【台灣醒報記者莊宇欽綜合報導】AI也有自己的元素週期表！麻省理工學院與艾默里大學研究團隊分別提出新的數學模型，並透過建立類似元素週期表的統一框架，將繁雜的AI演算法分門別類。未來，科學家可以更精準挑選或設計演算法，從而提升人工智慧的運算效率、準確度與可解釋性。
人工智慧週期表
《大眾機械》報導，麻省理工學院研究團隊採用AI演算法與資訊對比學習 (I-Con) 的數學框架，根據兩者的共同屬性對其進行排序，並創建一個找到彼此關聯數據點的AI週期表。對此，單一演算法可以透過最小化與其他演算法的相似關聯，並對演算法訓練所建立的關聯落實最大化效率。
事實上，AI週期表源自於經典機器學習演算法之間的共通性。麻省理工學院博士生阿爾沙馬里表示，I-Con揭示了許多看似截然不同的方法，包括聚類分析、譜圖論、對比學習、降維和監督式學習，這些都是同一潛在損失函數的例子，彼此間也有相似之處。
研究團隊發現I-Con函數與更多類型的演算法之間存在關聯，並意識到可以按照元素週期表的模式來排列這些演算法。如同元素週期表一樣，AI週期表中也留有空白位置，用於表示與I-Con的數據點連接仍然未知的演算法。
統一的數學框架
《SciTechDaily》報導，AI越來越依賴整合解讀不同類型的數據，尤其多模態AI發展面臨一項嚴重障礙：如何選擇最適合AI系統解決特定任務的演算法。對此，埃默里大學物理學家開發了一個新的框架，為多模態人工智慧演算法的推導方式提供初步結構。
這項研究透過重新建構資訊在不同資料類型間的過濾和保存方式，為設計人工智慧演算法提供更為系統化的想法，並透過建立統一的數學框架，有助於解釋成功的多模態AI系統能夠正常運作的原因。
未來，AI系統開發人員可以使用該框架提出新的演算法，以估計特定多模態演算法所需的數據，甚至針對特定科學問題客製化新的演算法。
由於熱心人與支持者的捐款，醒報的深度報導與客觀評論都是免費閱讀的，希望你也能加入「醒報天使」的行列，小額支持。我們會寄給您抵稅收據！
