当我们利用AI翻译文章，看智能推荐的视频时，你是否会好奇这些能读懂世界的人工智能，是如何学会这些技能的？
“人工智能学习过程，其实和人类做决策有很多相似之处。”日前，西湖大学理学院、交叉科学中心汤超团队发表在PNAS《美国国家科学院院刊》上的一项科研成果，从统计物理学的视角解释了人工智能学习的一大“特性”。
AI掌握一项技能的关键核心，是一种名为“神经网络”的系统。它凭借模仿人类大脑结构的设计，已能处理复杂的机器学习任务。然而，神经网络如何学习，长期以来如同一个“黑箱”。我们知道给它输入什么、能得到什么结果，却不清楚其内部参数在训练过程中具体如何变化、知识如何积累。这个“学习过程”恰恰是AI从“无知”到“精通”的核心。
文章第一作者、西湖大学汤超团队博士后张昕亚解释，就像年轻人求职时，既要广泛投递简历、探索各种可能性，又要考虑自身能力、行业前景等现实约束。神经网络在“学习”时也面临着同样的权衡：既要在庞大的空间中随机探索，找到更优的参数配置，又要受任务目标约束，不能偏离学习方向。
“好比登山，探险家可以自由选择登上的路线，但不能偏离最终方向。”文章第一作者张昕亚比喻道。当这两种力量达到一种平衡时，会让神经网络的参数更新既不会盲目探索，也不会陷入局部最优解无法自拔。
通过一系列系统性实验和多种神经网络模型测试，研究团队发现，AI的学习并非平滑推进，而是以“突发式跃迁”为主导；也不是杂乱无章的参数调整，而是遵循明确规律的自组织过程，这为未来设计更具解释性的AI系统提供了理论基础。
或许，未来可以根据这一规律，让AI在“探索”与“聚焦”间达到更优平衡。而基于这一机制设计的AI，可能会变得更聪明、更有逻辑，在训练效率和决策可靠性上实现双重提升。
“人工智能的飞速发展和巨大成功带来了许多深刻的科学问题。”汤超说。当一把把打开AI“黑箱”的钥匙被发现，或许，我们可以期待下一个更可靠、更透明、更智能的AI时代的到来。（记者 林辰辰 通讯员 张弛）
