4月9日，智慧引領未來——2018深圳國際機器人與智慧系統院士論壇由工業和資訊化部、深圳市人民政府聯合指導，國際電氣電子工程師學會（IEEE）、中國科學院深圳先進技術研究院、深圳中電國際資訊科技有限公司聯合主辦，眾多國內外知名專家、行業領袖受邀出席論壇，圍繞機器人智慧、腦機互動技術、演化計算、區塊鏈等話題發表主題演講，共同探討機器人與智慧製造業的發展。
2017年，為貫徹落實“中國製造2025”和新一代人工智慧發展規劃，工信部制定了促進新一代人工智慧產業發展三年行動計劃（2018-2020年），以加快人工智慧產業發展，推動人工智慧和實體經濟深度融合。
來自南方科技大學電腦科學與工程系的姚新主任，從理論上到實踐，為我們系統化描述演化計算，一下是姚新主任的演講全文。
首先感謝畢祕書長給我機會，來這裡講一下我自己感興趣做的研究。
給大家兜售一點溼貨，大部分可能不知道南方科技大學的電腦科學與工程系，因為電腦科學與工程系在南方科技大學只有一歲半，從2016年8月份到現在。從2016年8月份開始執行，2017年我們就有了第一批本科畢業生。去年我們招了19個碩士生和21個博士生。一年半以後，我們現在有19個老師，希望將來能到55個。
計算科學與工程系的研究領域分五大塊，系統研究、資料科學、理論、系統與網路、認知系統。小組裡面有5個老師，還有一些來自五湖四海的博士，有一些是偏理論的，主要是做統計機器學習，袁博士做的是電路設計和機器優化。我們做很多學習、優化和交叉之間的工作，因為光學習不做優化是很奇怪的，所學的東西是拿來做決策用的，怎麼光考慮學習、不考慮優化呢，所以我們考慮學習和優化在一起。優化考慮很多，多目標優化、動態優化和環境的優化等等。
那麼為什麼要研究演化計算？哪怕現在的計算機或者機器人聰明到什麼程度，通常都會很使勁的敲鍵盤，因為你寫一個什麼程式，不就是少一個逗號或者括號，空格有的編譯不一樣，讓人很苦惱。人很少同樣的錯誤犯兩次，但是計算機有時候就很麻煩。
另外，制式與能力比較差。把四周自然的系統也看作是計算系統，實際上自然系統也是計算系統，大腦的系統也是計算系統，一些機械的系統，包括汽車執行的過程也可以看做一個計算系統。自然界有很多值得做電腦科學的人學習的地方，自然系統問題求解方法跟計算機問題求解方法互補，而且通常解出來的還比較簡單。這就是我講的為什麼要對演化計算這種技術進行研究，實際上對大家深度應用的神經網路，比如人工神經網路也是受到大腦的啟發和影響，這個演化計算或者演化演算法是通過生物的進化來的。
演化演算法背後有一個思想是適者生存，把好的解留下來，差的解篩選出去，不斷做迭代。我下面舉四個例子，通過四個例子說明一下演化計算是做什麼的。
第一個例子，機器學習實際上是資料驅動建模型。通過一部分實驗資料，然後研究產生資料背後的抽象模型是什麼。鋁合金材料的設計，以前是建模，現在是儘量用演化演算法，儘量減少在實驗室的時間。通過方程組和實驗資料，要通過實驗研究材料在實驗中的表現行為，以找出材料這種的常數。這個方程沒有解析解，只有數字解，有一種方式是我們將該問題當做一個優化的過程，當方程的左邊和右邊的差為零時，就找到了最優解。可以用演化演算法來做優化，這個優化就是解方程、找數字圖。這個找出來的解對設計鋁錠、鋁合金來說是最好的，就是找數字常數、材料常數找得最精確的。
第二個例子，優化的時候往往有一個不成文的假設，優化的環境和優化的目標是一成不變的，但是實際實驗中會是變的。
第三個例子，說一下多目標優化。多快好省是70年代的口號，但是這做不到，多、快、好還要省，這很難做到你要多、快、好就要花錢，所以就要折中，的確想少花錢，但的確又想好，這時候不能單看一個指標，要幾個指標同時看，作為決策者來選擇我希望的折中方案，這就是多目標優化的很典型的場景。
我們處於一個很大的軟體系統中，需要求解式的把所有可能的都做到也不可能。我在有限的資源和有限的時間裡，如何對大軟體系統的各個模組進行測試，使得系統的測試準確率最大化，限的人和有限的錢分配到軟體的大模組，目標是整個軟體準確率高。
這就是我的結束語，希望我講的這幾個小例子讓大家能記住這三句話：第一，演化計算經常用到智慧優化和機器學習當中，但是這種機器學習跟大家平常說的深度學習的機器學習不是很一樣。第二，演化計算在機器人的腦體一體化設計中應該有相當大的用武之地。第三，演化計算可能是人工智慧的下一個熱點。
謝謝大家！