内省的人工智能发现多样性可以提高性能

一项新的研究发现，如果人工智能能够向内观察并微调自己的神经网络，那么当它选择多样性而不是缺乏多样性时，它会表现得更好。由此产生的多样化神经网络在解决复杂任务方面特别有效。

WilliamDitto表示：“我们创建了一个非人类智能的测试系统，即人工智能(AI)，以观察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。”北卡罗莱纳州立大学物理学教授、北卡罗莱纳州立大学非线性人工智能实验室(NAIL)主任和该作品的共同通讯作者。“关键是让人工智能有能力向内看并了解它是如何学习的。”

神经网络是一种高级人工智能，大致基于我们大脑的工作方式。我们的自然神经元根据其连接的强度交换电脉冲。人工神经网络通过在训练期间调整数值权重和偏差来创建类似的强连接。

例如，可以训练神经网络来识别狗的照片，方法是筛选大量照片，猜测照片是否是狗，看看它有多远，然后调整其权重和偏差，直到更接近现实。

传统的人工智能使用神经网络来解决问题，但这些网络通常由大量相同的人工神经元组成。这些相同神经元之间的连接数量和强度可能会随着学习而改变，但一旦网络得到优化，这些静态神经元就是网络。

另一方面，Ditto的团队赋予人工智能选择神经网络中神经元之间的数量、形状和连接强度的能力，在学习时在网络内创建不同神经元类型和连接强度的子网络。

“我们真正的大脑有不止一种类型的神经元，”迪托说。“所以我们赋予我们的人工智能向内看的能力，并决定是否需要修改其神经网络的组成。本质上，我们给了它自己大脑的控制旋钮。所以它可以解决问题，看看结果，改变人工神经元的类型和组合，直到找到最有利的一个，这就是人工智能的元学习。

“我们的人工智能还可以在不同或同质的神经元之间做出决定，”迪托说。“我们发现，在每种情况下，人工智能都会选择多样性作为增强其性能的一种方式。”

该团队通过要求人工智能执行标准的数值分类练习来测试人工智能的准确性，发现其准确性随着神经元数量和神经元多样性的增加而提高。标准的同质人工智能可以以57%的准确度识别数字，而元学习、多样化的人工智能则可以达到70%的准确度。

Ditto表示，在解决更复杂的问题(例如预测钟摆的摆动或星系的运动)时，基于多样性的人工智能比传统人工智能的准确度高出10倍。

“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，”同上说。“事实上，我们还观察到，随着问题变得更加复杂和混乱，与不拥抱多样性的人工智能相比，性能的提高甚至更加显着。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！