机器可以是创意吗？AI最近的成功表明，机器现在可以在几年前的许多任务中履行人类水平，被认为是几十年之后，如驾驶汽车，了解口语和识别对象。但这些都是我们知道需要做什么的所有任务，而且机器只是模仿我们。何时知道正确答案的任务是什么？CAN机器可以编程，以自己找到解决方案，也许甚至会升起人类会发现困难的创造性解决方案？
答案是一个明确的！AI的分支机构正恰恰专注于这一挑战，包括进化计算和加强学习。像流行的深度学习方法一样，这对最近的许多AI成功负责，这些AI的这些分支已经受益于我们在过去二十年中看到的计算能力的百万倍。现在，航天器的天线如此复杂，它们只能通过计算演进来设计。在Othello，步步高，最近的比赛中有游戏代理商已经学会了在最好的人类水平，并且在alphago的情况下，即使超出了最好的人类的能力。在虚幻锦标赛中有非运动人物，已经发展到了人类无法区分，从而传递图灵测试 - 至少用于游戏机器人。在金融中，股票市场的计算交易商演变为赚钱。
这些AI代理商与机器人，愿景和语音处理中常见的代理商不同，因为它们没有被教导以执行特定的行动。相反，他们通过探索可能的行为和确定哪些方向来学习最佳行为。许多这样的方法是在生物学中类似的适应性之后建模的。例如，进化计算采取生物进化的概念。这个想法是编码候选解决方案（如视频游戏玩家），以这样的方式可以重新组合和变异它们以获得新的解决方案。然后，鉴于具有足够变化的大量候选者，运行并行搜索方法以查找实际解决问题的候选者。最有希望的候选人被选择用于突变和重组，以便构建更好的候选人作为后代。以这种方式，只需要搜索整个可能的候选人的一部分极小的可能候选者，以找到一个实际解决问题的候选者，例如，玩得很好。
我们可以将相同的方法应用于许多域，在那里可以在计算上评估候选人的质量。它适用于许多设计领域，包括上述空间天线的设计，设计了一种用于垂直火箭的控制系统，或者设计多龙行车机器人。常常出现了真正出乎意料但仍然有效的解决方案 - 换句话说，创意。例如，当在将导航障碍物的机器人手臂导航的控制器上时，我们不小心禁用了其主电机。它不再达到遥远的目标，因为它无法绕过其垂直轴。使用其剩余的电机，控制器演变为做的控制器进化的是慢慢转移到远离目标的手臂，然后将其重新旋转，通过惯性将整个机器人转向目标！
最近的，在我看来，这一领域最令人兴奋的研究侧重于计算设计创造力头。出现在生物学之后再次建模的一个想法是，不应设置进化计算以优化特定的设计目标，而是应该设置为简单地发现新颖的解决方案。许多困难问题都是欺骗性的 - 如果你试图通过制作增量改进来解决它们，你将被困。新奇搜索，而是发现踏脚石，例如可能无法表现良好但表现出高度独特的方法的候选人。通常可以通过将几个候选者的新功能与工作的单一解决方案相结合来找到真正的创意解决方案。例如，可以通过试图逐步逐步和更快地走动，而是通过尽可能快地落在脸上，然后发展秋季的方式逐渐走动，而不是逐步地演变一条快速的双足机器人采取措施。
由于计算的创造力，许多新的应用程序突然在我们的范围内进入 - 尽管我们大多数人尚未意识到。如果您面临的设计问题，可以自动测试潜在解决方案，您可以自动演化这些解决方案。在计算机已经用于引发设计的地区，自然的下一步是利用进化搜索。这将允许人类设计师为其思想获得更多牵引力，例如更容易制造的机器零件，股票组合，最小化风险或导致更多转换的网站。在其他领域，它可能需要一些工程努力来定义计算机的设计问题，但可以通过真正的新颖设计奖励，例如垂体火箭，新的视频游戏类型，个性化预防医学以及更安全，更高效的交通。 。
随着那个时间拯救的，我们人类将有更多的时间追求自己的创造性追求。
Risto Miikkulainen是德克萨斯大学奥斯汀的计算机科学和神经科学教授，是一个神经系统的先驱。他也是AI Startup Sentient Technologies的一个家伙。
