想要適應自動駕駛、控制機器人、醫療診斷等場景 就必須讓神經網絡適應快速變化的各種狀況。好消息是 麻省理工（MIT）計算機科學與人工智能實驗室（CSAIL）的Ramin Hasani 團隊 已經設計出了一種具有重大改進的“液態”神經網絡。其特點是能夠在投入訓練階段之后 極大地擴展 AI 技術的靈活性。

通常情況下 研究人員會在訓練階段向神經網絡算法提供大量相關的目標數據 來磨煉其推理能力。

期間通過對正確的響應加以獎勵 以優化其性能。然而傳統的訓練方案 明顯還是過于“刻板”了。

有鑒于此 Ramin Hasani 與團隊成員合作開發了一套新方法 讓神經網絡可以像“液體”一樣 隨著時間的流逝而更好地適應“正確”的新信息。

舉個例子 如果無人駕駛汽車上的感知神經網絡能夠分辨晴朗的天空和大雪等環境 就可以更好地順應情況的變化、并維持較高的性能。

這項新研究的主要特點 是側重于時間序列的適應性。比之建立于訓練數據的多快照或時間上的靜態時刻 可流動的液態神經網絡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。

得益于這種系統設計方法 與傳統神經網絡相比 MIT 的液態系統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生了什么。

而液態神經網絡在這部分提升了透明度、對復雜計算節點的依賴性也更少 因此還具有相當不錯的成本優勢。

最終結果表明 在預測已知數據集的未來值方面 液態神經網絡的準確性要顯著優于其它替代方案。

下一步 Hasani 將與團隊成員繼續改進液態神經網絡的性能表現 并努力將之推向實際應用。

責任編輯：PSY