在现存的有机体中，进化是依靠基因不断变异，代际传承的结果。物竞天择，适者生存而不适者消亡。高度适应性是好事，但如果没有及时进化出腮，洪水一来，全军覆没。

而另一方面，工程是一种精心规划的过程，每一步扎实可靠以达到预期目标。随着人工智能的出现，我们可以将机器学习算法的不断进化看作类似生物学和工程学的交织发展。

为了更好理解这种对比（自然进化与机器进化），我们可以将机器学习中必需的数据集合看作「自然环境」，把训练步骤看作「自然选择」。训练过程可以是监督学习或无监督学习，强化学习，聚类算法、决策树或是不同的深度学习方法。

与自然进化高度相似的地方在于，生物体赖以生存的环境相同，但以各自的方式解决了相同的问题，殊途同归。鲨鱼和海豚最后会以相似生存机制存活，尽管它们有着完全不同的起源。同理，在机器学习中，经常用于图像分割的K均值聚类算法，实际上是获取了未分类的输入数据（通常为图像），然后输出高相似度的聚类，反复迭代直到得到预期的聚类群组（在K均值算法中，当迭代聚类中心不再发生改变，即群组相似度已达最高）。如果你将相同的数据给了十个人，让他们使用不同算法解决相同问题，他们很可能会采取不同手段但得到相同结果。大自然和机器解决问题的方法，在某种程度上，高度相似。

对企业而言，这些为什么至关重要？

随着机器学习技术进入商业领域应用，企业面临着研究策略以安全并高效地实施这项技术的挑战。

纵观历史发展，技术学者也经常窥自然而研其道。以下是商业可以借鉴进化来理解人工智能潜在发展的几种方式:

趋异进化：大自然中，趋异进化指的是多种生物有共同演化起源，但是演化过程中不断分化，最终导致构造和功能不同。在人工智能中，乍看之下非常相似的问题，但即使在相关性极高的数据集中，用同源的几种算法很难得到相同结果。例如，即便使用ImageNet进行目标识别效果不错，并不意味着在视频识别和面部识别时依然奏效。

趋同进化：指的是自然界中两种不同演化起源的生物体，却有着相同的构造和功能。而人工智能中，留心观察就能发现，看似在处理不同类型数据集，本质上都在解决同样的问题。Google借助用户搜索数据优化了搜索引擎中的拼写检查。Google通过使用搜索关键词数据优化了检索的拼写检查。他们会时刻跟踪用户在查什么，当他们注意到数百万其他人拼写方式不同，就会建议你做出同样的拼写，贴心之举。

共同进化：在自然界中，可以看到捕食者和被捕食者、宿主和寄生者，互相影响，共同演化的现象。如果两个AI系统共同发展，有趣的事情可能会发生。网络安全公司正在研究机器学习解决方案，不断训练他们的系统去检测新的网络威胁。

眼下有大把的AI团队帮助人们提高工作效率，但这些应用还处于起步阶段，离人们的预期，还需要一次质变。或许最好的办法就是将AI放到我们已经能理解的语境中——进化。

这对AI来说再好不过了，自然进化为我们提供了研究机器以及准备其未来发展的可借鉴框架。同时，AI团队的领导者应该认真考虑AI发展战略，投资必要的人才和基础设施非常重要，以将他们的数据转变为变革性的解决方案。