为什么 AI 研究人员转向大自然寻找灵感

快速阅读: 据《ITProPortal》称，受自然启发的人工智能技术正快速发展，模仿生物系统以提高效率和适应性。从神经形态计算到进化算法，AI借鉴自然原理以解决复杂问题，但也需平衡灵感与安全性，确保系统符合人类需求和价值观。

在人工智能（AI）不断变化的格局中，研究人员正越来越多地从自然中汲取灵感，以克服技术挑战并拓展机器所能实现的极限。受自然启发的技术也在不断发展。根据生物模拟创新实验室与纳达图尔集团联合开展的研究显示，自2010年以来，受自然启发的创新专利增加了171%。作者彼得·J·贝内特的研究工作是一个很好的例子；他研究了数字系统如何复制人类智能。通过对自然系统的研究，科学家们正在发现开发更高效、更具适应性和能够解决复杂问题的计算系统的新方法。例如，正在研究人类大脑中复杂的神经网络，以开发新的神经网络和AI系统。伦敦大学学院的研究人员模仿了蜜蜂的集体行为，以指导3D打印无人机活动，谢菲尔德大学的类似工作也进入了潜在的送货无人机领域。同时，蚁群优化算法复制了这些昆虫的合作行为，以类似于代理AI的方式优化计算。

这一趋势源于越来越多的认识到，传统AI模型面临的许多挑战——如效率、适应性和韧性——已经在自然系统中通过数百万年的进化得到了解决。例如，自然选择导致了高度高效的信息处理、资源优化和适应变化环境的系统。通过模仿这些系统，AI研究人员希望创造更加创新、可持续和可靠的科技。自然界中的去中心化和集体智能模型，如观察到的昆虫群体或植物根系，为AI的发展提供了新的范例。这些系统没有中央控制器，展示了集中式AI模型通常缺乏的稳健性和灵活性。这种视角的变化鼓励研究人员从单一的AI模型转向更模块化和适应性强的系统，能够有效地管理现实世界的复杂性。

自然界一直以来都是创新的蓝图，而最近AI的进步正在将这种灵感提升到新的高度。从集群智能到神经形态计算，受自然启发的方法正在改变AI的未来。获取每日ITPro新闻通讯，今天注册，您将免费获得我们《未来聚焦2025》报告的副本——根据700多位高级管理人员的指导，这是关于AI、网络安全和其他IT挑战的领先指南。联系我以获取来自其他Future品牌或赞助商的新闻和优惠。

“在我的脑海中，AI一直从自然界汲取灵感，无论是模仿大脑的神经网络，还是受自然选择启发的进化算法，”The Find Your Flex Group首席执行官陈尼·汉密尔顿评论道。“随着AI研究的发展，我们看到超越传统模型的趋势，集群智能、神经形态计算和去中心化决策的思想正在塑造人工智能的未来。”

集群智能借鉴了蚂蚁、蜜蜂和鸟类等社会昆虫的行为，展示了简单代理遵循基本规则如何能创造出解决复杂问题的精妙方案。Opteran研究副总裁迈克·马甘指出：“受集群启发的系统提供了一种维持多样化解决方案并应对不可预见情景的鲁棒性手段。”他强调了蜜蜂如何使用民主投票做出关键决策，这一自然原则可以增强自动驾驶机器人集群的决策算法。星鸦群舞是动物群体合作以实现有益结果的一个例子。

Pegasystems首席AI科学家彼得·范德普滕也强调了集群智能的巨大潜力：“AI中存在多种集体智能方法，其中较小、较简单的系统相互作用以解决问题或展示更复杂的高级行为。”范德普滕指出，将生成式AI融入多代理系统中，将AI从被动工具转变为能够理解问题、执行计划并适应变化环境的主动代理。

一个展示将受自然启发的原则与AI开发相结合的雄心勃勃的倡议是英国的先进研究与发明机构（ARIA）。这个被英国政府描述为执行机构的非部门公共机构，旨在通过其‘自然计算更好’项目利用自然计算原理革新计算机信息处理方式。“从解开单细胞生物自然计算基础到展示商业上可行的概率处理器，我们正在资助一系列项目，每个项目最高可达50万英镑，涵盖各个研究团队、大学和初创企业，以最大化突破的机会，”ARIA在其网站上解释道。该项目强调了研究自然过程（如粘液霉菌的行为和植物根系的效率）以开发不仅强大而且节能且有韧性的AI系统的潜力。

从人性中寻找高效计算旨在复制人类大脑信息处理效率的神经形态计算是另一个自然启发原则证明革命性的重要领域。IBM的TrueNorth和英特尔的Loihi芯片展示了受自然启发的AI如何提高处理效率。这些神经形态芯片通过利用尖峰神经网络模仿生物大脑的结构来处理信息。这种受大脑启发的方法提供了显著的能量效率和处理速度优势，使这些芯片成为边缘计算和低功耗AI应用的理想选择。随着研究人员不断推进这项技术，脑状AI系统学习和适应最小能耗变得越来越可行。

“神经形态处理器近年来确实取得了长足进步，计算集群现在包含数十亿个单独尖峰的神经元，”马甘说道。然而，他警告说，尽管这项技术前景广阔，但它仍处于早期阶段，面临着实际达到大脑般效率的挑战。Version 1的CTO布拉德·马莱德补充说，神经形态计算具有巨大潜力，“最大的问题是实时处理能力和可扩展所需的内存引用时间。”他指出，尽管当前系统可能更适合边缘AI和小型模型，但在神经形态系统成为主流之前，硬件微型化和平行软件开发的进步是必要的。

“神经形态处理器近年来确实取得了长足进步，计算集群现在包含数十亿个单独尖峰的神经元，”马甘说道。然而，他警告说，尽管这项技术前景广阔，但它仍处于早期阶段，面临着实际达到大脑般效率的挑战。

进化算法受达尔文进化论的启发，进化算法使用自然选择的原则在世代中演化解决方案。这些算法在优化问题和AI训练中发挥了重要作用。“所有主要AI模型采用的方法本质上是进化的，”Version 1的马莱德告诉ITPro。“AI正在设计自己的神经网络，无需人工干预就能让模型更高效，并通过自我学习的AI模型进行开发和适应，而不需要持续重新训练。”

进化算法范德普滕对此表示赞同，指出基因编程和进化算法可以在生成式AI、合成数据生成以及新AI架构的设计中发挥作用。但尽管自然界提供了强大的设计原则，它也带来了固有的局限性。正如汉密尔顿所指出的那样，进化是缓慢、混乱且充满妥协的。虽然生物系统具有适应性和效率，但它们往往缺乏高级AI应用所需的精确性和可扩展性。

随着AI系统变得更加自主和去中心化，伦理问题也会出现。“当去中心化的AI做出没有人理解的决定时，谁负责？”汉密尔顿问道。她强调保持人类监督、责任追究和透明度的重要性，以防止AI采纳自然界的不良特性，如不可预测性和竞争性。

AI的未来可能涉及一种混合方法，融合受自然启发设计中最有效的元素与合成技术的优势。通过从自然的效率和适应性中汲取灵感，结合人类工程创新，AI研究人员可以创造更创新、安全和可扩展的系统。自然界依然是AI研究的重要灵感之源，提供了复杂问题的解决方案，而不仅仅是计算能力。然而，随着研究人员探索自然界以获得见解，平衡这种灵感与谨慎十分重要。他们必须确保AI系统保持安全、可预测且符合人类价值观。

(以上内容均由Ai生成)