每次放完暑假回到學校時，我們可能會抱怨忘記了上一個學期所學的大部分內容。但如果你能夠像人工智能一樣學習，你會發現我們的大腦其實與人工智能學習的邏輯非常相似。
<strong>人工智能系統傾向於在接收新信息的時候清除先前所學到的信息，這被稱為“災難性遺忘”。在分析了無數尖端算法人工智能學習的案例後，我們發現這是人工智能學習過程中面臨的重要問題。
例如，用於面部識別的人工智能系統會分析數千張人臉的照片，其中一些可能是已經進行註解的照片，以便人工智能系統能夠識別出具有相關特徵的人臉。但是因為人工智能系統本身並不理解他們所做事情的基本邏輯，所以在教他們做其他相似的檢測，像識別某種特定情感時，就意味著我們需要從零開始重新訓練人工智能系統。一旦特定算法被訓練完成，便不再接受外部的其他更新。
多年來，從事人工智能的科學家們一直試圖弄清楚如何解決該問題。如果他們能夠成功突破這個問題，那麼人工智能系統將有能力從一組全新的訓練數據中進行學習，而非覆蓋他們在學習過程中已然知曉的大部分內容。但就目前為止，“災難性遺忘”仍然是阻礙科學家們構建人工智能的主要難點之一。或者說，是構建那些我們在電影中所見的那種富有想象力和情感的人工智能的難點之一。
上週在布拉格參加人類人工智能聯合多方會議的一些人工智能專家在對Futurism的採訪中表示，“災難性遺忘”問題是他們不希望人工智能以及類人化人工智能在近期面世的最重要原因之一。
但DeepMind的研究科學家Irina Higgins在會議中的演講環節卻表示，她和她的團隊已經破解了相關代碼攻克這一難題。
Higgins研發了一個人工智能角色，某種意義上很像一個由人工智能算法控制的電子遊戲角色，它可以比傳統算法更有創造性的去思考。它甚至可以想象自己在一個虛擬環境中所遇事物在其他空間維度的類比。換句話說，神經網絡賦予了它識別虛擬環境中所遇事物的能力。
這與人類的想象邏輯完全不同，在人腦的想象邏輯中我們可以完全憑空想象出全新的圖像。然而人工智能的想象邏輯並不像人腦那般繁瑣，人工智能是通過在配置中看到過的物體來想象它的樣子。
Higgins說：“<strong>我們希望機器能夠在探索中學習常識，這樣一來它便不會對自身造成損害。
”假設你正在穿越沙漠你會沿路遇到仙人掌。你可能認識到這種植物是仙人掌，因為之前在哪裡學習過或見過。即便是你從沒聽過的植物，你也可以在腦海中大概賦予它你想象中的樣子。而現在Higgins的人工智能系統幾乎也可以實現相同的想象邏輯。只需要提供特定物體的5個不同角度的範例，人工智能角色就能夠了解這個特定物體是什麼，這個物體與環境的關係，以及該物體在其他角度和不同光線下的外觀看起來是什麼樣子。
在Higgins早前發佈的博客論文中重點介紹瞭如何訓練算法來識別白色手提箱和座椅，訓練之後，Higgins的算法可以想象手提箱和座椅在全新虛擬環境中的外觀，並且能夠在之後遇到該物體時準確識別到對象。
Higgins說：“我們運行我用來激勵系統模型的所需設置，然後我們從一個特定環境中呈現某一圖像，並要求模型想象它在其他不同環境中的樣子。”
Higgins的新算法在學習過程中表現優異，同時還可以預測出特定對象的數量及基本特徵。簡而言之，該算法能夠在學習過程中記錄它遇到的內容與之前所學內容之間的差異。這也可以理解為系統並沒有學習一個新對象，而是在再次見到所學對象時用全新角度去學習，從而來接收新信息。
該人工智能系統能夠自動更新自身對世界的認知，而無需重新從零開始學習一切。系統能夠將其現有知識轉移並應用於新環境，從而實現連貫的學習過程。
Higgins的新系統標誌著人工智能算法又邁出了重要的一步：<strong>可以不斷更新已知信息，在不丟失已學信息的情況下學習新知識。而這項研究現仍處於早期研發階段。與許多其他識別類人工智能系統一樣，這些算法在某些特定任務中仍受到一系列限制。
人工智能學習的未來發展方向將會是像人一樣有創造性的學習，而非僅僅像算法本身表現出的模樣。
本文節選／編譯自Futurism平臺的文章<strong>New Artificial Intelligence does something extraordinary - It Remembers, 原文作者Dan Robitzski，文中圖片來源Emily Cho.
當機器人都開始創造性學習
你還敢停止思考嗎？
閱讀更多 先聲會 的文章
