研究人员开发了一种新的人工智能算法，称为扭矩聚类，它比目前的方法更接近自然智能。它极大地改善了人工智能系统在没有人类指导的情况下独立学习和发现数据模式的方式。

Torque Clustering可以高效、自主地分析生物学、化学、天文学、心理学、金融和医学等领域的大量数据，揭示新的见解，如检测疾病模式、发现欺诈或理解行为。

“在自然界中，动物在没有明确指示的情况下，通过观察、探索和与环境互动来学习。下一波人工智能，‘无监督学习’旨在模仿这种方法，”悉尼科技大学（UTS）的杰出教授CT Lin说。

“目前几乎所有的人工智能技术都依赖于‘监督学习’，这是一种人工智能训练方法，需要人类使用预定义的类别或值对大量数据进行标记，这样人工智能就可以做出预测并看到关系。

“监督式学习有很多局限性。标签数据是昂贵的，耗时的，往往不切实际的复杂或大规模的任务。相比之下，无监督学习在没有标记数据的情况下工作，揭示数据集中的内在结构和模式。”

一篇详细介绍扭矩聚类方法的论文，即通过快速发现质量和距离峰值的自主聚类，刚刚发表在人工智能领域的权威期刊《IEEE模式分析与机器智能学报》上。

扭矩聚类算法优于传统的无监督学习方法，提供了潜在的范式转换。它是完全自主的，无参数的，并且能够以卓越的计算效率处理大型数据集。

它已经在1000个不同的数据集上进行了严格的测试，达到了97.7%的平均调整互信息（AMI）得分——一种聚类结果的衡量标准。相比之下，其他最先进的方法只能达到80%的分数。

第一作者杨洁博士说：“扭矩聚类的独特之处在于它基于扭矩的物理概念，使其能够自主识别聚类，并无缝地适应不同的数据类型，具有不同的形状、密度和噪音程度。”

“它的灵感来自星系合并时引力相互作用中的扭矩平衡。它基于宇宙的两个自然属性：质量和距离。这种与物理学的联系为这种方法增加了一层基本的科学意义。

“去年的诺贝尔物理学奖授予了一些基础发现，这些发现使人工神经网络的监督机器学习成为可能。受扭矩原理启发的无监督机器学习有可能产生类似的影响，”杨博士说。

Torque Clustering可以帮助优化移动、控制和决策，从而支持通用人工智能的发展，特别是在机器人和自主系统方面。它将重新定义无监督学习的前景，为真正自主的人工智能铺平道路。开源代码已经提供给研究人员。