科学家开发出无需人类标签就能学习的人工智能

研究人员公布了一种突破性的人工智能算法，扭矩聚类，旨在在没有人为干预的情况下识别数据模式。最近发表在《IEEE模式分析与机器智能学报》（IEEE Transactions on Pattern Analysis and Machine Intelligence）上的一篇论文详细介绍了这一突破，它可能标志着朝着更自主的人工智能系统迈出了重要一步。

传统的人工智能依赖于预先标记的数据集的监督学习，而Torque Clustering使机器能够独立分析数据，模仿动物从周围环境中学习的方式。该算法通过揭示大量数据集中的隐藏结构，在医学、金融和天文学等多个领域展示了卓越的性能。

悉尼科技大学的林CT教授强调了现有人工智能模型的局限性，指出监督学习需要大量的人力投入，这既昂贵又耗时。“相比之下，无监督学习在没有标记数据的情况下工作，揭示了数据集中的内在结构和模式，”他说。

这项创新的灵感来自物理学，特别是引力相互作用中的扭矩概念。第一作者杨杰博士解释说，该方法利用了质量和距离原理，使其能够以高精度自主聚类数据。在1000个数据集上的严格测试表明，Torque Clustering达到了97.7%的调整互信息（AMI）得分，远远超过了传统的无监督学习技术。

专家认为，该算法可以在推进通用人工智能方面发挥关键作用，尤其是在机器人和自主系统方面。随着其开源版本的发布，全世界的研究人员现在可以探索其应用，为人工智能开发的新时代奠定基础。

研究人员公布了一种突破性的人工智能算法，扭矩聚类，旨在在没有人为干预的情况下识别数据模式。最近发表在《IEEE模式分析与机器智能学报》（IEEE Transactions on Pattern Analysis and Machine Intelligence）上的一篇论文详细介绍了这一突破，它可能标志着朝着更自主的人工智能系统迈出了重要一步。

传统的人工智能依赖于预先标记的数据集的监督学习，而Torque Clustering使机器能够独立分析数据，模仿动物从周围环境中学习的方式。该算法通过揭示大量数据集中的隐藏结构，在医学、金融和天文学等多个领域展示了卓越的性能。

悉尼科技大学的林CT教授强调了现有人工智能模型的局限性，指出监督学习需要大量的人力投入，这既昂贵又耗时。“相比之下，无监督学习在没有标记数据的情况下工作，揭示了数据集中的内在结构和模式，”他说。

这项创新的灵感来自物理学，特别是引力相互作用中的扭矩概念。第一作者杨杰博士解释说，该方法利用了质量和距离原理，使其能够以高精度自主聚类数据。在1000个数据集上的严格测试表明，Torque Clustering达到了97.7%的调整互信息（AMI）得分，远远超过了传统的无监督学习技术。

专家认为，该算法可以在推进通用人工智能方面发挥关键作用，尤其是在机器人和自主系统方面。随着其开源版本的发布，全世界的研究人员现在可以探索其应用，为人工智能开发的新时代奠定基础。