| 来源：OSCHINA、Infoq

| 作者：王萱

| 审稿：袁睿斌

| 编辑：周韵诗

| 设计：马丽娜

据外媒报道，8月9日，LSTM 之父 Juergen Schmidhuber 创办的人工智能公司 NNAISENSE 宣布正式推出其首个开源进化算法库 EvoTorch 。

根据介绍，EvoTorch 建立在开源 PyTorch 机器学习库之上。NNAISENSE 的研究科学家 Timothy Atkinson 解释，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”。

Atkinson 指出，如果数据科学家将一个问题构建为 PyTorch 函数，在 EvoTorch 上进行优化，就有可能扩展到成千上万的 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，这意味着它可以在你负担得起的范围内进行扩展”。

这是同类中的首个开源平台，为工业界提供了一个进化算法包 (evolutionary algorithm，EA)；当与机器学习专业知识相结合时，可以在一小部分时间内解决复杂的运营挑战，而且成本更低、规模更大。

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越来越重要的作用，但人工智能的大规模实施仍然存在一些障碍。而进化算法是一种有吸引力的解决方案，可以应对伴随自动化流程复杂性和规模增加的级联挑战。

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能够适应不断变化的领域，而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），因此其需要更加依赖进化算法。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。

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。但目前尚缺少一个可以轻松地以任何规模试验 EA，而无需担心底层细节的软件工具集。