开放世界中元特征牵引下的量子学习与本质认知

人工智能在封闭世界问题中已取得显著进展，能够通过训练与分类准确识别旧知识。然而，AI 在开放世界问题中面临重大挑战，因为这涉及一段崭新且未知的探寻历程。AI 并非天生主动探索，其挑战在于不知如何接近并适应未知世界。人类如何获取未知世界的知识？人类通过内在认知识别新知识。在识别新颜色的过程中，认知线索不同于已知颜色特征，并涉及色相、饱和度、亮度等特征。当 AI 在新世界中遇到具有不同特征的物体时，它面临另一挑战：新物体与旧物体中具有影响力的特征之间的区分特征在何处？AI 常将新世界的棕熊误认为已知的狗，因为它未学习到知识系统间特征分布的差异。这是因为新旧世界中的事物其特征具有不同的单位与维度。本文提出一种开放世界模型与要素特征系统，专注于从根本识别新旧世界间客观特征的分布差异。通过元特征的牵引力，实现了新旧世界间学习能力的量子隧穿效应。该模型系统在学习新知识（以行人重识别数据集为例）中的出色表现表明，AI 已获得识别新世界的能力，最高准确率达 $96.71\%$，并获得了类似人类的探索新知识的能力。