從自動駕駛到智能醫療，從金融分析到教育輔助，人工智能（AI）的應用已廣泛滲透到日常生活的各個領域，并逐漸成為推動社會進步與產業升級的關鍵力量。然而，在AI技術日新月異的背后，AI模型在持續學習能力上的不足也逐漸成為制約其進一步發展和應用的瓶頸。

　　AI模型的“學習困境”

　　當前，主流的AI模型大多基于神經網絡架構，這些網絡模仿了人腦神經元的工作方式，通過大量數據的訓練來優化自身性能。然而，一個不容忽視的事實是，這些模型在初次訓練完成后，其學習能力便相對固化，難以像人類大腦那樣具備持續的自我學習和進化能力。這意味著，每當面對新的數據環境或需求變化時，科技公司不得不投入巨額資金，重新訓練整個模型。

　　加拿大阿爾伯塔大學Shibhansh Dohare團隊的一項研究發現，許多AI模型在經歷多次重訓后，會遭遇“神經元死亡”現象，即大量神經元陷入零值狀態，失去學習能力。“如果把它比作你的大腦，那就像是90％的神經元都死了。” Dohare說，“剩下的不足以讓你學習。”這一發現不僅限于圖像識別領域，還廣泛存在于自然語言處理、強化學習等多個AI應用領域，凸顯了AI模型在持續學習能力上的普遍困境。

　　企業面臨的雙重挑戰

　　對于科技企業而言，AI模型學習能力的受限無疑帶來了雙重挑戰。首先，隨著數據量的爆發式增長和市場需求的快速變化，企業需要不斷更新AI模型以保持競爭力。

　　以零售行業為例，消費者的購物偏好和購買行為數據正以前所未有的速度累積。為了精準捕捉這些變化，并為用戶提供更加個性化的購物體驗，電商平臺不得不持續優化其基于AI的推薦系統。這意味著它們需要定期調整模型參數，引入新的算法和數據源，以確保推薦內容既符合用戶的即時需求，又具備前瞻性和創新性。

　　而在智能制造領域，AI模型在生產線質量控制方面的應用同樣面臨著持續更新的需求。隨著生產規模的持續擴大和產品復雜度的不斷提升，生產線上的數據量急劇增加。為了維持產品質量的高度一致性和穩定性，企業需要根據生產環境的變化靈活調整AI模型的監控范圍和預測精度。這不僅要求企業具備強大的數據處理能力，還需要在AI模型的迭代升級上保持高效和靈活。

　　然而，重新訓練模型不僅成本高昂，還耗時費力，特別是在處理大規模數據集時更是如此。此外，在快速迭代的商業環境中，時間成本同樣不容忽視。若企業無法及時響應市場變化，更新AI模型，可能會錯失寶貴的市場機遇，甚至被競爭對手超越。

　　因此，如何在保證模型精度的同時提高模型的更新效率并降低成本，成為科技行業亟待解決的難題。

　　如何提升AI模型“學習能力”？

　　面對AI模型在學習能力上的瓶頸，科研人員正積極尋求解決方案。其中，Dohare團隊的研究提出了一種新的算法，該算法在每個訓練輪次后隨機激活一些“死亡”的神經元，從而恢復其學習能力。這種算法雖然初步顯示了有效性，但還需要在更大的系統中進行進一步測試和優化。牛津大學的Mark van der Wilk表示，該算法看起來很有前景，但還需要在更大的系統中進行測試。

　　“AI模型持續學習的解決方案簡直是一個價值數十億美元的問題。”他說，“一個真正的、全面的解決方案將允許你不斷更新模型，從而顯著降低訓練這些模型的成本。”

　　此外，模塊化設計和增量學習也被視為提升AI模型持續學習能力的有效策略。模塊化設計通過將AI模型拆分為多個獨立模塊，實現了任務處理的靈活性和高效性。當面對新數據時，企業只需更新相關模塊即可，無須對整個模型進行重訓。而增量學習技術則允許模型在保留舊知識的基礎上學習新知識，實現了知識的累積與傳承。

　　更為長遠的是，科技企業之間的合作與共享將成為推動AI技術持續發展的關鍵力量。通過構建開放的生態系統，企業可以共享數據、算法和模型資源，降低研發成本，加速技術創新。同時，這種合作模式也有助于形成統一的標準和規范，推動AI技術的普及和應用。（吳雙）

　　 轉自：人民郵電報