?

在無人駕駛汽車還未普及之前，它必定要經過無數次的算法訓練和測試，才能保證其安穩上路。

訓練算法的最簡單方法是反復試驗，然后一次次地調整，以創建出最好的結果。但是微調的時間太長，調整部分太多，訓練結果變化也很大，還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。

他們希望訓練出一個 AI 模型，讓無人駕駛汽車可以保持 99% 以上的障礙物識別率。

這兩家公司可以說是一對「表兄弟」，都歸 Google 母公司 Alphabet 所有，在這項合作中，DeepMind 為 Waymo 提供了一種被稱為「基于人口的訓練（Population Based Training，簡稱 PBT）」的 AI 技術，這項技術能讓 Waymo 的算法訓練不那么「密集勞動」。

PBT 的靈感來自于達爾文的進化論，由 DeepMind 在 2017 年開發。

Waymo 之前的算法是一個模型接受一個任務來不斷優化，而 PBT 是由多個隨機變量啟動的機器學習模型，以一種進化的方式相互對抗，只有最優的才會留下來。

因此 PBT 的模型不需要重新訓練，它會自動更新出更好的參數值。為了讓 PBT 長期保持優化，DeepMind 還創建了更多樣的模型與之競爭。

DeepMind 還憑借著 PBT 訓練機器人，讓機器人在《星際爭霸》等游戲中擊敗了人類玩家。

Waymo 團隊看到了它在自動駕駛上的潛力，并通過一個虛擬司機「駕駛」Waymo 進行了試驗。結果發現，使用 PBT 的算法，計算資源減少了一半，訓練時間縮短了一半，Waymo 的性能水平也達到了最高。

領導該項目的 Waymo高級軟件工程師 Joyce Chen 表示，與 Waymo 之前的算法相比：

這項技術不僅改善了我們算法中的數據標簽流程，還讓 Waymo 無人車檢測行人、騎行者、駕駛者、植被、道路的誤報率降低了 24％。

現在，Waymo 已將 PBT 納入了技術基礎設施中，研究人員點點按鈕就能應用該算法，DeepMind 每隔 15 分鐘就會對模型進行一次評估，以讓測試結果更適應真實世界。

而對消費者來說，我們未來無疑也能坐到更安全的自動駕駛汽車了。

總結

以上是生活随笔為你收集整理的Google 系两公司联手，要让无人车少“犯错”的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。