韩国研究团队与深度学习创始人之一、被称为人工智能(AI)四大泰斗的加拿大蒙特利尔大学教授约书亚·本吉奥携手,找到了突破当前AI性能极限的线索。此次研究尤其有望大幅降低AI模型运行成本,为开发高性能推理模型或智能体(助理)作出贡献。
韩国科学技术院(KAIST)20日表示,计算机学部教授安圣振与本吉奥教授的联合研究团队开发出可大幅改善AI扩散模型“推理时间扩展性”的新技术。研究成果于本月13日(当地时间)在温哥华举行的第42届国际机器学习大会(ICML 2025)上作为入选论文中前2.6%的“聚光灯论文”发表。
此次联合研究通过安教授与本吉奥教授去年9月设立的“KAIST·MILA(蒙特利尔学习算法研究所)前额叶AI研究中心”完成。MILA是位于加拿大蒙特利尔的全球最大AI深度学习研究机构。安教授作为研究中心主任,正在研究模仿人脑高级认知能力的AI技术等。共同研究者本吉奥教授是深度学习领域创始人之一,与去年诺贝尔物理学奖得主、多伦多大学教授杰弗里·辛顿等一同被视为AI领域全球四大泰斗。
扩散模型是生成式AI模型的一种,如图像生成模型“Stable Diffusion”那样,能够生成事先未用数据学习过的结果,因此目前在全球被广泛使用。这得益于AI模型从新数据中得出有意义预测或结论的推理技术。在扩大AI模型规模或学习量受限的情况下,这类推理技术作为能以有限资源提升性能的新技术备受关注。
不过目前扩散模型的推理时间扩展性仍被认为不足。推理时间扩展性指AI模型能高效利用推理所需时间等计算资源的能力。例如,模型在推理上投入更多时间可获得更好结果,但若耗时过长,整体处理速度会变慢,用户可能反而感觉性能下降。也就是说,通过妥善协调时间与质量来优化计算资源利用的推理时间扩展性,是提升AI性能的关键。
为解决这一问题,研究团队提出基于“蒙特卡洛树搜索”的全新扩散模型推理方法。研究团队解释,该方法被设计为在扩散过程中以树状结构探索多种生成路径,从而在有限计算资源下高效找到高质量输出。应用该方法的扩散模型以100%的成功率完成了名为“巨型规模迷宫求解”的任务,而原有方法的成功率为0%。
研究团队还通过后续研究,成功将该方法的AI处理速度提高100倍。安教授表示:“这是从根本上突破了原有扩散模型需高成本计算这一局限的技术”,“有望在智能机器人、基于仿真的决策、实时生成式AI等多个领域作为核心技术加以应用”。






