研究人员选择开发新的终身学习方法

机器学习（ML）和人工智能（AI）系统近年来有了很大的进步。然而，它们目前只限于执行那些专门设计的任务，当遇到编程或训练之外的情况时，它们无法适应。DARPA的终身学习机器（L2M）计划，从生物系统中汲取灵感，试图从根本上开发新的ML方法，允许系统不断适应新的环境而不忘记先前的学习。

图片说明：今天的机器学习和人工智能系统只限于执行他们专门执行的任务，而不能适应他们训练之外的新情况。DARPA的L2M计划旨在产生新的方法，允许这些系统在任务中学习和改进，将以前的技能和知识应用到新的情况下，结合固有的系统限制，并提高自动分配的安全性。

首先在2017宣布，DARPA的L2M项目选择了将在其两个技术领域工作的研究团队。第一个技术领域集中于完整的系统及其组件的开发，第二个将探索生物生物体中的学习机制，其目的是将它们转化为计算过程。在这两个技术领域的发现都将产生新的方法，使AI系统能够在任务中学习和改进，将以前的技能和知识应用到新的情境中，结合固有的系统限制，并提高自动分配的安全性。

L2M研究团队现在正在集中他们的不同的专业知识来理解计算系统如何能够实时地适应新的环境并且不丢失其先前的知识。尔湾加利福尼亚大学的一个小组计划研究海马和皮质的双重记忆结构。该小组试图建立一个ML系统能够预测潜在的结果，通过比较现有内存的输入，这将使系统变得更加适应，同时保留以前的学习。塔夫斯大学的团队正在研究在蝾螈等动物身上观察到的再生机制，创造出能够改变它们在飞行中的结构和功能以适应环境变化的柔性机器人。适应来自生物记忆再整合的方法，来自怀俄明大学的团队将致力于开发一种计算系统，该系统使用上下文来识别适当的模块化存储器，可以用新的感觉输入重新组装以快速地形成行为以适应新的环境。

“随着L2M计划，我们不是在寻找最先进的人工智能和神经网络的增量改进，而是基于机器学习的范式改变方法，使系统能够根据经验不断改进，”项目经理LEA Hava Siegelmann博士说。“选择参加这项小说研究的团队是由一些世界顶尖研究者在各种科学学科中的横断面组成的，他们的方法同样多样。”

虽然仍处于早期阶段，L2M项目已经从哥伦比亚大学工程学院的Hod Lipson博士带领的团队看到了结果。Lipson博士和他的团队最近发现并解决了与构建和训练自我复制神经网络相关的挑战，并发表了他们的研究成果。虽然神经网络是可训练的以产生几乎任何类型的模式，但是训练网络来复制它自己的结构是很困难的。随着网络学习，它改变，因此目标不断地改变。团队的持续努力将集中于开发一个系统，它可以通过使用自身结构的知识来适应和改进。“研究团队的自我复制神经网络的工作只是许多可能的方法之一，将导致终身学习的突破，”Siegelmann说。

Siegelmann说：“我们正处在AI技术的一个重大跳跃的门槛上。”“L2M程序需要比现有系统的增量更改更明显的独创性和努力。L2M试图使AI系统能够从经验中学习，变得比现有的人工智能更智能、更安全、更可靠。