AI 有了「週期表」！統一數學框架揭示 20 多種機器學習方法的共同規律

在人工智慧領域，研究人員最近提出一個統一的數學框架，旨在解釋為何許多成功的多模態 AI 系統能夠有效運作。這個突破性成果將超過 20 種常見的機器學習方法組織成一個結構化的「週期表」，類似於化學元素的週期表。

這個新理論結構提供了一種系統化的方式來理解多樣的AI方法，透過識別它們的共同基礎，讓研究人員能夠更好地預測哪些技術組合會有效，並找出需要新方法的空白區域。這對於處理和整合多種數據類型（如文本、圖像和音頻）的多模態AI系統尤其重要。

研究小組的成員之一、埃默里大學（Emory University）物理學教授伊利亞·內門曼（Ilya Nemenman）表示，許多當今最成功的AI方法都可以歸結為一個簡單的理念──壓縮多種數據，僅保留那些真正能預測所需結果的部分。這個框架不僅有助於設計新的AI模型，還能幫助開發者預測哪些演算法可能有效，並估算特定多模態演算法所需的數據量。

此外，這個框架還有潛力減少運行AI系統所需的計算能力。內門曼指出，透過指導最佳的AI方法，該框架有助於避免編碼不重要的特徵，進而減少所需數據量，降低環境影響。

研究人員希望其他人能利用這個通用框架來針對他們想要探索的科學問題量身定制新的演算法。他們目前正在進一步探索這個框架的潛力，特別是如何利用這個工具來檢測生物學模式，進而深入了解認知功能等過程。