悉尼科技大学的研究人员开发了一种名为“扭矩聚类”的全新AI算法，无需人工干预，即可显著提升AI系统自主学习和识别数据模式的能力。该算法模拟自然智能，准确率高达97.7%，超越现有方法，有望引领AI学习的范式转变。扭矩聚类的独特之处在于其基于物理学中扭矩的概念，使其能够自主识别聚类，并适应不同形状、密度和噪声程度的数据类型。该算法的应用领域广泛，潜力巨大。

💡扭矩聚类算法模拟自然智能，灵感源于星系合并过程中引力相互作用的扭矩平衡，基于质量和距离宇宙的两个基本属性，让AI像动物一样通过观察、探索和与环境互动来学习。

🚀与传统的监督学习不同，扭矩聚类无需人工标记数据即可识别模式，使其更具扩展性和效率，解决了监督学习成本高、耗时长，且对复杂或大规模任务不切实际的难题。

📊在1000个不同的数据集上进行的测试显示，扭矩聚类的平均调整互信息（AMI）得分高达97.7%，远超其他先进方法约80%的得分，验证了其卓越的性能。

🔬该算法的应用领域广泛，包括生物学、化学、天文学、心理学、金融和医学等，可用于发现疾病趋势、识别欺诈活动和理解人类行为等，具有巨大的应用潜力。

IT之家 2 月 17 日消息，科技媒体 scitechdaily 昨日（2 月 16 日）发布博文，报道称悉尼科技大学的研究人员开发了一种名为“扭矩聚类”（Torque Clustering）的全新 AI 算法，不需要人工干预，可以极大提升 AI 系统自主学习和识别数据模式的能力。

该算法模拟自然智能，在测试中准确率高达 97.7%，超越现有方法，有望引领 AI 学习的范式转变。扭矩聚类的独特之处在于其基于物理学中扭矩的概念，让其能够自主识别聚类，并无缝适应不同形状、密度和噪声程度的数据类型。

该算法的灵感源于星系合并过程中引力相互作用的扭矩平衡，基于质量和距离宇宙的两个基本属性，通过模拟自然界中的学习方式，让 AI 像动物一样通过观察、探索和与环境互动来学习。

IT之家注：不同于传统的监督学习，扭矩聚类无需人工标记数据即可识别模式，使其更具扩展性和效率。相比之下，监督学习需要大量人工标注的数据，成本高、耗时长，且对复杂或大规模任务不切实际。

扭矩聚类算法在 1000 个不同的数据集上进行了严格测试，平均调整互信息（AMI）得分高达 97.7%，而其他最先进的方法得分仅在 80% 左右。

该算法完全自主、无需参数，并且可以高效地处理大型数据集，其应用领域广泛，包括生物学、化学、天文学、心理学、金融和医学等，可用于发现疾病趋势、识别欺诈活动和理解人类行为等。