想要適應(yīng)自動駕駛、控制機器人、醫(yī)療診斷等場景，就必須讓神經(jīng)網(wǎng)絡(luò)適應(yīng)快速變化的各種狀況。好消息是，麻省理工（MIT）計算機科學(xué)與人工智能實驗室（CSAIL）的 Ramin Hasani 團隊，已經(jīng)設(shè)計出了一種具有重大改進的“液態(tài)”神經(jīng)網(wǎng)絡(luò)。其特點是能夠在投入訓(xùn)練階段之后，極大地擴展 AI 技術(shù)的靈活性。

通常情況下，研究人員會在訓(xùn)練階段向神經(jīng)網(wǎng)絡(luò)算法提供大量相關(guān)的目標數(shù)據(jù)，來磨煉其推理能力。

期間通過對正確的響應(yīng)加以獎勵，以優(yōu)化其性能。然而傳統(tǒng)的訓(xùn)練方案，明顯還是過于“刻板”了。

有鑒于此，Ramin Hasani 與團隊成員合作開發(fā)了一套新方法，讓神經(jīng)網(wǎng)絡(luò)可以像“液體”一樣，隨著時間的流逝而更好地適應(yīng)“正確”的新信息。

舉個例子，如果無人駕駛汽車上的感知神經(jīng)網(wǎng)絡(luò)能夠分辨晴朗的天空和大雪等環(huán)境，就可以更好地順應(yīng)情況的變化、并維持較高的性能。

這項新研究的主要特點，是側(cè)重于時間序列的適應(yīng)性。比之建立于訓(xùn)練數(shù)據(jù)的多快照或時間上的靜態(tài)時刻，可流動的液態(tài)神經(jīng)網(wǎng)絡(luò)可以將時間序列或圖像序列也考慮進來，而不是孤立的各個片段。

得益于這種系統(tǒng)設(shè)計方法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，MIT 的液態(tài)系統(tǒng)實際上更便于開展觀察研究。

前一種 AI 通常被稱作‘黑盒’，盡管算法開發(fā)者明確知曉輸入信息的判定準則，但通常無法確定其中到底發(fā)生了什么。

而液態(tài)神經(jīng)網(wǎng)絡(luò)在這部分提升了透明度、對復(fù)雜計算節(jié)點的依賴性也更少，因此還具有相當(dāng)不錯的成本優(yōu)勢。

最終結(jié)果表明，在預(yù)測已知數(shù)據(jù)集的未來值方面，液態(tài)神經(jīng)網(wǎng)絡(luò)的準確性要顯著優(yōu)于其它替代方案。

下一步，Hasani 將與團隊成員繼續(xù)改進液態(tài)神經(jīng)網(wǎng)絡(luò)的性能表現(xiàn)，并努力將之推向?qū)嶋H應(yīng)用。

責(zé)任編輯：PSY