人工神经网络通过学习高效执行任务

动物从出生起便自带“天然本领”——马驹出生数小时后就能站立行走，小鸭破壳不久便会游泳，而人类婴儿天生就会被人的面孔吸引。经过亿万年的进化，大脑在极少经验下就能应对复杂世界。受此启发，许多AI研究者开始思考：人工神经网络是否也能具备这种与生俱来的能力？

一项最新研究给出了令人意外的答案：人工神经网络可以通过进化达到“无需学习”即可完成任务的程度。这项发现有望催生一种全新类型的AI——它们在处理照片标注、自动驾驶等任务时，天生就极为擅长。

通常，人工神经网络通过调整神经元之间连接的“权重”进行学习，例如玩游戏或识别图像。而另一种名为神经网络架构搜索（NAS）的技术，则会枚举大量不同的网络形状与大小，从而找出学习能力最强的结构。如今，新方法利用同样的搜索思路，去发现那些“根本不需要调整权重”的网络——网络的整体结构本身就决定了其智能水平，这类网络在某些任务上可能具备天然优势。

谷歌Brain的计算机科学家Adam Gaier表示：“既然动物有那么多天生的行为，一些神经网络在未经大量训练时也能表现出色，我们想知道这个想法究竟能走多远。”

整个实验从一组极其简单的网络起步：它们直接将输入（例如机器人传感器的数据）映射到行为输出。系统评估每个网络在特定任务上的表现，保留表现最优的网络，然后通过添加神经元、添加连接或改变神经元对输入总和的敏感度，使这些网络发生“突变”。关键一步在于：在评估阶段，所有权重被赋予同一个共享的随机数——实际上是对多个随机数分别测试，然后取平均值。

最终得到的成果被称为“与权重无关的神经网络”（WANN）。它们因任务执行出色且结构极简而获得高分。相比之下，处理相同任务的典型网络通常有数千个神经元和成千上万个权重，而WANN仅含少量神经元，且只拥有一个权重。

更令人意外的是，WANN的表现竟然相当不俗。研究团队将其与标准网络架构进行了对比——标准网络的权重经过逐步优化，能够熟练完成三项模拟任务：驾驶赛车、让两足机器人行走，以及控制双轮推车平衡支杆。

与经过训练的标准网络相比，WANN的得分仅为后者的六分之一到一半。然而，当研究人员为WANN赋予表现最佳的权重（而非随机权重）后，其分数提升到标准网络的三分之二到五分之四。更值得注意的是，如果在进化后再采用标准网络的训练方式对WANN进行训练，两者的最终性能几乎不相上下。

在另一项手写数字识别任务中，WANN的准确率超过90%，而针对该任务训练的庞大网络准确率为99%。该研究已在上个月的神经信息处理系统大会（NeurIPS 2019）上公布。

优步AI实验室的计算机科学家Rosanne Liu（未参与该研究）评价道：“整个系统切实可行，这非常了不起。”此前，其他研究人员尝试开发不依赖权重的网络都以失败告终。Gaier透露，这项突破其实源于一次意外：他们原本计划给所有权重赋予同一个数字，却发现这是一个“bug”，然而这个bug反而大大简化了网络搜索。

尽管WANN的性能尚未超越经过训练的大型网络，但这种方法开辟了一条全新路径——寻找专门适合不同任务的网络架构。正如大脑的不同区域以不同的连接方式适应特定功能一样，也许还有大量未被发现的“构造模块”等待我们去探索，让AI一出生就自带智慧。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：人工神经网络通过学习高效执行任务要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题