真正自主的人工智能即将出现

一种新算法显著提升了人工智能独立学习和发现数据模式的能力。

研究人员开发了一种新的人工智能算法，名为“扭矩聚类”（Torque Clustering），它比当前的方法更接近自然智能。该算法显著改进了人工智能系统在无需人工指导的情况下独立学习和发现数据模式的方式。

扭矩聚类可以高效、自主地分析生物学、化学、天文学、心理学、金融和医学等领域的大量数据，从而揭示出新的见解，例如检测疾病模式、揭露欺诈行为或理解行为。

新算法的灵感来自星系合并时的引力相互作用。图片来源：Adobe Stock，作者alones。

“在自然界中，动物通过观察、探索和与周围环境互动来学习，无需明确的指示。下一波人工智能，即‘无监督学习’，旨在模仿这种方法，”悉尼科技大学（UTS）的杰出教授CT Lin说。

“目前几乎所有的人工智能技术都依赖于‘监督学习’，这是一种人工智能训练方法，需要人类使用预定义的类别或值对大量数据进行标记，以便人工智能能够做出预测并发现关系。

“监督学习有许多局限性。标记数据成本高昂、耗时，而且对于复杂或大规模的任务来说通常不切实际。相比之下，无监督学习无需标记数据即可工作，能够揭示数据集中的内在结构和模式。”

一篇详细介绍扭矩聚类方法的论文《通过快速查找质量和距离峰值进行自主聚类》刚刚发表在人工智能领域的权威期刊《IEEE模式分析与机器智能学报》上。

扭矩聚类算法优于传统的无监督学习方法，有望带来潜在的范式转变。它完全自主、无需参数，并且能够以卓越的计算效率处理大型数据集。

“在自然界中，动物通过观察、探索和与环境互动来学习，无需明确的指导。人工智能的下一个浪潮——‘无监督学习’，旨在模仿这种方式。”

——悉尼科技大学杰出教授CT Lin

测试已经在1000个不同的数据集上严格进行，平均调整互信息（AMI）得分（聚类结果的衡量标准）达到97.7%。相比之下，其他最先进的方法得分仅在80%左右。

“扭矩聚类的独特之处在于它以扭矩的物理概念为基础，使其能够自主识别聚类，并无缝适应具有不同形状、密度和噪声程度的各种数据类型，”第一作者杨杰博士说。

“它的灵感来自星系合并时引力相互作用中的扭矩平衡。它基于宇宙的两个自然属性：质量和距离。这种与物理学的联系为该方法增加了一层基本的科学意义。“

“去年的诺贝尔物理学奖授予了一些基础发现，这些发现使基于人工神经网络的监督机器学习成为可能。受扭矩原理启发的无监督机器学习有可能产生类似的影响，”杨博士说。

扭矩聚类可以帮助优化运动、控制和决策，从而支持通用人工智能的发展，特别是在机器人和自主系统中。它将重新定义无监督学习的格局，为真正自主的人工智能铺平道路。开源代码已提供给研究人员。

*内容来源悉尼科技大学官网