GFlowNets 是在 Yoshua Bengio 的指导下开发的，代表了人工智能 （AI） 领域的一种新颖训练算法，与 Transformer 或 ResNet 等神经网络架构不同。在 Microsoft 和 OpenAI 工作过的研究科学家 Edward 胡 讨论了 GFlowNet 的重要性，强调了它们在解决常见 AI 挑战（例如过拟合和超参数调优的局限性）方面的作用。

GFlowNets旨在产生多样化的高回报输出，而不是简单地最大化奖励函数，这在药物发现等应用中是有益的，在这些应用中，各种有前途的候选药物是可取的。GFlowNets也可以应用于基于能量的模型，它们有助于对与模型成比例的分布进行采样。

如果您沉浸在 AI 领域，您可能会好奇是什么让 GFlowNets 脱颖而出。与专注于最大化单个奖励函数的传统方法不同，GFlowNets 擅长产生各种成功的结果。此功能在药物发现等复杂任务中特别有价值，在这些任务中，找到多种可行的化合物至关重要。

领先的研究科学家Edward 胡指出了GFlowNets的重大影响。它们作为采样神经网络运行，这意味着它们能够产生与给定奖励函数一致的输出。这是向前迈出的重要一步，因为它改变了人工智能系统从环境中学习和做出选择的方式。

什么是GFlowNets？

GFlowNets增强AI的方法之一是改进基于能量的模型。他们通过启用与模型一致的分布采样来实现这一点，这反过来又优化了模型表示复杂数据模式的能力。这对于称为 GFlowNet-EM 的 GFlowNets 版本尤为重要，它解决了期望最大化算法——这是机器学习领域的一个基本挑战。

在大型语言模型方面，GFlowNets在提高数据使用效率方面取得了长足的进步。它们能够对推理链进行采样，从而减少训练人工智能系统所需的数据量。这导致了更高效和更具成本效益的培训过程。

GFlowNets 还以其将神经网络的可扩展性与经典机器学习问题相结合的能力而闻名。这种融合正在提高人工智能系统的通用性和数据效率，这是影响人工智能技术性能和实用性的两个关键方面。

GFlowNets的基础理论基于最大熵强化学习，其中包括与路径一致性相关的目标。这一理论基础表明，GFlowNets可以应用于广泛的人工智能应用。

随着人工智能越来越融入我们的日常生活，GFlowNets在增强人工智能能力方面的作用越来越明显。凭借其产生多样化结果、提高数据效率和应对机器学习挑战的独特能力，GFlowNets 有望在人工智能的发展中发挥关键作用。