當(dāng)人工智能精準(zhǔn)翻譯外文文獻(xiàn)，或根據(jù)用戶偏好推薦個性化視頻內(nèi)容時，人們不禁好奇：這些能理解世界的智能系統(tǒng)究竟如何掌握這些能力？西湖大學(xué)科研團(tuán)隊近日在《美國國家科學(xué)院院刊》發(fā)表的最新研究，從統(tǒng)計物理學(xué)角度揭示了AI學(xué)習(xí)過程中的關(guān)鍵機(jī)制，為破解這一技術(shù)謎題提供了全新視角。

支撐AI技能的核心是模仿人類大腦結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。盡管這類系統(tǒng)已能處理復(fù)雜任務(wù)，但其學(xué)習(xí)過程長期被視為"黑箱"——研究人員清楚輸入數(shù)據(jù)與輸出結(jié)果的關(guān)系，卻難以追蹤訓(xùn)練過程中數(shù)以億計的參數(shù)如何動態(tài)調(diào)整。這種從"零基礎(chǔ)"到"專家級"的轉(zhuǎn)變機(jī)制，正是當(dāng)前人工智能發(fā)展的核心挑戰(zhàn)。

研究團(tuán)隊通過構(gòu)建多維度實驗?zāi)Ｐ桶l(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程與人類職業(yè)選擇存在相似性。博士后研究員張昕亞比喻道："就像求職者既要廣泛投遞簡歷探索機(jī)會，又要結(jié)合自身能力選擇適配崗位，AI系統(tǒng)同樣需要在隨機(jī)探索與目標(biāo)導(dǎo)向間取得平衡。"這種雙重約束機(jī)制確保參數(shù)更新既不會陷入盲目試錯，也不會過早收斂于局部最優(yōu)解。

實驗數(shù)據(jù)顯示，AI的學(xué)習(xí)進(jìn)程呈現(xiàn)顯著的非線性特征。研究團(tuán)隊通過對比12種主流神經(jīng)網(wǎng)絡(luò)架構(gòu)發(fā)現(xiàn)，參數(shù)調(diào)整并非漸進(jìn)式優(yōu)化，而是以階段性躍遷為主。這種自組織規(guī)律使得系統(tǒng)能在特定臨界點實現(xiàn)能力突破，就像登山者突然發(fā)現(xiàn)更優(yōu)路徑般高效。該發(fā)現(xiàn)為設(shè)計可解釋性更強(qiáng)的AI系統(tǒng)提供了理論支撐。

進(jìn)一步分析表明，當(dāng)探索強(qiáng)度與目標(biāo)約束達(dá)到黃金比例時，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率可提升40%以上。這種動態(tài)平衡機(jī)制使系統(tǒng)既能保持創(chuàng)新可能性，又能確保發(fā)展方向不偏離核心任務(wù)。研究團(tuán)隊正在基于此原理開發(fā)新一代訓(xùn)練算法，旨在提升AI在醫(yī)療診斷、金融分析等關(guān)鍵領(lǐng)域的可靠性。

該成果不僅深化了對機(jī)器學(xué)習(xí)本質(zhì)的理解，也為優(yōu)化人工智能訓(xùn)練框架提供了新思路。隨著更多基礎(chǔ)研究揭示AI運作規(guī)律，未來或?qū)⒊霈F(xiàn)更透明、更可控的智能系統(tǒng)，推動人工智能技術(shù)向更高層次發(fā)展。