麻省理工学院计算机科学和AI实验室最近发布一篇缩小神经网络的论文，能在不改变准确率的情况下，找出与最终结果预测相关的子网络，该子网络相比原本的神经网络小10倍，有时候子神经网络，甚至能够比原本的网络更快做出预测。
MIT指出，目前大部分的AI都创建在深度神经网络的预测结果上，而神经网络通常相当庞大，且需要大量的训练数据集，训练的过程也需要耗费数天的时间，硬件方面，也要搭配昂贵的GPU，甚至是需要定制化所需的硬件设备，但是，如果其实根本就不需要这么庞大的神经网络呢？
现在缩小神经网络所采取的方法，并非特别有效率，在找到成功的子网络之前，必须针对整个神经网络进行多次的训练和修剪，但是MIT的教授Michael Carbin表示，若能够准确地在原始的网络中，找出与最终预测相关联的部分，科学家就有可能可以跳过这段昂贵的处理过程，找出这样的关联性，能够省下数小时的工作，还能让个别的开发者，更简单地打造出有意义的模型，而不是只有大型科技企业才有能力办到。
MIT团队将传统的深度学习方法比喻成乐透，训练大量的神经网络就像是试着盲目地买所有可能会中奖的票券，有没有可能，在一开始就选择中奖的号码呢？为了测试所谓的“乐透票券假说”（lottery ticket hypothesis），并证明与最终预测结果相关的子神经网络确实存在，团队首先通过常用的方法，从训练网络中，将最低权重的连接修剪掉，通过去除不必要的连接，使得神经网络能够在低功设备上执行，像是智能手机。
这项实验关键的创新想法在于，在神经网络训练后修剪掉的连接，是不是再也不需要，为了测试这项假设，团队试着再一次训练同一个神经网络，但是这一次并没有包含被修剪掉的连接，随着修剪越来越多连接，团队就能找出在不影响网络学习的情况下，可以删除多少连接，团队也针对许多不同的网络，重复这个过程上万次，来找出与最终结果预测相关的子网络。下一步，MIT团队计划探索为什么特定子网络对学习特别在行，并开发出找出这些子网络的有效方法。