AI的内省能力提升性能和问题解决能力

一项创新研究表明，当人工智能（AI）选择在其神经网络结构中保持多样性时，它在解决复杂任务方面变得更加有效。这项由北卡罗来纳州立大学物理学教授William Ditto领导的研究展示了，具备内省和微调其神经网络能力的AI系统，通过偏好多样性而非统一性，表现出更好的性能。

揭示研究内容

Ditto的研究重点在于允许AI以内省的方式分析和修改其神经网络组成。该研究调查了AI在网络结构中偏好多样性还是统一性是否会影响其解决问题的能力。

神经网络模拟人脑，构成了AI系统的基础。传统AI采用由相同人工神经元组成的网络。然而，Ditto的团队引入了一种新方法，使AI能够决定其神经元之间连接的数量、形状和强度，从而创建具有不同神经元类型和连接强度的多样化子网络。

赋能AI的学习过程

研究人员通过允许AI控制其神经网络配置，引入了一种元学习形式。在一个类似于内省的过程中，AI可以评估其努力的结果，调整其神经网络组成，并相应地优化其性能。这种内省能力使AI能够控制其自身的“大脑”。

研究的目的是确定AI在网络架构中是倾向于统一性还是多样性。值得注意的是，AI在所有情况下都偏好多样性，这始终带来了性能的提升。

性能提升和问题解决效率

为了评估AI的进步，研究人员进行了数值分类练习。结果表明，随着AI增加神经元数量并引入神经元多样性，其准确性得到了提高。与达到57%准确率的标准统一AI相比，采用元学习并拥抱多样性的AI实现了惊人的70%准确率。

多样性驱动的AI的潜力不仅限于数值练习。在更复杂的挑战中，例如预测钟摆摆动或星系运动，增强多样性的AI展示了其实力。结果表明，在处理复杂和混乱的问题时，基于多样性的AI比传统AI的表现高出多达10倍。

影响和未来方向

这项研究的结果对AI的发展具有深远的影响。通过赋予AI通过内省适应其神经网络结构的能力，该研究揭示了一条提高问题解决效率和准确性的新途径。这种动态方法更接近于人脑中观察到的多样性。

此外，该研究强调了AI在内省能力在挑战变得复杂和混乱的场景中的重要性。在这样的场景中，多样性驱动的AI始终优于其统一对应的AI。

这项研究为探索如何利用AI的自适应性机制打开了大门，从科学预测到复杂问题解决，应用范围广泛。

致谢与未来展望

这项发表在《科学报告》（Scientific Reports）上的研究得到了海军研究办公室和United Therapeutics的支持。共同通讯作者William Ditto和John Lindner及其团队领导了这项开创性的研究。前NC State研究生Anshul Choudhary作为第一作者做出了贡献，Anil Radhakrishnan和Sudeshna Sinha也做出了额外贡献。

随着AI的不断发展，这项研究的意义揭示了AI系统不仅适应，而且通过在其神经网络结构中拥抱多样性和内省来繁荣发展的潜力。