當(dāng)你需要使用大量的計(jì)算能力并行地訓(xùn)練系統(tǒng)，或者讓研究人員花很長時(shí)間手工清除壞的系統(tǒng)時(shí)，訓(xùn)練自動駕駛汽車的過程很少是有效的。Waymo正在試驗(yàn)新的方式：這一方式與指導(dǎo)進(jìn)化的原理相同。
Waymo與DeepMind合作開發(fā)了一種基于人口的訓(xùn)練方式，用于做行人檢測，該方法擁有最好的神經(jīng)網(wǎng)絡(luò)，就像生命體在自然選擇方面所做的那樣，可以節(jié)省時(shí)間和精力。
這種方式通常會讓神經(jīng)網(wǎng)絡(luò)進(jìn)行彼此競爭，較弱的網(wǎng)絡(luò)會被較強(qiáng)的“子代”所取代，這些“子代”網(wǎng)絡(luò)其實(shí)是性能較好的網(wǎng)絡(luò)的副本，只不過在參數(shù)上進(jìn)行了調(diào)整，就像父母的孩子，有父母的基因，但是又不是父母的克隆體一樣。這樣做的好處是，可以自動清理掉性能較差的網(wǎng)絡(luò)，同時(shí)不需要從零開始重新訓(xùn)練。
不過這種方式的風(fēng)險(xiǎn)在于過于注重短期的改進(jìn)，為了解決這一問題，Waymo創(chuàng)造了一個(gè)微型生態(tài)環(huán)境，在這個(gè)生態(tài)中，神經(jīng)網(wǎng)絡(luò)在小群體中相互挑戰(zhàn)，以獲得
最好的結(jié)果，同時(shí)也保持了多樣性，這更適合現(xiàn)實(shí)的駕駛環(huán)境。
該方法在行人檢測中具有良好的應(yīng)用前景，基于人口的訓(xùn)練方式誤報(bào)率下降了24%，時(shí)間卻較以往縮短了一半，試驗(yàn)進(jìn)行的很順利，以至于Waymo開始在其他模型中使用這一方法，這也許能讓自動駕駛汽車更好的應(yīng)對駕駛環(huán)境的復(fù)雜性，以避免碰撞。
