本篇体育资讯由必赢官网整理:
新智元报道 在13类复杂的算法任务、26次独立运行中,一个全新的神经网络在隐藏测试集上全部达到了100%的准确率。
更不可思议的是,整个过程没有喂给它海量数据,甚至完全没有使用「反向传播」和「梯度下降」。
这个晶莹剔透、小巧至极的满分神经网络,是Claude Opus 5.
5,用代码一行一行直接「手写」出来的。
近日,微软研究院联合约翰斯·霍普金斯大学、哥伦比亚大学和纽约大学的团队,发表了新研究 「可解释权重空间编程(iWSP)」 。
这项研究证明:前沿大语言模型已经可以直接越过传统的优化器,依据固定的评测反馈,像外科医生一样精准构思计算逻辑,并用代码将算法直接写进Transformer的权重里。
不用反向传播,AI直接当起「钟表匠」 深度学习常被戏称为「炼丹」。
整个过程,就像一群盲人围着一台布满几亿个旋钮的巨大控制台,谁也看不见里面长什么样,只能凭机器偶尔发出的「报错声」,摸索着拧这个、转那个。
几万步迭代下来,机器居然真就正常运转了,某些任务甚至比人类自己还高,堪称「原地飞升」。
可你要是追问一句:哪个旋钮管逻辑?
哪个旋钮管记忆?
没人答得上来。
总之,效果拔群,原理不详——旋钮拧对了是玄学,拧错了是事故,中间隔着一整片无人能解释的黑箱。
在工程应用上,只要预测得准,这勉强可以接受。
但在脑科学、物理学等极其严肃的科学探索中,这个缺陷太致命。
正如研究团队所指出的核心痛点: 神经网络预测得很好,但很难被理解。
在以『解释』为终极目标的科学领域,这是一个严重的问题。
以神经科学为例,深度编码模型能够非常准确地预测大脑对自然刺激的反应,但它们却根本说不出,究竟是刺激中的「哪些特征」驱动了这些反应。
为了打破这个死局,微软团队提出了iWSP。
他们决定:不许用反向传播,直接让AI去设定那些旋钮。
在iWSP的框架中,Opus 5.
5化身为创世者。
它完全颠覆了传统的工作流: 纯粹的推理: 面对任务,系统不允许Opus进行任何基于梯度的训练。
每次迭代,智能体只能看到一个单一的验证分数(Validation score)。
手写权重: Opus必须调用它已有的先验知识,构思一套计算逻辑。
然后,它直接编写Python代码,显式地写出特征,将这套逻辑转化为具体的权重数字。
闭环迭代: Opus评估这些特征,重复利用已知的正确模块,并根据那个单一的分数反馈,不断修改代码。
平均每次跑39轮左右。
最终诞生的,是一个人类可以像阅读普通书籍一样,从头读到尾的「透明」Transformer。
它的每一个部分、每一行权重,都是AI「有意写就」。
反常识的真相 这项实验最让人拍案叫绝的,不仅是它成功让AI造出了AI,更在于它揭示了一个违背直觉的真相。
在传统的AI语境里,我们笃信「大力出奇迹」。
千亿参数只是起步,万亿参数才是未来。
大家都以为,神经网络越大越能干。
但这篇论文的数据,直接把这个常识反了过来。
在13类算法实验中,所有由AI「手搓」出来的模型,最终都在隐藏测试集上拿到了 100%的准确率 。
但当我们对比Anthropic家族不同级别的模型时,神奇的现象出现了: 同样把算法题写到全对,越强的AI,写出的网络越小。
相对基础的Haiku 5.
5 手写的网络,参数量中位数高达 100,000个 。
中等Sonnet 5.
5 需要的参数量中位数是 41,600个 。
当前最强的Claude 模型Opus 5.
5 ,它手写的网络参数中位数,只有极其夸张的 166个 !
建议大家把「166个参数」打在公屏上。
在这个动辄千亿、万亿参数的大模型时代,166个参数简直就像一颗微尘。
为什么会有这么离谱的差距?
日志记录了Opus的「心路历程」: Opus的策略是,先想办法写对,再一轮一轮地往小里删。
一开始,Opus为了保证逻辑能跑通,也会先写一个大概有3400个参数的网络。
在可见集拿到100%满分后,它开始疯狂精简代码。
它把冗余的计算剔除,把复杂的矩阵压缩,硬生生把平均3400个参数,删到了200个上下。
这就像是学霸和学渣的区别。
学渣(Haiku)不懂公式背后的原理,遇到不会的题就靠死记硬背,把所有可能的情况都塞进脑子,所以需要10万个参数的「大笔记本」。
而学霸(Opus)彻底看透了算法的本质,直接提炼出了最核心的计算规则,所以只需要166个参数的「一张小纸条」。
这个发现极其震撼。
它证明了:如果能找到真正正确的逻辑,解决复杂问题根本不需要堆砌。
从数学题到人类大脑,让科学免于「被糊弄」 你可能会问:费这么大劲,让AI手搓几个做数学题的极小模型,到底有什么用?
答案是: 为了真正的科学发现。
科学界目前正面临一个尴尬的困境。
拿神经科学来说,科学家为了搞懂人类大脑,会使用现成的深度学习黑盒模型来预测大脑的反应。
确实,模型预测得很准,但科学家傻眼
必赢官网将继续整理相关资讯。
让更多人看到这篇内容