如果AI可以終身學(xué)習(xí)會怎樣？科學(xué)家們已經(jīng)開發(fā)出一種新的深度神經(jīng)網(wǎng)絡(luò)框架，允許人工智能系統(tǒng)更好地學(xué)習(xí)新的任務(wù)，同時更少地忘記他們在以前的任務(wù)中所學(xué)的東西。

美國陸軍的一個項目為深度神經(jīng)網(wǎng)絡(luò)開發(fā)了一個新的框架，它允許人工智能系統(tǒng)更好地學(xué)習(xí)新任務(wù)，同時更少地忘記他們在以前任務(wù)中學(xué)到的東西。

由軍方資助的北卡羅萊納州立大學(xué)的研究人員也證明了使用框架學(xué)習(xí)新的任務(wù)可以使人工智能更好地執(zhí)行以前的任務(wù)，這一現(xiàn)象稱為反向轉(zhuǎn)移。

“陸軍需要準(zhǔn)備好在世界任何地方作戰(zhàn)，因此它的智能系統(tǒng)也需要準(zhǔn)備好，” 陸軍研究辦公室智能系統(tǒng)（美國陸軍作戰(zhàn)能力開發(fā)司令部陸軍研究實驗室的一個組成部分）的項目經(jīng)理Mary Anne Fields博士說道：“我們希望陸軍的智能系統(tǒng)能在世界各地的戰(zhàn)場上執(zhí)行任務(wù)時不斷獲得新的技能，而不要忘記已經(jīng)訓(xùn)練掌握的技能。例如，在進(jìn)行城市操作時，輪式機(jī)器人可能會學(xué)習(xí)在人口密集的城市該如何行進(jìn)，但它仍然需要在以前遇到的環(huán)境（如森林）中高效工作?！?/p>

研究團(tuán)隊提出了一種新的持續(xù)學(xué)習(xí)框架，稱為“學(xué)習(xí)成長”（Learn to Grow），它將網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)和模型參數(shù)學(xué)習(xí)分離開來。在實驗測試中，它優(yōu)于以往的持續(xù)學(xué)習(xí)方法。

“深度神經(jīng)網(wǎng)絡(luò)人工智能系統(tǒng)是為學(xué)習(xí)狹小范圍任務(wù)而設(shè)計的，”該論文的合著者、北卡羅來納州立大學(xué)博士生李錫來（音譯）說道。因此，在學(xué)習(xí)新任務(wù)時，可能會發(fā)生以下幾種情況之一：

◆系統(tǒng)在學(xué)習(xí)新任務(wù)時會忘記舊任務(wù)，這稱為災(zāi)難性遺忘。

◆系統(tǒng)會忘記一些它們知道的關(guān)于舊任務(wù)的事情，同時不學(xué)習(xí)去做新的任務(wù)。

◆系統(tǒng)可以在添加新任務(wù)的同時將舊任務(wù)解決——這限制了改進(jìn)并很快導(dǎo)致人工智能系統(tǒng)太大而無法有效運(yùn)行。

持續(xù)學(xué)習(xí)，又稱終身學(xué)習(xí)或?qū)W著學(xué)習(xí)（learning-to-learn）正試圖解決這個問題?！?/p>

要理解“學(xué)會成長”框架，請將深層神經(jīng)網(wǎng)絡(luò)想成布滿多層的管道。原始數(shù)據(jù)進(jìn)入管道的頂部，任務(wù)輸出從底部出來。管道中的每一個“層”都是一個計算，它操縱數(shù)據(jù)以幫助網(wǎng)絡(luò)完成其任務(wù)，例如識別數(shù)字圖像中的對象。管道中的層有多種排列方式，它們對應(yīng)于網(wǎng)絡(luò)的不同“架構(gòu)”。

當(dāng)要求一個深層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一個新的任務(wù)時，“學(xué)習(xí)成長”框架首先通過搜索執(zhí)行一個稱為顯式神經(jīng)架構(gòu)優(yōu)化的操作。這意味著，當(dāng)網(wǎng)絡(luò)到達(dá)其系統(tǒng)中的每一層時，它可以決定執(zhí)行以下四項操作之一：

◆跳過該層

◆用和以前的任務(wù)相同的方式使用該層

◆在該層上附加一個輕量級適配器，這會稍微修改該層

◆創(chuàng)建一個全新的層

這種體系結(jié)構(gòu)優(yōu)化有效地布局了完成新任務(wù)所需的最佳拓?fù)洌╰opology）或者一系列層。一旦完成，網(wǎng)絡(luò)就使用新的拓?fù)浣Y(jié)構(gòu)來訓(xùn)練自己如何完成任務(wù)——就像其他任何深度學(xué)習(xí)人工智能系統(tǒng)一樣。

“我們已經(jīng)使用多個數(shù)據(jù)集進(jìn)行了實驗，我們發(fā)現(xiàn)，新任務(wù)與以前的任務(wù)越相似，現(xiàn)有層執(zhí)行新任務(wù)的重疊程度就越高，” 李錫來說道：“更有趣的是，在經(jīng)過優(yōu)化或“學(xué)習(xí)”的拓?fù)浣Y(jié)構(gòu)下，接受過執(zhí)行新任務(wù)培訓(xùn)的網(wǎng)絡(luò)幾乎不會忘記執(zhí)行舊任務(wù)所需的內(nèi)容，即使舊任務(wù)不相似?！?/p>

研究人員還進(jìn)行了實驗，將“學(xué)習(xí)成長”框架的學(xué)習(xí)新任務(wù)能力與其他幾種持續(xù)學(xué)習(xí)方法進(jìn)行比較，發(fā)現(xiàn)“學(xué)習(xí)成長”框架在完成新任務(wù)時具有更好的準(zhǔn)確性。

為了測試在學(xué)習(xí)新任務(wù)時每個網(wǎng)絡(luò)可能忘記了多少，研究人員隨后測試了每個系統(tǒng)在執(zhí)行舊任務(wù)時的準(zhǔn)確性——而“學(xué)習(xí)成長”框架再次優(yōu)于其他網(wǎng)絡(luò)。

“在某些情況下，‘學(xué)習(xí)成長’框架實際上在執(zhí)行舊任務(wù)方面做得更好，”Salesforce Research的研究主管、該論文的合著者之一熊才明（音譯）說，“這被稱為反向轉(zhuǎn)移，當(dāng)你發(fā)現(xiàn)學(xué)習(xí)一個新任務(wù)會使你更好地完成一個舊任務(wù)時就會發(fā)生這種情況。我們一直在人們身上看到這一點，但在人工智能上就很少見?！?/p>

菲爾茲說：“陸軍的這項投資擴(kuò)展了當(dāng)前最先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)，這些技術(shù)將指導(dǎo)我們的陸軍研究實驗室研究人員開發(fā)機(jī)器人應(yīng)用，如智能機(jī)動和學(xué)習(xí)識別新物體?！边@項研究使人工智能更接近于為我們的作戰(zhàn)人員提供可部署在戰(zhàn)場上的有效無人系統(tǒng)?！?/p>

論文 《 學(xué)習(xí)成長：克服災(zāi)難性遺忘的持續(xù)結(jié)構(gòu)學(xué)習(xí)框架》將于6月9日至15日在加利福尼亞長灘舉行的第36屆機(jī)器學(xué)習(xí)國際會議上發(fā)表。論文的共同主要作者包括數(shù)控州電氣與計算機(jī)工程助理教授吳天福（音譯）博士、北卡羅來納州立大學(xué)博士生李錫來和Salesforce Research的周穎波。論文由Salesforce Research的Richard Socher和Caiming Xiong合著。

這項工作也得到了國家科學(xué)基金會的支持。李錫來在Salesforce AI Research做暑期實習(xí)生時完成了部分工作。