新浪科技訊 北京時間10月27日消息，據(jù)國外媒體報道，一項最新研究顯示，強大的人工智能(AI)系統(tǒng)之所以運作得如此順利，也許是因為它們的構(gòu)造利用了宇宙的基本法則。這項新發(fā)現(xiàn)也許能幫助我們解決一項由來已久的、與采用了深度學習策略的人工智能有關(guān)的謎題。這些深度學習(又稱深度神經(jīng)網(wǎng)絡(luò))程序是一種多層算法，計算由低層向高層進行。深度神經(jīng)網(wǎng)絡(luò)在解決復雜的問題時往往具有驚人的表現(xiàn)，如下圍棋、給貓咪的照片分類等，但目前還沒人知道為什么會這樣。

　　而麻省理工學院的一名物理學家、此次研究的共同作者之一馬克斯·泰格馬克(Max Tegmark)認為，這可能是因為它們利用了物理世界中的一些特殊性質(zhì)。泰格馬克指出，物理法則把人工智能擅長解決的問題稱作“一類非常特殊的問題”�！拔锢韺W讓我們關(guān)心的一小部分問題和神經(jīng)網(wǎng)絡(luò)可以解決的一小部分問題實際上是差不多的�！�

　　深度學習

　　去年，人工智能完成了一項很多人認為不可能成功的任務(wù)：谷歌的深度學習人工智能系統(tǒng)DeepMind打敗了世界上最厲害的圍棋玩家。這使全世界為之震驚，因為圍棋所有可能的走法種類甚至超過了宇宙中原子數(shù)量的總和，之前的下圍棋機器人只能達到普通人類棋手的水準。

　　但比DeepMind取得的成就相比，它完成此次任務(wù)的方式更加令人震驚�！吧窠�(jīng)網(wǎng)絡(luò)究竟為什么運作得這么出色，這令我們困惑不已�！痹撗芯康墓餐�作者、哈佛大學的一名物理學家亨利·林(Henry Lin)表示，“無論我們向它們拋出什么問題，它們基本都能解決�！�

　　例如，從來沒有人教過DeepMind如何下圍棋，也沒有訓練它學習經(jīng)典的圍棋走法。它只是“觀看”了數(shù)百萬次圍棋比賽，然后又和自己或其它選手下了很多次圍棋而已。泰格馬克指出，就像新生兒一樣，這些深度學習算法一開始時都是“毫無頭緒”的，但又總能打敗其它提前掌握了一部分比賽規(guī)則的人工智能。

　　此外，泰格馬克指出，還有一個問題一直讓科學家摸不著頭腦：為什么深度網(wǎng)絡(luò)比所謂的淺層網(wǎng)絡(luò)出色這么多。深度網(wǎng)絡(luò)包含很多層級，有點像大腦中的神經(jīng)元之間的存在聯(lián)系，來自低層級的數(shù)據(jù)會流入更高層的神經(jīng)元中，在各個層級上進行多次重復。與之類似，神經(jīng)網(wǎng)絡(luò)中的深層級會做一些計算，計算結(jié)果隨后進入程序中更高的層級，以此類推。

　　魔法鑰匙還是魔法鎖？

　　為了弄清這一過程為什么能成功運作，泰格馬克和林決定換個角度看問題�！凹僭O(shè)有人給了你一把鑰匙，每一把鎖似乎都能用它打開。你可能會認為這把鑰匙具有某種魔力。但還有一種可能性：有魔力的其實是鎖。在神經(jīng)網(wǎng)絡(luò)這個案例上，我覺得這兩種解釋都說得通�！绷终f道。泰格馬克稱，一種可能性是，“真實世界”的問題之所以具有某些特殊的性質(zhì)，是因為真實的世界本身就很特殊。

　　就拿神經(jīng)網(wǎng)絡(luò)中最大的未解之謎之一來說：這些網(wǎng)絡(luò)總能解決一些需要繁瑣計算的問題，如圍棋等，并且只需比預(yù)期少得多的計算次數(shù)，就能找到解決方案。研究發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)的計算過程之所以能大大簡化，還要歸功于宇宙中的幾條特殊性質(zhì)。泰格馬克指出，其中第一條就是，從量子力學到引力、再到狹義相對論，主宰著這些物理法則的等式其實只是簡單的數(shù)學問題而已。

　　泰格馬克還指出，宇宙中的物體受到光速限制，對近處的物體比對遠處的物體造成的影響更大。此外，宇宙中有很多物體還遵循了正態(tài)分布，又稱高斯分布，即那條經(jīng)典的“鐘形曲線”。最后，對稱性可謂融入了物理學的方方面面。如葉片上的脈絡(luò)、人的雙臂、雙眼和耳朵等。而換到宇宙尺度上，如果有人移動了一光年的距離，或者等上一年時間，物理法則都是相同的。

　　更難解決的問題

　　宇宙的這些特殊性質(zhì)意味著，神經(jīng)網(wǎng)絡(luò)面臨的問題其實只是一些特殊的數(shù)學問題而已，可以被大大簡化�！澳憧梢钥纯次覀冊趯嶋H中遇到的數(shù)據(jù)組，它們其實比你可能想象到的最壞情況要簡單得多。”泰格馬克說道。

　　還有些更困難的問題等著神經(jīng)網(wǎng)絡(luò)去攻克，比如在網(wǎng)絡(luò)上保護信息所需的加密方案等，這些加密方式可能就像普通的噪音一樣毫無規(guī)律可言。“如果你把這些信息加到神經(jīng)網(wǎng)絡(luò)里，它肯定會像人類一樣遭遇失敗，找不到任何規(guī)律�！碧└耨R克說道。

　　自然界中的亞原子法則非常簡單，而描述一只蜜蜂飛行的路線所需的等式則極為復雜，描述氣體分子運動的等式則要簡單一些。目前我們還不清楚深度學習能否像描述氣體分子的運動規(guī)律一樣，描述出復雜的蜜蜂飛行路線。

　　“問題的關(guān)鍵是，在‘新興’的物理法則當中，有些相當簡單，有些則頗為復雜。因此，要想詳細解答為何深度學習表現(xiàn)得如此出色，我們還有許多工作要做，”林說道，“我認為這篇論文提出的問題比解答的問題多得多！”(葉子)