研究人员开发“液态”神经网络 可适应快速变化的训练环境

　　想要适应自动驾驶、控制机器人、医疗诊断等场景，就必须让神经网络适应快速变化的各种状况。好消息是，麻省理工（MIT）计算机科学与人工智能实验室（CSAIL）的 Ramin Hasani 团队，已经设计出了一种具有重大改进的“液态”神经网络。其特点是能够在投入训练阶段之后，极大地扩展 AI 技术的灵活性。

　　通常情况下，研究人员会在训练阶段向神经网络算法提供大量相关的目标数据，来磨炼其推理能力。

　　期间通过对正确的响应加以奖励，以优化其性能。然而传统的训练方案，明显还是过于“刻板”了。

　　有鉴于此，Ramin Hasani 与团队成员合作开发了一套新方法，让神经网络可以像“液体”一样，随着时间的流逝而更好地适应“正确”的新信息。

　　举个例子，如果无人驾驶汽车上的感知神经网络能够分辨晴朗的天空和大雪等环境，就可以更好地顺应情况的变化、并维持较高的性能。

　　这项新研究的主要特点，是侧重于时间序列的适应性。比之建立于训练数据的多快照或时间上的静态时刻，可流动的液态神经网络可以将时间序列或图像序列也考虑进来，而不是孤立的各个片段。

　　得益于这种系统设计方法，与传统神经网络相比，MIT 的液态系统实际上更便于开展观察研究。

　　前一种 AI 通常被称作‘黑盒’，尽管算法开发者明确知晓输入信息的判定准则，但通常无法确定其中到底发生了什么。

　　而液态神经网络在这部分提升了透明度、对复杂计算节点的依赖性也更少，因此还具有相当不错的成本优势。

　　最终结果表明，在预测已知数据集的未来值方面，液态神经网络的准确性要显著优于其它替代方案。

　　下一步，Hasani 将与团队成员继续改进液态神经网络的性能表现，并努力将之推向实际应用。