一项新研究发现，一种具备自我调整、看内部和优先选择多样性而非缺乏多样性的能力的人工智能，其神经网络性能更佳。由此产生的多样化神经网络在解决复杂任务方面表现尤为出色。

北卡罗来纳州立大学物理学教授、NAIL实验室主任威廉·迪托表示：“我们创建了一个测试系统，使用了一种非人类智能——人工智能（AI），以查看AI是否会选择多样性而非缺乏多样性，以及其选择是否会提高AI的性能。关键是为AI赋予了向内部观察并学习其学习方式的能力。”

神经网络是一种先进的人工智能，松散地基于我们大脑的工作方式。我们的天然神经元根据它们之间的连接强度交换电脉冲。人工神经网络通过在训练过程中调整数字权重和偏置来创建类似的强连接。

例如，神经网络可以通过浏览大量的狗照片进行训练，猜测照片是否是狗，并根据离实际情况的差距调整其权重和偏置，直到更接近现实。

传统的人工智能使用神经网络来解决问题，但这些网络通常由大量相同的人工神经元组成。这些相同神经元之间的连接数量和强度可能在学习中发生变化，但一旦网络被优化，这些静态神经元就是网络的组成部分。

然而，迪托的团队赋予其人工智能在神经网络中选择神经元的数量、形状和连接强度的能力，使其在学习过程中创建具有不同神经元类型和连接强度的子网络。

迪托说：“我们真正的大脑有多种类型的神经元。因此，我们赋予了我们的人工智能向内观察并决定是否需要修改其神经网络的构成的能力。本质上，我们给了它控制自己大脑的旋钮。因此，它可以解决问题、观察结果，并根据需要改变人工神经元的类型和混合程度，直到找到最有利的组合。这是AI的元学习。”

迪托还表示：“我们的人工智能也可以在多样性和同质性神经元之间作出选择。我们发现，在每种情况下，AI都选择多样性以增强其性能。”

研究团队通过要求人工智能执行一个标准的数字分类练习来测试其准确性，并发现随着神经元数量和神经元多样性的增加，准确性也增加。标准的同质人工智能准确率为57%，而具有元学习和多样性的人工智能则可以达到70%的准确率。

据迪托表示，基于多样性的人工智能在解决更复杂的问题中比传统人工智能提高了多达10倍，例如预测摆动和星系运动。

迪托说：“我们已经证明，如果给予人工智能向内观察和学习其学习方式的能力，它将改变其内部结构——人工神经元的结构——以接纳多样性并提高其学习和问题解决的效率和准确性。确实，我们还观察到，随着问题变得更加复杂和混乱，性能的提高比不接纳多样性的人工智能更加显著。”

这项研究成果发表在《Scientific Reports》杂志上。