自駕車公司 Waymo 開始和人工智慧公司 DeepMind 合作，想加強訓練 AI 演算法的品質和效率。他們希望訓練出一個 AI 模型，讓自駕車保持 99% 以上的障礙物辨識率。
這兩家公司可說是「表兄弟」，都歸 Google 母公司 Alphabet 所有，在這項合作中，DeepMind 為 Waymo 提供稱為「基於人口的訓練」（Population Based Training，PBT）AI 技術，能讓 Waymo 演算法訓練不那麼「密集勞動」。
（Source：Waymo）
PBT 的靈感來自達爾文的進化論，由 DeepMind 在 2017 年開發。
Waymo 之前演算法是一個模型接受一個任務以不斷優化，而 PBT 是由多個隨機變量啟動的機器學習模型，以一種進化方式相互對抗，只有最優秀的才會留下來。
因此 PBT 模型不需要重新訓練，它會自動更新到最佳參數值。為了讓 PBT 長期保持優化，DeepMind 還創建了更多樣模型與之競爭。
DeepMind 還藉著 PBT 訓練機器人，讓機器人在《星海爭霸》等遊戲擊敗人類玩家。
Waymo 團隊看到它在自動駕駛的潛力，透過虛擬司機「駕駛」Waymo 車試驗。結果發現，使用 PBT 演算法，計算資源減少一半，訓練時間縮短一半，Waymo 的性能水準也到達最高。
領導計畫的 Waymo 高級軟體工程師 Joyce Chen 表示，與 Waymo 之前的演算法相比：
這項技術不僅改善我們演算法的數據標記流程，還讓 Waymo 自駕車檢測行人、兩輪騎士、四輪駕駛、植被、道路的誤報率降低 24%。
現在，Waymo 已將 PBT 納入技術基礎設施，研究人員點點按鈕就能應用此演算法，DeepMind 每隔 15 分鐘就會評估模型一次，以讓測試結果更適合真實世界。
Waymo 十多年前就開始研究自駕車，普遍視為是自動駕駛技術的領導者，還是世界唯一一家在公共道路經營全自動商業計程車的公司。現在，這項技術也讓自動駕駛領域訓練神經網路的規則再次更新。
（Source：影片截圖）
對消費者來說，未來無疑能坐到更安全的自駕車了。
（本文由 愛范兒 授權轉載；首圖來源：shutterstock）