拥抱神经元多样性：人工智能效率和性能的飞跃

发布时间 2023 年 9 月 3 日

亚历克斯麦克法兰

多样性的作用一直是从生物学到社会学等各个领域讨论的主题。然而，最近的一则根据一项研究，北卡罗来纳州立大学非线性人工智能实验室 (NAIL) 的研究为这一论述开辟了一个有趣的维度：人工智能 (AI) 神经网络内的多样性。

自我反思的力量：内部调整神经网络

北卡罗来纳州立大学物理学教授兼 NAIL 主任 William Ditto 和他的团队构建了一个可以“向内看”并调整其神经网络的人工智能系统。该过程允许人工智能确定其神经元之间的数量、形状和连接强度，从而为具有不同神经元类型和强度的子网络提供了潜力。

“我们创建了一个具有非人类智能（人工智能）的测试系统，看看人工智能是否会选择多样性而不是缺乏多样性，以及它的选择是否会提高人工智能的性能，”迪托说。 “关键是让人工智能有能力向内观察并了解它是如何学习的。”

与使用静态、相同神经元的传统人工智能不同，Ditto 的人工智能拥有“自主大脑的控制旋钮”，使其能够进行元学习，从而提升学习能力和解决问题的能力。“我们的人工智能还可以在多样性和同质性神经元之间做出选择，”Ditto 说道，“我们发现，在每种情况下，人工智能都会选择多样性来提升其性能。”

从传统的人工神经网络发展到多样化的神经网络，再到学习多样化的神经网络。线条粗细代表权重

研究团队通过标准数值分类练习测量了人工智能的性能，并发现了显著的成果。传统的人工智能采用静态、同质的神经网络，准确率仅为57%。相比之下，元学习、多样化的人工智能的准确率达到了惊人的70%。

Ditto 表示，基于多样性的人工智能在解决更复杂的任务（例如预测钟摆的摆动或星系的运动）时，准确率最高可达 10 倍。“事实上，我们还观察到，随着问题变得越来越复杂和混乱，与不接受多样性的人工智能相比，其性能提升更为显著。”他进一步解释道。

这项研究的成果对人工智能技术的发展具有深远的影响。它们预示着一种范式转变，即从目前盛行的“一刀切”式神经网络模型，转向动态、自我调整的神经网络模型。

“我们已经证明，如果你赋予人工智能向内观察并了解其学习方式的能力，它将改变其内部结构（人工神经元的结构），以拥抱多样性并提高其有效、更准确地学习和解决问题的能力”，同上总结道。这对于需要高水平适应性和学习能力的应用尤其相关，从自动驾驶汽车到医疗诊断。

这项研究不仅凸显了多样性的内在价值，还为人工智能研究和开发开辟了新的途径，强调了对动态和适应性神经架构的需求。在海军研究办公室和其他合作者的持续支持下，下一阶段的研究备受期待。

通过在内部拥抱多样性原则，人工智能系统将在性能和解决问题的能力方面取得显着进步，有可能彻底改变我们的机器学习和人工智能开发方法。