新研究表明，怪异的人工智能（AI）系统可能会很好地工作，因为它们的结构利用了宇宙的基本定律。
新发现可能有助于回答有关采用一种称为策略的人工智能的长期谜团深度学习。这些深度学习或深度神经网络程序称为算法，具有许多层次，低级计算将其输入较高的计算。深层神经网络通常在解决问题上的问题上表现出色，就像击败世界上最好的玩家棋盘游戏或对猫的照片分类一样，却完全了解了原因。
事实证明，马萨诸塞州理工学院（MIT）的物理学家，新研究的合着者Max Tegmark说，可能是他们正在利用物理世界非常特殊的特性。
Tegmark告诉Live Science，物理学定律只提出了这种“非常特殊的问题” - AI在解决的问题方面显然存在。他说：“物理学使我们关心的一小部分以及神经网络可以解决的一小部分问题或多或少是相同的。” [超级智能机器：7机器人期货这是给出的
深度学习
去年，AI完成了许多人认为不可能的任务：DeepMind，Google的深度学习AI系统，击败了世界上最好的GO球员后击败欧洲冠军。这一壮举使世界震惊，因为潜在的GO移动数量超过了宇宙中原子的数量，并且过去的Go播放机器人的表现和平庸的人类玩家的表现。
但是，甚至比Deepmind对对手的彻底失败更令人惊讶，就是它如何完成这项任务。
哈佛大学物理学家亨利·林（Henry Lin）说：“神经网络背后的最大谜团是为什么它们如此出色的原因。” “几乎我们把它们扔给他们的每个问题，它们都破裂了。”
例如，DeepMind并未明确教授GO策略，也没有接受训练以识别经典的动作序列。取而代之的是，它只是“观看”了数百万场比赛，然后对自己和其他玩家进行了更多的比赛。
Tegmark说，像刚出生的婴儿一样，这些深度学习算法开始“无知”，但通常优于其他AI算法，这些算法提前给出了一些游戏规则。
Tegmark说，另一个长期以来的谜团是为什么这些深层网络比所谓的浅网络要好得多，而浅网络只有一层。深网具有层次结构，看起来有点像大脑中的神经元，从许多神经元中的低级数据进食到另一个“较高”的神经元组中，在许多层上重复。他说，以类似的方式，这些神经网络的深层进行了一些计算，然后将这些结果馈送到程序的更高层，等等。
神奇的钥匙还是神奇的锁？
为了理解为什么这一过程有效，Tegmark和Lin决定将问题倒在其头上。
“假设有人给了您一个钥匙。您尝试的每一个锁，似乎都打开了。一个人可能认为钥匙具有一些魔法属性。但是另一种可能性是所有锁都是神奇的。在神经网的情况下，我怀疑这是两者兼而有之。”
Tegmark说，一种可能性是“现实世界”问题具有特殊的特性，因为现实世界非常特别。
采用最大的神经网络谜团之一：这些网络通常会采用似乎在计算上的毛茸茸的问题，例如GO GAME，并且以某种方式使用比预期少得多的计算找到解决方案。
事实证明，由于宇宙的一些特殊属性，神经网络使用的数学被简化了。 Tegmark说，首先是，从量子力学到重力再到特殊相对论的许多物理定律的方程基本上是简单的数学问题。方程涉及将变量提高到低功率（例如4或更少）。 [11个最美丽的方程式这是给出的
更重要的是，宇宙中的对象是受当地的管辖，这意味着他们受到限制光速。 Tegmark说，实际上，这意味着宇宙中的相邻物体比彼此之间的事物更可能彼此影响。
宇宙中的许多事情也遵守所谓的正常或高斯分布。这是经典的“钟形曲线”，它控制着从人类高度等特征到气体分子的速度在大气中缩小。
最后，对称被编织成物理结构。想一想普通人的叶子上的ve弱图案，或者是普通人的两个胳膊，眼睛和耳朵。 Tegmark说，在银河量表上，如果一个人向左或右边旅行，或者一年等待一年，则物理定律是相同的。
更严重的问题要破解
所有这些宇宙的特殊特征都意味着神经网络面临的问题实际上是可以从根本上简化的特殊数学问题。
Tegmark说：“如果您查看我们实际上遇到的数据集，它们比您可能想象的那种最糟糕的情况要简单。”
对于神经网络来说，还有一些问题，包括加密方案该网络上的安全信息；这样的方案看起来像随机噪音。
Tegmark说：“如果您将其馈入神经网络，它将像我一样糟糕；它不会找到任何模式。”
虽然自然的亚原子定律很简单，但描述大黄蜂飞行的方程式非常复杂，而管理气体分子的方程式仍然很简单。他说，目前尚不清楚深度学习是否能像描述气体分子那样的复杂大黄蜂飞行。
“关键是，某些'新兴'物理定律，例如那些管理理想气体的定律，仍然很简单，而有些则变得非常复杂。因此，如果一个人要详细回答，为什么深度学习效果如此之好，需要做很多其他工作。”林说。 “我认为这篇论文提出的问题要比回答更多！”
原始文章现场科学。
