详细内容或原文请订阅后点击阅览
构建神经网络的新方法可以使人工智能更易于理解
对人工神经元在神经网络中的工作方式进行调整可以使人工智能更容易被解读。人工神经元——深度神经网络的基本组成部分——几十年来几乎没有变化。虽然这些网络赋予了现代人工智能力量，但它们也是难以捉摸的。现有的人工神经元，用于 GPT4 等大型语言模型，工作方式……
来源:MIT Technology Review _人工智能由麻省理工学院研究人员领导的小组进行了详细研究的简化，可以使更容易理解为什么神经网络产生某些输出，帮助验证其决策，甚至探究偏见。初步证据还表明，随着堪萨斯州变得更大，其准确性比由传统神经元构建的网络更快。
“这很有趣，”安德鲁·威尔逊（Andrew Wilson）说，他在纽约大学学习机器学习的基础。 “人们试图从根本上重新考虑这些[网络]的设计真是太好了。”
Andrew Wilson 实际上是在1990年代提出的基本要素，研究人员一直在构建此类网络的简单版本。但是，由麻省理工学院领导的团队进一步提出了这一想法，展示了如何建立和训练更大的堪萨斯州，对他们进行经验测试，并分析一些kans，以证明人类如何解释他们的问题解决能力。 “我们振兴了这个想法，” Max Tegmark在麻省理工学院实验室的博士生Ziming Liu说。 “并且希望有了可以解释性……我们（可能]不再[必须]认为神经网络是黑匣子。” ziming liu 虽然还很早，但团队在堪萨斯州的工作引起了人们的关注。 GitHub页面已经浮出水面，该页面显示了如何将kans用于众多应用，例如图像识别和解决流体动力学问题。 github页面 找到公式 当前的进步是在麻省理工学院，加州理工学院和其他机构的Liu及其同事试图理解标准人工神经网络的内部运作时。Andrew Wilson
实际上是在1990年代提出的基本要素，研究人员一直在构建此类网络的简单版本。但是，由麻省理工学院领导的团队进一步提出了这一想法，展示了如何建立和训练更大的堪萨斯州，对他们进行经验测试，并分析一些kans，以证明人类如何解释他们的问题解决能力。 “我们振兴了这个想法，” Max Tegmark在麻省理工学院实验室的博士生Ziming Liu说。 “并且希望有了可以解释性……我们（可能]不再[必须]认为神经网络是黑匣子。”ziming liu
虽然还很早，但团队在堪萨斯州的工作引起了人们的关注。 GitHub页面已经浮出水面，该页面显示了如何将kans用于众多应用，例如图像识别和解决流体动力学问题。github页面
找到公式当前的进步是在麻省理工学院，加州理工学院和其他机构的Liu及其同事试图理解标准人工神经网络的内部运作时。