美国麻省理工学院团队创建了一个独特的机器学习“元素周期表”，它展示了超过20种经典机器学习算法之间的联系。这一框架揭示了科学家融合不同方法中的策略，将改进现有的AI模型或提出全新的模型，并进一步促进人工智能（AI）技术的发展和应用。

　　化学中的元素周期表是根据元素原子核电荷数从小至大排序构建的列表。元素周期表能准确地预测各元素的特性及其之间的关系，因此它在化学及其他科学范畴中得到了广泛使用，是分析化学行为时非常有用的框架。

　　此次创建的AI框架则基于一个核心思想：所有这些算法都在学习数据点间的特定关系，尽管每种算法实现这一点的方式可能略有不同，但背后的核心数学原理是相通的。基于此，研究人员找到了一个统一的方程式，它是许多经典AI算法的基础。利用这个方程式，他们重新构建并排列了一些流行的方法，根据它们学习到的数据点间的关系类型对每种方法进行分类。

　　例如，通过将两种不同算法的关键元素组合起来，团队开发出了一种新的图像分类算法，其性能比现有最先进的技术高出8%。这表明，这种机器学习“元素周期表”不仅有助于理解现有算法之间的联系，还为创造更高效的算法提供了实际指导。

　　就像化学元素周期表最初留有空白等待未来科学家填充一样，这个机器学习的“元素周期表”中也存在一些空白区域，暗示着理论上应该存在但尚未被发现的算法。这些空白预测了潜在的新算法位置，为人们提供了一个工具包，不用再重复探索以前方法中已涵盖的概念，让设计新算法变得更加高效。