一种新型的人工智能 (AI) 机器学习在 2021 年 2 月初举行的第 35 届 AAAI 人工智能会议上亮相。 麻省理工学院 (MIT) 和奥地利研究人员创建了一个新的神经网络，赋予了更多的流体人工智能被称为“液体”机器学习。这种新型机器学习可以更好地适应复杂现实世界问题的动态波动。
在数据流随时间变化的领域，开发可以快速学习的更灵活的人工智能是关键任务。具有时间序列数据的实际应用包括视频处理、流行病学、金融市场、经济学、国内生产总值 (GDP)、健康监测、天气预报、大气污染、自动驾驶汽车、机器人技术、航空和医学成像等一些。
流体智力与晶体智力的概念可以追溯到 1963 年，当时它是由 20 世纪最有影响力的心理学家之一雷蒙德·卡特尔 (Raymond Cattell) (1905-1998) 提出的。流体智力是灵活思考、推理和实时处理新信息的能力。相比之下，结晶智力是指从先前学习的事实、技能和经验中获得的知识。
流体智力(Fluid Intelligence)是一种以生理为基础的认知能力，如知觉、记忆、运算速度、推理能力等。流体智力是与晶体智力相对应的概念，流体智力随年龄的老化而减退。流体智力属于人类的基本能力，受先天遗传因素影响较大，受教育文化影响较少。流体智力的发展与年龄有密切的关系：一般人在20岁以后，流体智力的发展达到顶峰，30岁以后随着年龄的增长而降低。而晶体智力则并不随年龄的老化而减退，晶体智力主要指学会的技能、语言文字能力、判断力、联想力等。
“我们引入了一类新的时间连续循环神经网络模型，”该研究的作者写道。 Ramin Hasani 是计算机科学与人工智能实验室 (CSAIL) 的博士后，也是该研究的主要作者。该团队的其他研究人员包括麻省理工学院教授兼 CSAIL 主任 Daniela Rus、麻省理工学院博士生 Alexander Amini、奥地利科学技术研究所的 Mathias Lechner 和维也纳科技大学的 Radu Grosu。
当存在时间序列数据时，经常使用使用常微分方程 (ODE) 来确定连续时间隐藏状态的循环神经网络。研究人员团队着手改进这种结构，以“实现更丰富的表征学习和表达能力”。
研究人员写道：“我们不是通过隐式非线性来声明学习系统的动态，而是构建通过非线性互连门调制的线性一阶动态系统网络。”
作为替代方案，研究人员创建了一个液体时间常数 (LTC) 循环神经网络 (RNN)。这种新型循环神经网络的优势在于它在设计上更具表现力，因此本质上更透明和可解释。
这种表现力使研究人员能够更好地了解神经网络的一些“思考”过程，这一好处有助于揭开人工智能机器学习“黑匣子”的一些复杂认知的神秘面纱。
研究小组写道：“由此产生的模型代表了动态系统，其变化的(即液体)时间常数与其隐藏状态耦合，输出由数值微分方程求解器计算。” “这些神经网络表现出稳定和有界的行为，在神经常微分方程族中产生卓越的表现力，并提高了时间序列预测任务的性能。”
为了评估他们的新模型，该团队对他们的液体时间约束递归神经网络进行了大量实验。实验包括训练分类器从运动数据中识别手势，从传感器数据流(温度、二氧化碳水平、湿度和其他传感器)预测房间占用，以及从智能手机数据识别人类活动(例如，站立、行走和坐着)。其他测试包括顺序 MNIST、运动动力学建模以及交通预测、每小时家庭用电量、臭氧浓度水平和更多类型的人类活动。
与其他循环神经网络模型(LSTM、CT-RNN、Neural ODE 和 CT-GRU)相比，研究人员观察到，在关于时间序列预测的七项实验中有四项改进了 5% 到 70%。
人工智能正在跨行业和许多功能迅速扩展。 AI 机器学习变得越灵活、流畅和透明，未来提高 AI 安全性和性能的潜力就越大。
