在一篇新論文中，科學家描述了生態學如何啟發更好的人工智慧，反之亦然，呼籲融合和共同進化。當代人工智慧平台通常從人腦的結構和功能中汲取靈感。在最近的一項研究中，專家提出，將目光投向生物學的另一個領域–生態學，可以為建立功能強大、具有彈性和社會責任感的人工智慧系統鋪平道路。

研究人員提出了人工智慧與生態學之間的協同作用，認為生態學可以激發更具彈性的人工智慧，而人工智慧則可以應對全球生態挑戰。兩者的共同進步可以提供變革性的解決方案，縮小兩個不同學科之間的差距。圖片來源：Barbara Han

該論文最近發表在《美國國家科學院院刊》（Proceedings of the National Academy of Sciences）上，認為人工智慧與生態學之間的協同作用既能加強人工智慧，又能幫助解決複雜的全球性挑戰，如疾病爆發、生物多樣性喪失和氣候變遷影響等。

這個想法源於這樣一種觀察，即人工智慧在某些任務上的表現可能好得令人震驚，但在其他任務上還遠遠不夠–人工智慧的發展正在碰壁，而生態學原理可以幫助它克服這些碰壁。

卡里生態系統研究所的疾病生態學家芭芭拉-韓（Barbara Han）解釋說：「我們在生態學領域經常處理的那些問題，不僅是人工智慧在純粹創新方面可以受益的挑戰，也是如果人工智慧能夠提供幫助，對全球利益意義重大的問題，可以真正造福人類。”

人工智慧如何幫助生態學

生態學家–包括Han——已經在使用人工智慧來搜尋大型資料集中的模式，並做出更準確的預測，例如新病毒是否可能感染人類，以及哪些動物最有可能攜帶這些病毒。

不過，這篇新論文認為，人工智慧在生態學中的應用還有更多可能性，例如綜合大數據和尋找複雜系統中缺少的環節。

科學家通常試圖透過同時比較兩個變數來了解世界–例如，人口密度如何影響傳染病的病例數？凱裡研究所的疾病生態學家香農-拉多（Shannon LaDeau）解釋說，問題在於，與大多數複雜的生態系統一樣，預測疾病傳播取決於許多變量，而不僅僅是一個變量。生態學家並不總是知道所有這些變數是什麼，他們只局限於那些容易測量的變數（例如，相對於社會和文化因素），而且很難捕捉到這些不同變數之間是如何相互作用的。

拉多說：「與其他統計模型相比，人工智慧可以整合更多的數據和多樣化的數據來源，這可能會幫助我們發現新的相互作用和驅動因素，而這些因素可能是我們沒有想到的。開發人工智慧以更好地捕捉更多類型的數據大有可為，例如那些確實難以用數字來概括的社會文化見解。人工智慧有助於發現這些複雜的關係和突發特性，可以產生獨特的假設來進行測試，並開啟全新的生態學研究方向。”

生態學如何讓人工智慧變得更好

人工智慧系統是出了名的脆弱，有可能造成破壞性後果，如誤診癌症或導致車禍。

作者認為，生態系統令人難以置信的復原力可以激發出更強大、更具適應性的人工智慧架構。瓦爾什尼特別指出，生態知識可以幫助解決人工神經網路中的模式崩潰問題，而人工神經網路通常是為語音辨識、電腦視覺等提供動力的人工智慧系統。

他解釋說：”模式崩潰是指當你對人工神經網路進行某項訓練後，再對它進行其他訓練，它就會忘記第一項訓練。透過更好地理解自然系統中模式崩潰發生或不發生的原因，我們也許能學會如何讓人工智慧中不發生模式崩潰。”

受生態系統的啟發，更強大的人工智慧可能包括回饋迴路、冗餘路徑和決策框架。這些靈活性的升級也有助於為人工智慧提供更多的’通用智慧’，使其能夠超越演算法所訓練的特定資料進行推理和建立聯繫。

生態學也有助於揭示為什麼人工智慧驅動的大型語言模型（為ChatGPT 等流行聊天機器人提供動力）會出現小型語言模型所不具備的新興行為。這些行為包括”幻覺”–當人工智慧產生錯誤訊息時。由於生態學從多層次、全方位地研究複雜系統，因此它善於捕捉類似的突現特性，並有助於揭示這些行為背後的機制。

此外，人工智慧未來的發展取決於新的想法。ChatGPT 的創造者OpenAI 的執行長曾說過，進一步的進步不會只來自於把模型做得更大，必須要有其他啟發，生態學為新思路提供了一條途徑。

共同演化

雖然生態學和人工智慧一直朝著相似的方向獨立發展，但研究人員表示，更密切、更深思熟慮的合作可能會在這兩個領域產生尚未想像的進步。

生態復原力就是一個令人信服的例子，說明兩個領域如何透過合作而受益。對於生態學來說，人工智慧在測量、建模和預測自然復原力方面的進步可以幫助我們做好準備，應對氣候變遷。對人工智慧而言，更清楚地了解生態復原力的工作原理可以激發更有復原力的人工智慧，從而更好地建模和研究生態復原力，這是一個正回饋循環。

更緊密的合作也有望促進這兩個領域承擔更大的社會責任。生態學家們正在努力從原住民和其他傳統知識體系中吸收理解世界的各種方法，而人工智慧可以幫助融合這些不同的思維方式。找到整合不同類型數據的方法有助於提高我們對社會生態系統的理解，使生態學領域去殖民化，並糾正人工智慧系統中的偏見。

凱裡研究所生態系統科學家凱瑟琳-韋瑟斯（Kathleen Weathers）說：”人工智慧模型建立在現有資料的基礎上，當它們回到現有資料時，會進行訓練和再訓練。當我們的當資料缺口將60 歲以上的女性、有色人種或傳統認知方式排除在外時，我們創建的模型就會存在盲點，從而使不公正現象長期存在。”

要實現人工智慧與生態學研究的融合，需要在這兩個各自為政的學科之間架起橋樑，目前，這兩個學科使用不同的詞彙，在不同的科學文化中運作，資金來源也不盡相同。新論文只是這過程的開始。

“我希望它至少能引發很多對話，”Han 說。

作者寫道，投資生態學和人工智慧的融合演化有可能產生變革性的觀點和解決方案，就像最近在聊天機器人和生成式深度學習方面取得的突破一樣，具有超乎想像的顛覆性。”成功融合的意義不僅在於推進生態學科或實現人工通用智能，它們對於在不確定的未來中堅持和發展都至關重要”。