麻省理工学院的研究人员开发了一种新的“液态”神经网络，该网络更能适应新信息

通常，在训练阶段之后，在此阶段中，向神经网络算法提供了大量相关的目标数据以磨练其推理能力，并奖励正确的响应以优化性能，因此它们基本上是固定的。但是，哈萨尼（Hasani）的团队开发了一种方法，通过这种方法，他的“液体”神经网络可以随着时间的流逝而适应新信息，以适应“成功”的参数，这意味着，如果要在自动驾驶汽车上感知的神经网络来自晴朗的天空例如，在大雪中，它能够更好地应对情况的变化并保持较高的性能。

Hasani和他的合作者介绍的方法的主要区别在于，它侧重于时间序列的适应性，这意味着与其建立在训练数据上，该训练数据基本上由许多快照或时间上固定的静态时刻组成，流动网络固有地考虑时间序列数据-或图像序列，而不是孤立的片段。

由于系统的设计方式，与传统的神经网络相比，它实际上也更便于研究人员进行观察和研究。这种AI通常称为“黑匣子”，因为尽管开发算法的人员知道确定和鼓励成功行为的输入和准则，但他们通常无法确定神经网络中到底发生了什么。导致成功。这种“流动”模型在那里提供了更高的透明度，并且在计算方面的成本更低，因为它依赖于更少但更复杂的计算节点。

同时，性能结果表明，在预测已知数据集的未来价值方面，其准确性要优于其他替代方法。 Hasani和他的团队的下一步是确定如何最好地使系统变得更好，并准备将其用于实际的实际应用中。