盖世汽车讯 对于依赖解读现实世界数据的AI工具而言，速度和准确性都至关重要。据外媒报道，萨斯喀彻温大学（University of Saskatchewan，USask）的研究人员开发了一种工具，旨在提升AI在现实世界中的运行速度和效率，其应用范围涵盖医疗程序到自动驾驶汽车等领域。

图片来源：萨斯喀彻温大学

“AI模型能够更快、更准确地做出决策至关重要，”论文作者之一、萨斯喀彻温大学理学硕士毕业生Tzu-Ling Liu表示，“试想一下，你的自动驾驶汽车可以在0.1秒内识别并检测到危险，而我们的模型可以在更短的时间内决定停车。你会选择哪辆车？”

相关论文由Liu及其合作者——萨斯喀彻温大学计算机科学系主任Ian Stavness, 博士和该系助理教授Mrigank Rochan博士共同撰写。

利用目前的模型，当人工智能通过视频数据识别动作时，如果其训练环境不同，则可能难以识别该动作。例如，一个训练用于识别在阳光明媚的街道上跑步的人的人工智能，在识别在阴暗多雨的公园里跑步的人时，就很难做到这一点。

人工智能模型在一种环境下训练后，在另一种环境下却难以有效运行，这种现象被称为“领域迁移”。

萨斯喀彻温大学的研究团队开发了一种名为“可学习的运动聚焦标记化”（LMFT）的系统，该系统如同一个数字过滤器，用于训练人工智能模型。它能够去除不重要的背景信息，使模型能够专注于正在发生的动作并从中学习。

“背景信息会干扰人工智能识别动作的能力，所以想象一下，如果你能移除那些无用的背景信息，那该有多好，”Liu说道。

由于LMFT方法还能去除AI模型不再需要处理的额外信息，因此可以提高AI分析的速度和效率，以及准确性。

Rochan指出，获取尖端AI的最大障碍之一是其所需的强大计算能力，这使得普通人和小型组织难以拥有和运行高端AI模型。

LMFT方法的简化可以降低AI模型运行所需的处理能力，并使更多本地AI开发成为可能，而无需依赖庞大的电力和数据中心。

“我们希望开发出既高效又有效的AI解决方案，能够适用于各种部署场景，”Rochan说道。“如果我们能开发出计算密集度较低的模型，我们就可以将其构建并部署在本地。”

“这对我们的实验室和大学来说都是一项巨大的成就，”Rochan说道。“我们正在做一些有意义的事情，人工智能研究界也认可这项工作对我们今天开发的AI模型所带来的影响。”