受星系合併啓發，無監督AI像人類一樣學習

在浩瀚的宇宙中，星系在引力作用下相互碰撞、合併並重塑自身，這一過程如同一場宇宙之舞。現在，研究人員從這一宇宙現象中獲得靈感，創造出一種新的人工智能算法，這可能改變機器的學習方式。

這種名爲“扭矩聚類”的方法可能爲真正的自主人工智能鋪平道路。與依賴精心標記數據集的傳統方法不同，扭矩聚類自主運行——這是無監督學習的一個重大飛躍，能在完全無需人工干預的情況下發現數據中的模式。

轉矩聚類的核心源於宇宙的兩個基本屬性，即質量和距離。就像星系之間會互相施加引力，這個算法是靠模擬數據點之間的轉矩平衡來識別數據中的聚類的。該研究的主要作者楊傑博士說：“它的靈感來自星系合併時引力相互作用中的轉矩平衡。”這種與物理學的聯繫給這個方法增添了基本的科學意義。

這個算法不依靠預先規定的規則，而是讓數據點互相“牽拉”，根據模擬的吸引力和旋轉力形成羣組。就像恆星和暗物質在引力作用下會自組織一樣，人工智能系統中的數據也能依據轉矩原理自組織。

該算法的自主性是其最顯著的特徵。傳統的聚類方法，如K - 均值（K - Means，一種聚類算法）或基於密度的空間聚類算法（DBSCAN，也是聚類算法），需要人工輸入來設置諸如聚類數量或距離閾值之類的參數。如果這些預定義的值沒有正確校準，就可能導致錯誤。然而，轉矩聚類（Torque Clustering，這是一種聚類算法）完全不需要人工干預。它能自動識別數據集中的聚類，無縫適應不同的形狀、密度和噪聲水平。

在對1000個不同數據集進行的嚴格測試中，轉矩聚類的平均調整互信息（AMI，這一概念大致用於衡量數據聚類效果的好壞）得分爲97.7%，這一指標用於衡量它將數據組織成聚類的效果。相比之下，其他最先進的方法通常得分在80%左右。這一性能表明，轉矩聚類在從生物和醫學到金融和天文學等領域可能優於現有技術。

悉尼科技大學的林欽騰（Chin - Teng Lin）教授表示，該算法代表着朝着通用人工智能（AGI）邁出的一步，通用人工智能是一種能夠執行人類所能執行的原始智力任務的人工智能形式。林教授說道：“在自然界中，動物通過觀察、探索以及與環境互動來學習，無需明確的指令。下一波人工智能‘無監督學習’旨在模仿這種方式。”

扭矩聚類（Torque Clustering）最有前景的應用之一是在機器人技術和自主系統中。通過使機器能夠在無需人類指導的情況下處理和解讀數據，該算法可以實時優化運動、控制和決策。這在自動駕駛汽車、工業自動化甚至太空探索方面可能會帶來極大的變革。

但是通往通用人工智能（AGI）的道路並非沒有挑戰。雖然扭矩聚類（Torque Clustering）是完全自主且無參數的，但關於它能否擴大規模和可能存在的侷限的問題仍然存在。例如，這個算法處理特別複雜或者模糊的數據集的時候會不會有困難呢？它要怎麼處理倫理方面的考量呢，就像數據裡存在偏差這種情況？這是一個開源項目，自2024年5月起在GitHub上可用，邀請世界各地的研究人員來探索這些問題並進一步完善該方法。

扭矩聚類的發展正值人工智能格局快速演變之時。去年的諾貝爾物理學獎表彰了一些基礎性發現，這些發現使基於人工神經網絡的監督式機器學習成爲可能。現在，受扭矩和自然智能原理啓發的無監督學習可能會產生類似的影響。

這些研究結果發表在《電氣和電子工程師協會模式分析與機器智能彙刊》（IEEE Transactions on Pattern Analysis and Machine Intelligence）雜誌上。