人工神經網絡(Artificial Neural Networks；ANN)是人工智能(AI)革命的核心，正在形塑社會與科技的各層面發展。然而，目前ANN仍遠不足以處理非常復雜的問題。近日由數間國際知名大學所組成的研究團隊便針對此問題，研發出革命性的訓練方法，可大幅提升訓練AI算法的速度，最終可望打造出接近人腦規模的ANN。

據報導，由荷蘭恩荷芬理工大學(Eindhoven University of Technology)、美國德州大學奧斯丁分校(University of Texas at Austin)與英國德比大學(University of Derby)科學家所組成的研究團隊，于《Nature Communications》期刊發表新AI訓練方法：稀疏式進化訓練(Sparse Evolutionary Training；SET)。

SET的靈感來自生物網絡以及特定神經網絡，而這些特定神經網絡之所以運行效率高有三個特征，包括網絡連接性相對較低、神經中樞稀少以及路徑短。

研究團隊指出，常見的AI訓練是采用完全連結的人工神經網絡，不過新訓練方法則隨機從稀疏的網絡著手，不斷演進至無尺度網絡(scale-free network)，在過程中較弱的連結會被消除，并隨機增加新連結，近似于被稱為突觸萎縮(synaptic shrinking)的生物過程。

透過SET，一般計算機也能獲得全面的AI能力，而超級計算機更可望于1~2年內打造出遠超越今日規模的ANN。目前最新款超級計算機在處理1,600萬個神經元網絡(約為青蛙大腦規模)就已相當吃力，而一臺功能強大的桌上型計算機要訓練僅10萬個神經元網絡，就需要耗費十幾天的時間。

此新訓練方式能大幅提升AI算法的速度，使AI技術可用于解決當前棘手的問題。在智能電網與社會系統等復雜快速變動的環境中，需要非常頻繁地重復訓練ANN，因此在不影響準確度之下提高學習速度顯得至關重要。

此外，由于這類的訓練可在有限的運算資源之下達成，對于連接至大型系統的分散式裝置嵌入式智能系統，SET訓練方法可望成為首選。

具體而言，透過SET任何使用者都能透過自身筆記本電腦打造神經元達到100萬規模的ANN，但過去只有昂貴的云端運算系統才有辦法透過先進訓練方法達到此規模。

目前最新超級計算機所打造出的最大型ANN，規模等同于青蛙大腦(約1,600萬神經元)。未來在部分技術挑戰被克服后，則可望藉由SET在同款超級計算機上打造出接近人腦規模(約800億個神經元)的ANN。

該研究主要作者Decebal Mocanu表示，目前確實需要規模如此龐大的神經網絡。舉例而言，以ANN檢測癌癥有很好的成效。這代表透過SET，可望提升醫療照護質量，并使個人化醫療變得更為平價。