科学家为人工智能打造“元素周期表”

埃默里大学物理学家团队受物理学思维方式启发，跳出传统机器学习只追求准确率的思路，转而追问‘AI为何有效’。他们发现，当前许多成功的AI方法本质都遵循同一核心思想：有选择地压缩多源数据——只保留真正能预测目标结果的关键信息，舍弃其余冗余内容。基于此，团队构建了‘变分多变量信息瓶颈框架’（VIBF），为AI建模提供统一数学基础。该框架像一个可调节的‘旋钮’，让用户明确设定：对特定任务而言，哪些信息必须保留、哪些可以丢弃。它不从零开始设计损失函数（即衡量预测误差的数学公式），而是系统化生成适配问题的定制化损失函数。实践中，该框架能帮助开发者预判算法效果、估算所需训练数据量、识别潜在失败点，并有望催生更高效、更可信的新AI方法。团队已用数十种现有AI方法验证框架有效性，证实其能减少冗余特征、降低算力消耗与碳足迹；未来还将拓展至脑科学等领域，探索机器学习模型与人脑信息处理机制的共性。