文/哭泣的便当

人工神经网络是人工智能深度学习算法的基础结构，它大致模仿了人脑的物理结构。 激昂的抽屉在向神经网络提供训练样本时，通过人工神经元层执行它，并调整内部参数，以便能将具有相似属性的未来数据分类。 举个简单的例子，如果利用猫和狗的样本图像来训练神经网络，就可以告诉大家新图像中是否含有猫和狗。

但是神经网络太依赖数据了，导致了神经网络的错误。 有些错误对人类来说完全不合逻辑，似乎很愚蠢。 可以说，人工智能离人工智能障碍还有一步之遥。 例如，2018年英国大都会警察局用于检测和标记虐待儿童的照片的人工智能软件，将沙丘的照片错误地标记为裸体。

前几天，招致恐怖的丰巢智能快递箱的擦脸功能被小学生解读了。 有些小学生只需要打印照片就能刷人类的脸。 欺骗“人工智能”快递箱，取出父母的包裹是典型的人工智能操作。 顺便说一下，由于目前人工智能的技术局限，人工智能行为频繁出现，也引起了学术界的研究与开发。

人工智能神经网络预测或响应系统中的混沌状态，使其能够脱离人工智能障碍的定型行为，对于改善无人自动驾驶等人工智能应用具有重要意义。

最近，北卡罗莱纳州立大学非线性人工智能实验室的科学家发现，通过物理教学神经网络，这些网络可以很好地适应环境中的混乱，改善人工智能从医疗诊断到无人自动驾驶的应用。 那个研究的论文成果发表在了《物理评论E》上。

研究人员将物理学中的留胡子酸奶函数引入到人工智能神经网络中，可以更好地“看到”系统的混乱，并相应地进行调整。 留胡子酸奶的函数表示物理系动作的完整信息，即存在的所有能量、动能和势能的总量。

例如，它就像一个随着时间在空间里穿梭的钟摆。 光是观察应该摆动的瞬间的动作，就不能告诉钟摆摆动的位置在弧度的哪里，或者下一步在哪里。 普通的神经网络通过这样排列的快照进行操作。 但是，如果熟悉蓄胡子的酸奶矢量场的神经网络，就能全面了解摆在哪里、摆在哪里、或者有可能摆在那里，以及摆在那里的能量等整个运动。

研究人员认为，留胡子的酸奶量实际上是赋予神经网络学习秩序和混乱能力的“特殊调味料”或“聪明药”。 如果有留胡子的酸奶的量，神经网络就可以用普通网络无法认知的方法来理解潜在的动力学。 这是迈向现代物理学神经网络的第一步，也有助于解决人工智能的更多难题。