真正自主的人工智能即将到来！研究人员开发了一种名为Torque Clustering的新型AI算法，它比现有方法更接近自然智能。这一算法显著提升了AI系统在无需人工干预的情况下，独立学习和发现数据模式的能力。
Torque Clustering能够高效、自主地分析生物学、化学、天文学、心理学、金融和医学等领域的大规模数据，从而揭示出全新的见解。例如，它可以用于检测疾病模式、揭露欺诈行为，甚至理解人类行为。
悉尼科技大学的杰出教授CT Lin表示：“在自然界中，动物通过观察、探索和与周围环境互动来学习，而不需要明确的指示。下一代人工智能——‘无监督学习’，正是试图模仿这种自然的学习方式。”
他进一步解释道：“目前，几乎所有AI技术都依赖于‘监督学习’，这种方法需要人类使用预定义的类别或标签来标记大量数据，以便AI能够进行预测和发现关系。然而，监督学习存在许多局限性：标记数据不仅成本高、耗时长，而且在处理复杂或大规模任务时往往不切实际。相比之下，无监督学习不需要标记数据，能够直接揭示数据集中的固有结构和模式。”
一篇详细介绍Torque Clustering方法的论文，刚刚发表在人工智能领域的顶级期刊《IEEE模式分析与机器智能学报》上。该算法通过快速查找质量和距离峰值来实现自主聚类，表现优于传统的无监督学习方法，具有潜在的范式转变意义。它完全自主、无需参数调整，并且能够以极高的计算效率处理大型数据集。
该算法已经在1,000个不同的数据集上进行了严格测试，其平均调整互信息（AMI）得分高达97.7%，而其他最先进的方法通常只能达到80%左右的得分。
论文的第一作者杨杰（音）博士表示：“Torque Clustering的独特之处在于，它基于扭矩的物理概念，能够自主识别聚类，并轻松适应各种形状、密度和噪声程度不同的数据类型。它的灵感来源于星系合并时引力相互作用中的扭矩平衡，基于宇宙的两个基本属性：质量和距离。这种与物理学的联系为该方法增添了一层深刻的科学意义。”
他还补充道：“去年的诺贝尔物理学奖颁给了利用人工神经网络实现监督机器学习的基础性发现。而受扭矩原理启发的无监督机器学习，有可能产生类似的影响力。”
Torque Clustering不仅能够优化运动、控制和决策，还为通用人工智能的发展提供了支持，特别是在机器人和自主系统领域。它将重新定义无监督学习的格局，为真正自主的人工智能铺平道路。目前，该算法的开源代码已向研究人员开放。
