一个更大胆的实验——放开部分感知参数的初始设定，让网络在使用过程中根据环境反馈自行调整和优化这些参数。
传统的人工智能模型在部署前，工程师需要手动设定大量的超参数——比如传感器的灵敏度阈值、运动控制的PID系数、视觉模型的置信度门限。这些参数的设定依赖于工程师的经验和对应用场景的理解，一旦设定完成，在运行过程中很少会再进行调整。这种做法的问题是，如果实际使用环境与工程师的预设有偏差，模型的性能就会大打折扣。
赵寒的想法是：不让工程师来设定这些参数，而是让类脑网络自己在使用过程中“摸索”出最适合当前环境的参数组合。具体做法是，在类脑网络中引入一组可学习的元参数，这些元参数控制着底层感知和处理模块的工作模式。当网络进入一个新的环境时，它会先以一个默认的参数组合启动，然后通过与环境交互产生的反馈信号，逐步调整元参数，直到找到一个使任务完成效率最大化的组合。
这个想法在实验室测试中表现出了惊人的效果。一台被部署到模拟铸造车间的机械臂，在初始状态下对高温环境和金属粉尘的适应性很差，传感器频繁误报，运动控制也不够平稳。但在启用了元参数自学习机制后，它在连续工作了大约四个小时后，逐渐“摸索”出了一套适合铸造车间环境的参数组合——降低了视觉传感器的曝光时间以适应高亮度环境，提高了触觉传感器的阈值以避免粉尘引起的误触，调整了关节运动的加速度曲线以补偿高温下液压油的粘度变化。四个小时后，它的综合性能已经达到了由资深工程师手动调参的水平。
“它在自己教自己如何适应环境。”赵寒在实验报告中写道，“而且，它学会的适应策略，在某些方面甚至优于人类工程师的经验判断。比如，它选择的视觉传感器曝光时间比工程师预设的值更短，但图像质量并没有明显下降——因为它同时调整了后端图像增强算法的参数，用算法补偿了曝光不足带来的细节损失。这种跨模块的协同优化，是人类
本章未完，请点击"下一页"继续阅读！ 第2页 / 共5页