一种新型的人工智能（AI）机器学习在2021年2月初的第35届AAAI人工智能大会上亮相。麻省理工学院（MIT）和奥地利的研究人员创建了一种新的神经网络，可以使更多的流体人工智能被称为“流体”机器学习。这种新型的机器学习可以更好地适应复杂现实世界问题的动态波动。在数据流随时间变化的领域，开发能够快速学习的更灵活的人工智能是关键任务。时间序列数据的实际应用包括视频处理、流行病学、金融市场、经济学、国内生产总值(GDP)、健康监测、天气预报、空气污染、自动驾驶汽车、机器人、航空和医学成像等。流体智力与结晶智力的概念可以追溯到1963年，当时它是由20世纪最有影响力的心理学家之一雷蒙德·卡特尔(RaymondCattell，1905-1998)创造的。流体智力是实时灵活思考、推理和处理新信息的能力。相反，结晶智力是指从以前学到的事实、技能和经验中获得的知识。流体智力是一种基于生理的认知能力，如感知、记忆、计算速度、推理能力等。流体智力是与晶体智力相对应的概念，随着年龄的增长而下降。流体智力是人类的一项基本能力，受先天遗传因素影响较大，受教育文化影响较小。流体智力的发展与年龄密切相关：20岁以后流体智力发展达到顶峰，30岁以后随年龄增长而下降。然而，结晶智力不会随着年龄的增长而降低。结晶智力主要是指习得的技能、语言和写作能力、判断力和联想能力。“我们引入了一类新的时间连续递归神经网络模型，”该研究的作者写道。RaminHasani是计算机科学与人工智能实验室(CSAIL)的博士后，也是该研究的主要作者。该团队的其他研究人员包括麻省理工学院教授兼CSAIL主任DanielaRus、麻省理工学院博士生AlexanderAmini、奥地利科技学院的MathiasLechner和维也纳科技大学的RaduGrosu。当存在时间序列数据时，经常使用使用常微分方程(ODE)确定连续时间隐藏状态的递归神经网络。研究团队着手改进这种结构，以“实现更丰富的表征学习和表达能力”。研究人员写道：“我们不是通过隐式非线性来声明学习系统的动力学，而是构建了一个由非线性互连门调制的线性一阶动力学系统网络。”作为替代方案，研究人员创建了流动时间常数(LTC)递归神经网络(RNN)。这种新型循环神经网络的优势在于它在设计上更具表现力，因此本质上更加透明和可解释。这种表现力使研究人员能够更好地理解神经网络的一些“思维”过程，这一好处可能有助于揭开人工智能机器学习“黑匣子”中一些复杂认知的神秘面纱。该团队写道：“由此产生的模型代表了具有变化的（即液体）时间常数与其隐藏状态耦合的动力系统，其输出由数值微分方程求解器计算。”“这些神经网络表现出稳定和有界的行为，在神经ODE中产生了卓越的表现力，并提高了时间序列预测任务的性能。”为了评估他们的新模型，该团队对他们的液体时间约束循环神经网络进行了广泛的实验。实验包括训练分类器根据运动数据识别手势，根据传感器数据流（温度、二氧化碳水平、湿度和其他传感器）预测房间占用情况，以及根据智能手机数据识别人类活动（例如站立、行走和坐着）。其他测试包括顺序MNIST、运动动力学建模和交通预测、每小时家庭用电量、臭氧浓度水平和更多类型的人类活动。与其他循环神经网络模型（LSTM、CT-RNN、NeuralODE和CT-GRU）相比，研究人员在时间序列预测的七个实验中的四个实验中观察到5%到70%的改进。AI正在跨行业和许多功能迅速扩展。AI机器学习变得越灵活、流畅和透明，未来提高AI安全性和性能的潜力就越大。
