分形模式揭示 AI 可预测性的隐藏极限
悉尼大学的研究人员发现，AI 训练存在内在的可预测性极限：即便数据、流程和确定性计算完全相同，初始条件的微小差异也会让训练走向不同的结果。团队训练了约 50 万个神经网络，发现初始设置构成“分形交错吸引盆地”；把某个设置改动一个比特，就会在约 48% 的情况下让训练走向不同的配置。值得关注的是，这表明 AI 训练的不可预测性无法完全靠工程手段消除——用同样方法训练的两个癌症检测 AI 仍可能走向不同的终点。
报道来源
- Hacker News (AI)2026-11-06 06:42