密苏里科技大学的一位研究人员表示，将受蚁群和鸟群启发的思路结合起来，可能是实现更有效人工智能的关键。“以目前人工智能算法的结构方式，它们有时会停留在一个看起来足够好的答案上，还没找到可能更好的答案就停止了搜索，”密苏里科技大学库默人工智能与自主系统中心主任唐纳德·文施博士说。“重要的是，我们要找到方法帮助这些算法继续搜索，而不是让它们太早就停下来。当人工智能被用于影响人们健康、安全或生活成本的领域时，够好和更好之间的差别可能会带来很大的影响。”

订阅我们的资讯邮件，获取最新科技新闻更新。

文施同时也是密苏里科技大学电气与计算机工程系的玛丽·K·芬利密苏里杰出教授。他说，这一挑战促使他与加拿大布兰登大学的阿什拉夫·M·阿卜杜勒巴博士将两种已有的仿自然计算技术结合起来，希望能开发出一种解决这一问题的算法。

其中一种方法被称为蚁群优化，灵感来自蚂蚁集体寻找通往食物最短路线的办法。另一种方法称为粒子群优化，灵感来自鸟群和其他群体分享信息、并根据成功邻居来调整自己行为的方式。

“每种方法都有自己的优势，”Wunsch说。“我们的想法是把它们结合起来，让搜索能继续探索那些有潜力的方向。”

Wunsch 和 Abdelbar 在《Memetic Computing》期刊上发表了他们的研究结果。

跟传统的蚁群优化算法比起来，研究人员这种结合的方法在涉及神经网络——一种能通过学习来识别数据规律的人工智能模型——的65项测试中表现得更好，在63项涉及多达30,000个变量的复杂数学优化测试中，也有47项胜出。

“即使在处理高度复杂的计算问题时，灵感有时候就来自于观察大自然，”Wunsch说。“目前的结果让我们很受鼓舞，随着AI系统接手越来越复杂和重要的任务，我们也很期待把这项研究继续做下去。”