自2023年以來，研究人員一直使用ai神經網路來幫助設計更好更快的ai神經網路。
優化後的ai速度更快，精準度更高。而這個新演算法的出現將助力優化後的ai廣泛應用於影象識別演算法和其他相關應用。
mit電子工程和電腦科學的助教song han表示：「我們團隊在模型大小、推理延遲、準確性和模型容量等多個方面做出了權衡。」他還補充說：「這些因素組成了乙個巨大的設計空間。以前，人們都在設計基於人類啟發的神經網路。而新演算法試圖將這種勞動密集型的、基於人類啟發的方式轉變為乙個基於學習的、基於ai的設計方式。就像ai可以學習下棋一樣，ai也可以學習設計乙個神經網路。」
就像在圍棋和西洋棋中獲勝的ai程式教給大師們新策略一樣，ai優化ai這一新的探索為設計ai神經網路提供了全新的方法。此類神經網路被稱為卷積神經網路(cnn)，mit團隊研究的新演算法促進了這種神經網路的發展。cnn通常作為影象識別程式的神經網路。除此之外，它在自然語言處理和藥物發現等領域也有所應用。
mit的han指出，一旦他們團隊的演算法建立起最優的cnn，得到系統分類影象的速度很可能是其他神經架構搜尋構建的ai的1.8倍。
han說，團隊能夠以如此驚人的速度精確定位最優的cnn設計，有三個重要的想法：
第二、從已丟棄的神經網路搜尋中刪除整個路徑，這明顯加快了神經網路搜尋的速度。
第三、讓神經網路搜尋意識到ai系統可能正在執行的硬體的延遲時間——無論是cpu還是gpu加速的移動平台系統。
han說，令人驚訝的是，關於一些影象識別神經網路的傳統觀點是錯誤的。在某種意義上，ai網路設計師在設計主要執行在gpu系統上的網路時，他們的想法仍然停留在cpu時代。
cnn在其影象識別演算法中使用過濾器，這些演算法是由3×3、5×5或7×7畫素組成的正方形網格。一般來說，7x7的過濾器很少見，因為人們認為，執行更多的3x3過濾器比執行單個7x7過濾器更快。
然而，han說，經過ai優化的ai使用了相當數量的7x7過濾器。他還表示，這是當今大多數ai計算中gpu佔主導地位的原因。「目前，我們已經發現gpu上執行7x7更簡單，因為gpu有很大的並行度，」han補充道，「而且呼叫乙個大型核心比呼叫幾個小型核心更有效。」
在談到他的團隊的演算法時，han說：「它為人類工程師未來設計神經網路提供了良好的反饋。」然而，這並不意味著ai能夠構建更強大的版本。
ai前世識別 AI的前世今生
最近跟朋友聊天，他身邊的人似乎都認為，人工智慧當下還只是處於乙個萌芽的階段，最多是下圍棋比較厲害，真的要改變他們的生活，還很遙遠。他們不會想到 接踵而來的智慧型新時代產物，已經能夠徹底實現傳統工業生產裝置 辦公 營銷等應用的全面智慧型公升級，以及實現組織創新 個體崛起和智慧型管理。那麼，你了解ai的...
ai前世識別 AI 的前世與今生
最近跟朋友聊天，他身邊的人似乎都認為，人工智慧當下還只是處於乙個萌芽的階段，最多是下圍棋比較厲害，真的要改變他們的生活，還很遙遠。他們不會想到 接踵而來的智慧型新時代產物，已經能夠徹底實現傳統工業生產裝置 辦公 營銷等應用的全面智慧型公升級，以及實現組織創新 個體崛起和智慧型管理。那麼，你了解ai的...
遊戲AI 個體AI角色的操控行為 1
1.靠近 建立乙個類steeringforseek繼承steering，將目標物體拖入target，我們的ai就會自動向target靠近。重寫其中的force方法 在vehicle中會遍歷所有的steering的子類，我們實現的靠近類重寫的force就會被加入vehicle的力中來實現物體的移動 p...