【姚新：演化計算可能是人工智能的下一個熱點】演化計算經(jīng)常用到智能優(yōu)化和機器學(xué)習(xí)當(dāng)中，但是這種機器學(xué)習(xí)跟大家平常說的深度學(xué)習(xí)的機器學(xué)習(xí)不是很一樣。演化計算在機器人的腦體一體化設(shè)計中應(yīng)該有相當(dāng)大的用武之地。演化計算可能是人工智能的下一個熱點。本文整理自2018深圳國際機器人與智能系統(tǒng)院士論壇上IEEEFellow南方科技大學(xué)計算機科學(xué)與工程系主任姚新教授名為《為什么要研究演化計算？》的演講稿。

IEEEFellow南方科技大學(xué)計算機科學(xué)與工程系主任姚新教授

《為什么要研究演化計算？》

大家可能不太知道南方科技大學(xué)下屬的計算機科學(xué)與工程系，該系是由2016年8月份開始設(shè)立，2017年我們就有了第一批國家正式承認的本科畢業(yè)生，去年我們還招了19位碩士生和21位博士生，一年半以后，我們現(xiàn)在有了19位老師，未來計劃達到55位。

南方科技大學(xué)計算機科學(xué)與工程系的研究領(lǐng)域分五大塊，包括人工智能、數(shù)據(jù)科學(xué)、理論、系統(tǒng)與網(wǎng)絡(luò)、認知與自主系統(tǒng)。人工智能小組里面有5位老師，我是其中的一位，其他幾位老師都是來自不同的地方，背景也不完全一樣，但都跟計算智能、神經(jīng)演化有關(guān)系。除此之外，我們還有一些來自五湖四海的博士。我們主要從事很多機器學(xué)習(xí)、優(yōu)化和它們交叉之間的研究工作，光學(xué)習(xí)不做優(yōu)化是不全面的，學(xué)習(xí)的目的是用來做決策，所以需要把學(xué)習(xí)和優(yōu)化結(jié)合在一起。優(yōu)化考慮的方面很多，如多目標(biāo)優(yōu)化、動態(tài)優(yōu)化和不確定環(huán)境中的優(yōu)化等等。機器學(xué)習(xí)考慮較多的是機器學(xué)習(xí)、數(shù)據(jù)流的在線學(xué)習(xí)和不平衡類學(xué)習(xí)等。我們另外一個研究小組的課題是認知與自主系統(tǒng)，這里面有硬件和軟件，硬件是無人機、群體機器人；軟件是軟件機器人。

為什么研究演化計算？

首先，我們來看看什么是演化計算？我不知道這年頭還有多少人在自己寫程序，寫程序這個東西跟吃臭豆腐一樣，要么特別喜歡、要么特別恨它。你要是特別喜歡或者特別恨寫程序的話，有什么感覺呢？哪怕現(xiàn)在的計算機或者機器人聰明到如此程度，你通常會很使勁的敲鍵盤。為什么敲鍵盤呢？你寫一個什么程序，不就是少一個逗號或者括號，編輯總是出錯。大家寫過程序就知道，空格有的編譯的時候不一樣，編譯總出錯，你就覺得這個很苦惱。你說人工智能智能到現(xiàn)在，人很少同樣的錯誤犯兩次，碰到這種人，這種人就無藥可救了，但是計算機有時候就很麻煩，你說不就是少一個逗號嗎，但實際上計算機不懂，所以計算機非常不靈活，還非常脆弱。

另外，制式與能力比較差。大家現(xiàn)在還有幾個人在用十年前的電腦？沒有，電腦三年換一次。人隨著年齡的增長越來越聰明，機器人和計算機過幾年一定要換掉。機器發(fā)展的道路和人發(fā)展的道路還不太一樣，自然系統(tǒng)可以看作是一套計算系統(tǒng)，相比之下，自然系統(tǒng)中有一些特點的確非常好，但現(xiàn)在的計算機科學(xué)暫時還做不了，例如自我恢復(fù)功能，還有自適應(yīng)能力等等。自然界有很多值得做計算機科學(xué)的人學(xué)習(xí)的地方，所以從自然界里面找靈感也不是計算機科學(xué)專有的，工程界也經(jīng)常從自然界找靈感，比如說飛行器，從鳥的飛行到雙固定機翼的飛機再到螺旋槳飛機，都是從鳥類的飛行中找尋靈感。

為何要向大自然借鑒？自然系統(tǒng)的問題求解方法跟計算機的問題求解方法互補，而且通常解出來的還比較簡單，不是特別復(fù)雜。這就是為什么要對演化計算這種技術(shù)進行研究的原因。實際上，這種研究并不簡單，并且不僅針對演化計算，而且也對深度應(yīng)用的神經(jīng)網(wǎng)絡(luò)進行研究，而人工神經(jīng)網(wǎng)絡(luò)也是受到大腦的啟發(fā)和影響，這個演化計算或者演化算法是通過生物的進化而來的。世界上所有的生物都是演化過來的，背后有一定的規(guī)律，哪怕從規(guī)律里面找出萬分之一或者千分之一，就有可能對計算機設(shè)計帶來不同的思路，這是做演化計算的一個出發(fā)點。

演化計算是做什么的？

下面舉四個例子進行說明。

第一個例子，喜歡做機器學(xué)習(xí)的人就把這個東西叫做機器學(xué)習(xí)，實際上它是數(shù)據(jù)驅(qū)動建模型。給你一大堆實驗數(shù)據(jù)，然后問你產(chǎn)生數(shù)據(jù)背后的抽象模型是什么，你幫我找出來，就是從數(shù)據(jù)中找規(guī)律。以鋁合金材料的設(shè)計為例，計算機科學(xué)是一個很有趣的領(lǐng)域，我們看鋁合金材料的設(shè)計，以前是建模，現(xiàn)在是盡量用演化算法，盡量減少在實驗室的時間。假設(shè)我們知道合成這個鋁合金，可以做初步的實驗，在實驗室里面以一定的力量去拉它和壓它，失力以后看這個鋁錠變形的情況，做實驗的專家可以寫成一組方程組，這里有四個方程組。這個例子里面有6個材料的常數(shù)，這個材料常數(shù)是真正設(shè)計新材料大家特別想知道的值，實際上我們不知道，這個值對材料科學(xué)家來說是材料，對做數(shù)學(xué)的計算機科學(xué)家來說相當(dāng)于變量。我現(xiàn)在給你方程組，給你實驗的數(shù)據(jù)，說這個材料在實驗中是什么表現(xiàn)行為，你能不能把材料的常數(shù)找出來？這就是有點像解方程。解這個方程跟做計算機科學(xué)有什么關(guān)系？跟演化算法有什么關(guān)系？這個方程沒有解析解，只能用數(shù)字解，有一種辦法就是我們把它變成一個優(yōu)化的方法，找數(shù)字解的時候看方程的左邊和右邊的差別是多少，加入方程兩邊的差別為零就找到了。怎么找呢？我找一點軟件包，我去買一個世界上最好的軟件包，牛津大學(xué)出來的軟件包，把要找的6個變量的初始值給初始化，然后輸進化，你就發(fā)現(xiàn)在這個問題上你得到的結(jié)果永遠跟你輸進去的初始值一樣，因為很多數(shù)字軟件包里面做的假設(shè)條件在實際問題中是不成立的，這種條件下你就可以用演化算法來做優(yōu)化，這個優(yōu)化就是解方程、找數(shù)字圖。這個找出來的解，對設(shè)計鋁錠、鋁合金來說是最好的，就是最精確的數(shù)字常數(shù)、材料常數(shù)。

第二個小例子，前面講了優(yōu)化，但是優(yōu)化的時候往往有一個不成文的假設(shè)，優(yōu)化的環(huán)境和需要優(yōu)化的目標(biāo)是一成不變的，但是實際生活中是會變的。你給我一個目標(biāo)和指標(biāo)讓我去做，我做一半把這個指標(biāo)突然改掉，說這個不行，實際過程中是有可能發(fā)生的。例如在北方到了冬天，路上一定要撒鹽化凍，不同國家有不同的法律，如英國有一個法律，A路在兩個小時之內(nèi)只要天氣預(yù)報說路面溫度2度以下一定要撒鹽?，F(xiàn)在有一個具體的問題，我有車隊，有A路的路網(wǎng)，這個車隊怎么把車派出去，使得兩小時之內(nèi)把所有路網(wǎng)走一遍。這里面各種各樣的限制條件就使得實際遇到的問題在運籌學(xué)或者數(shù)學(xué)書中找不到。數(shù)學(xué)中說的是：假設(shè)卡車的容量是Q，但是我們看到的這個問題是一個政府、車隊不大，就11輛車，而且路況不可以假設(shè)車以均勻的速度往前走，尤其是冬天。你有11輛車，做一個調(diào)度，走一半就剩10輛車了，有1輛車壞掉了，但是你還是要完成任務(wù)，怎么動態(tài)地完成，用數(shù)學(xué)優(yōu)化方法已經(jīng)解決不了，我們還是用演化算法，從自然界來的靈感做的算法能夠解決這個復(fù)雜性問題。

第三個小例子，說一下多目標(biāo)優(yōu)化?！岸唷⒖?、好、省”是70年代的口號，大家喜歡說，但是很難做到，多、快、好、省，不能單看一個指標(biāo)，要幾個指標(biāo)同時滿足，作為決策者需要選擇各種各樣的折中方案，這就是多目標(biāo)優(yōu)化的一個很典型的場景。

一個具體的例子是無人駕駛系統(tǒng)。無人駕駛系統(tǒng)真正靠的是軟件在控制。你無論是買了一套軟件系統(tǒng)還是自己開發(fā)一套軟件系統(tǒng)，你必須論證這套軟件系統(tǒng)是正確的。那就要做軟件證明，如果證明不了，就要做軟件測試，各種各樣的環(huán)境都要試，但一個關(guān)鍵點是，要想把所有可能性都做到是不可能的。在有限的資源和有限的時間里，對大軟件系統(tǒng)的各個模塊進行測試，使得系統(tǒng)的測試準確率最大化，把有限的人和有限的錢分配到軟件的大模塊，目標(biāo)是整個軟件準確率最高，這些都需要用到演化計算的方法。

演化計算與機器人有什么關(guān)系？

最后講到演化計算跟機器人的關(guān)系，在這一領(lǐng)域，有一個分支叫演化機器人。世界上的生物，包括人類的大腦都是演化出來的。既然生物界的大腦可以演化出來，為什么機器人不可以演化出來？

用演化的方法設(shè)計機器人或許有一點好處，那就是可以同時設(shè)計機器人的控制系統(tǒng)和機器人的形態(tài)。大部分時候做這兩個領(lǐng)域的研究是由不同學(xué)科的人，一部分做機器學(xué)習(xí)，一部分做機器人，但實際上應(yīng)該把設(shè)計控制器和設(shè)計控制形態(tài)的小組結(jié)合在一起，不應(yīng)該分開。

給大家做一個模擬實驗，這是人工構(gòu)造一個游泳的線圖，這個線圖一節(jié)一節(jié)的，每一節(jié)都一樣，除了有一個頭在左邊，一個尾巴在右邊，中間每一節(jié)都一樣。我要做一個很簡單的實驗，設(shè)計或者演化出來一個線圖，能夠游泳，從A游到B，越快越好，但是我又不告訴這個線圖應(yīng)該怎么游泳。我這里沒有額外的信息告訴這個線圖應(yīng)該怎么游泳，只是告訴你給你這個任務(wù)，你從A游到B，直線游，游得越快越好。這個線圖怎么控制呢？線圖一節(jié)一節(jié)的，每一節(jié)都控制神經(jīng)元運動，跟神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的位置有關(guān)系，這個線圖上有圓孔，神經(jīng)元分布在圓孔的物理位置上。我演化出一個線圖，這個線圖原來什么都不懂，就是從A到B，演化神經(jīng)網(wǎng)絡(luò)上的控制器。另一個實驗中，我人為地把這個線圖左邊的線圖往右偏，不是自己偏的，人為偏的，而右邊的線圖往左偏，伸不直。我做這個實驗，同樣的任務(wù)都是從A游到B，目標(biāo)同樣，都是游得越快越好，用的方法是用演化的方法。就是慢慢游，哪個游得快，適者生存，就傳到下一代，一代一代慢慢傳。我想看這兩組實驗出來神經(jīng)網(wǎng)絡(luò)的控制怎么樣。你會發(fā)現(xiàn)非常有趣，在第一種情況下，這個線圖沒有變的情況下，形態(tài)還是一開始直的時候，最后演化出來的神經(jīng)網(wǎng)絡(luò)是右下角的圖，紅點是神經(jīng)的位置，非常對稱。人根本沒有告訴它什么東西，唯一反饋信息就是游得快和慢。左上角是初始畫的線圖，怎么游是隨機的，一開始在水里打轉(zhuǎn)轉(zhuǎn)。時間比較長，1190代以后，它找到一個非?？焖俚挠斡揪€程。在第二種情況下，我把這個線圖形態(tài)變掉，用這個虛線代表，這個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)正好補充了這個形態(tài)上的缺陷，看你是往左歪還是往右歪。