研究人员开发了一种名为“转矩聚类”的新型人工智能算法，该算法极大地提高了人工智能系统自行学习和识别数据模式的能力，无需人工输入。

研究人员开发了一种新的AI算法——Torque Clustering，与自然智能相比，它比现有方法更加逼真。这种先进的方法提高了AI独立学习和识别数据模式的能力，无需人类参与。

扭矩聚类旨在有效地分析包括生物学、化学、天文学、心理学、金融学和医学在内的各个领域的大型数据集。通过揭示隐藏的模式，它可以提供有价值的见解，如检测疾病趋势、识别欺诈活动和了解人类行为。

“在自然状态下，动物通过观察、探索以及与环境的互动进行学习，而无需明确指令。下一波人工智能浪潮，‘无监督学习’旨在模仿这种方法，”悉尼科技大学（UTS）的林慈太 (CT Lin) 杰出教授说道。

“目前几乎所有的人工智能技术都依赖于‘监督学习’，这是一种人工智能训练方法，需要人类使用预定义的类别或值对大量数据进行标记，以便人工智能可以进行预测并发现关系。

“监督学习存在诸多局限性。对数据进行标注成本高、耗时长，对于复杂或大规模任务而言往往不切实际。相比之下，无监督学习无需标注数据即可工作，能够揭示数据集内的固有结构和模式。”

人工智能学习领域的范式转变

详细介绍转矩聚类方法的论文已发表于人工智能领域权威期刊《IEEE模式分析与机器智能汇刊》（IEEE Transactions on Pattern Analysis and Machine Intelligence）。

Torque聚类算法优于传统的无监督学习方法，可能带来范式转变。它完全自主、无需参数设置，并且能以卓越的计算效率处理大型数据集。

该系统已在1000个不同的数据集上进行了严格测试，其聚类结果评估指标——平均调整互信息（AMI）分数达97.7%。相比之下，其他最先进的方法的得分仅在80%左右。

受物理学启发的AI创新

“Torque Clustering 的与众不同之处在于，它以转矩的物理概念为基础，能够自主识别聚类，并无缝适应不同类型、形状、密度和噪声程度的数据，”第一作者 Jie Yang 博士说道。

“它的灵感来自于星系合并时引力相互作用中的转矩平衡。它基于宇宙的两个自然属性：质量和距离。这种方法与物理学的联系为其增添了基础性的科学意义。

“去年的诺贝尔物理学奖授予了利用人工神经网络实现监督式机器学习的基础发现。受转矩原理启发的无监督机器学习可能会产生类似的影响，”杨博士表示。

扭矩聚类有助于优化运动、控制和决策，从而能够支持通用人工智能的开发，特别是在机器人和自主系统领域。它将重新定义无监督学习的格局，为真正自主的人工智能铺平道路。研究人员现已可使用其开源代码。

参考文献：杨杰与林进登所著《通过快速寻找质量和距离峰值实现自主聚类》，发表于2025年1月28日，IEEE《模式分析与机器智能汇刊》。DOI：10.1109/TPAMI.2025.3535743