拥抱神经元多样性：人工智能效率和性能的飞跃

多样性的作用在各个领域中一直是一个讨论的话题，从生物学到社会学。然而，来自北卡罗来纳州立大学非线性人工智能实验室（NAIL）的最近一项研究为这一话题带来了一个有趣的维度：人工智能（AI）神经网络中的多样性。

自我反思的力量：内部调节神经网络

威廉·迪托（William Ditto），北卡罗来纳州立大学物理学教授和NAIL实验室主任，他和他的团队建立了一个可以“内省”并调整其神经网络的AI系统。这个过程使得AI可以确定其神经元的数量、形状和连接强度，提供了具有不同神经元类型和强度的子网络的潜力。

“我们创建了一个非人类智能的测试系统，一个人工智能系统，来看看AI是否会选择多样性而不是缺乏多样性，如果它的选择会提高AI的性能，”迪托说。“关键是给AI能力让它内省并学习如何学习。”
与传统的AI使用静态、相同的神经元不同，迪托的AI具有“控制自己的大脑”，使其能够参与元学习，这个过程增强了其学习能力和问题解决能力。“我们的AI也可以决定使用多样化或同质化的神经元，”迪托说，“我们发现，在每个实例中，AI都选择多样性来增强其性能。”

从传统的人工神经网络到多样化神经网络到学习多样化神经网络的进展。线条的粗细代表权重

性能指标：多样性优于同质性

研究团队使用标准的数字分类练习来衡量AI的性能，并发现了惊人的结果。传统的AI，具有静态和同质化的神经网络，实现了57%的准确率。相比之下，元学习、多样化的AI达到了70%的准确率。
根据迪托的说法，基于多样性的AI在解决更复杂的任务方面，例如预测钟摆的摆动或星系的运动，表现出高达10倍的准确率。“确实，我们还观察到，当问题变得更加复杂和混乱时，性能的改善更加显著，超过了不采用多样性的AI，”他解释道。

影响：人工智能开发中的范式转变

这项研究的发现对人工智能技术的发展具有深远的影响。它们表明，从目前占主导地位的“一刀切”的神经网络模型转向动态、自适应的模型。
“我们已经证明，如果你给AI能力让它内省并学习如何学习，它将改变其内部结构——其人工神经元的结构——以采用多样性并提高其学习和解决问题的能力，更加高效和准确，”迪托总结道。这在需要高水平适应性和学习能力的应用中尤其重要，从自主驾驶汽车到医疗诊断。
这项研究不仅突出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，强调了动态和适应性神经网络架构的必要性。有了海军研究办公室和其他合作伙伴的持续支持，下一阶段的研究被热切期待。
通过内部采用多样性原则，人工智能系统可以在性能和问题解决能力方面获得显著的改善，可能会彻底改变我们对机器学习和人工智能开发的方法。