韩国科学技术院（KAIST）研究人员提出一种受大脑启发的新型人工智能训练方法，旨在改善模型对自身预测的置信度估计。该方法在正式任务学习前，使用随机噪声数据与任意输出对人工神经网络进行短期训练，促使模型生成更贴近实际准确率的置信度评分。

当前主流AI系统多依赖机器学习与深度学习技术，其中深度学习利用多层神经网络从非结构化数据中自主提取特征并识别复杂模式。此类系统通常为预测结果提供置信度评分，作为预测准确概率的量化估计。但大量研究表明，现有模型普遍存在过度自信倾向，即对错误预测赋予过高置信度，甚至将不准确信息以高确定性呈现，严重制约其在医疗、自动驾驶等高风险场景中的可靠性。

研究者Jeonghwan Cheon与Se-Bum Paik指出，不确定性校准——即预测置信度与真实准确率的一致性——是AI系统实际部署的关键前提。而目前广泛采用的神经网络权重初始化方法，恰恰是导致系统过度自信的主要技术根源。该新策略不改变模型架构或训练目标，仅通过预训练阶段引入可控噪声扰动，即可显著提升置信度估计的校准程度。相关成果已发表于《Nature Machine Intelligence》期刊。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。