文/陳根

人工智能時代里，神經網絡對于機器學習具有重要作用。神經網絡是通過分析一組“訓練”示例來識別模式的算法，也被認為是模仿大腦的加工路徑。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。

現在，麻省理工學院的研究人員稱，他們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。

研究人員從微小的線蟲中獲得靈感，其中，線蟲的神經系統只有302個神經元，卻可以產生意想不到的復雜動力。研究人員仔細研究了線蟲的神經網絡，以及神經元通過電脈沖激活并相互交流的過程。

并且，在研究人員用來構造新的神經網絡的方程中，研究人員允許參數根據一組嵌套的微分方程的結果隨時間變化。

這種靈活性是此次研究成功的關鍵。大多數神經網絡的行為在訓練階段之后是固定的，這意味著它們很難適應輸入數據流的變化。而此次的“液體”神經網絡的流動性使其對意外或嘈雜的數據更有彈性。比如，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。

此外，神經網絡的靈活性還有另一個優點，是更易于理解。研究人員此次的流動神經網絡繞過了不可伸縮性“僅僅改變一個神經元的表示形式”，因此更容易窺視網絡決策的“黑匣子”，并診斷網絡為何做出某種表征。這可以幫助工程師理解和提高液體網絡的性能。

目前，“液體”神經網絡在一系列測試中表現出色。在準確預測從大氣化學到交通模式等數據集的未來值方面，它領先于其他最先進的時間序列算法幾個百分點。研究人員認為，該網絡的小規模意味著它在完成測試時沒有高昂的計算成本。這也為進一步研究提供了希望的前景。