多样性的角色已经成为各个领域的讨论话题，从生物学到社会学都有所涉及。然而，来自北卡罗来纳州立大学非线性人工智能实验室（NAIL）的最新研究为这一议题开辟了一个引人入胜的维度：人工智能（AI）神经网络内的多样性。
自我反思的力量：调整神经网络内部
北卡罗来纳州立大学物理学教授、NAIL主任威廉·迪托（William Ditto）及其团队构建了一个能够“内部观察”和调整其神经网络的AI系统。这个过程允许AI确定其神经元之间的数量、形状和连接强度，提供了具有不同神经元类型和强度的子网络的潜力。
“我们创建了一个非人类智能的测试系统，即人工智能，以查看AI是否会选择多样性而非缺乏多样性，以及其选择是否会改善AI的性能，”迪托说道。“关键在于给予AI内部观察和学习如何学习的能力。”
与使用静态、相同神经元的传统人工智能不同，迪托的AI具有“自我大脑的控制旋钮”，使其能够进行元学习，这个过程提升了其学习能力和解决问题的技能。“我们的AI还可以在多样性和同质性神经元之间进行选择，”迪托指出，“我们发现在每一个情况下，AI都选择多样性来增强其性能。”
从传统人工神经网络到多样性神经网络再到学习多样性神经网络的进展。线的粗细表示权重
性能指标：多样性胜过一致性
研究团队使用标准的数值分类练习来衡量AI的性能，并获得了令人瞩目的结果。传统的AI，其神经网络静态且同质，达到了57%的准确率。相比之下，进行元学习的多样性AI达到了惊人的70%准确率。
根据迪托的说法，基于多样性的AI在解决更复杂的任务时显示出多达10倍的准确性，比如预测钟摆的摆动或星系的运动。“事实上，我们还观察到随着问题变得更加复杂和混乱，性能相比不拥抱多样性的AI更加显著地提高，”他解释道。
意义：人工智能发展的范式转变
这项研究的发现对于人工智能技术的发展具有深远的影响。它们提出了从目前普遍存在的“一刀切”的神经网络模型转向动态、自适应的范式转变。
“我们已经证明，如果给予AI内部观察和学习如何学习的能力，它将改变其内部结构——其人工神经元的结构——以拥抱多样性并提高其学习和问题解决的能力，”迪托总结道。这在需要高度适应性和学习能力的应用中尤其重要，从自动驾驶车辆到医疗诊断。
这项研究不仅凸显了多样性的内在价值，还为人工智能研究和发展开辟了新的道路，强调了动态和适应性神经结构的需要。在海军研究办公室和其他合作伙伴的持续支持下，人们迫切期待着下一阶段的研究。
通过内部拥抱多样性的原则，AI系统在性能和问题解决能力方面有望获得显著提升，可能彻底改变我们对机器学习和人工智能发展的方法。