USC Viterbi研究人员合作开发了一种面向人工智能学习未来的新资源，以定义人工智能和机器人如何像生物一样学习和适应。鸣谢:Pixabay计算机是否能被认为是生物，这是人工智能领域研究人员面临的关键挑战之一。自从艾伦·图灵(Alan Turing)首次创造了现在所谓的图灵测试(Turing Test)以来，人工智能已经取得了巨大的进步——机器是否可以表现出等同于或无法区分于人的智能行为。然而，机器仍然在与人类和其他生命形式的第二天性——终身学习——这一基本技能进行斗争。也就是说，当我们在做一项任务时，不要忘记之前的任务，或者直观地将从一项任务中收集的知识转移到不同的领域。现在，在DARPA终身学习机器(L2M)项目的支持下，南加州大学Viterbi研究人员与来自美国和世界各地机构的同事合作，为艾乐·阿宁的未来开发了一种新资源，定义了人工系统如何在现实世界中成功地思考、行动和适应，就像生物一样。
该论文由迪安的电气和计算机工程教授爱丽丝·帕克(Alice Parker)和生物医学工程教授、生物运动学和物理治疗教授弗朗西斯科·瓦莱罗-奎瓦斯(Francisco Valero-Cuevas)及其研究团队共同撰写，发表在《自然机器智能》(Nature Machine Intelligence)上，与圣安东尼奥德克萨斯大学(University of Texas at San Antonio)的Dhireesha Kudithipudi教授以及其他22所大学合作。
研究团队还包括ValeroLab的博士后研究员Ali Marjaninejad、生物医学工程博士候选人Dario ur Bina和电气工程博士候选人Suraj Chakravarthi Raja。ValeroLab之前在生物启发的人工智能领域的工作包括一个由人工智能控制的机器人肢体，由类似动物的肌腱驱动，可以在没有先验知识的情况下学习行走。
Valero-Cuevas表示，这份出版物的目的是为未来几十年的人工智能研究人员提供一个首选资源，专注于人工系统中终身学习的概念。该蓝图将概述新型机器智能的发展，这将是下一代技术的基础，如自动驾驶汽车、自主机器人和无人机以及智能假肢、外骨骼和可穿戴设备。
终身学习是我们认为理所当然的生物激发的能力的集合，例如在不损害旧技能的情况下获得新技能的能力，适应变化以及将以前学到的知识应用到新任务中的能力。
“你和我学习的方式是通过经验、模仿和自我探索，仅仅因为你学习了一项新任务，并不意味着你忘记了以前的任务，”Valero-Cuevas说。“人类在工作中学习。我们出现并开始学习，然后我们知道如何去做。机器还不知道。”
Valero-Cuevas说，这些机器可以通过算法进行编程。例如，自动驾驶汽车可以使用从其他车辆获得数据的算法，以便在部署到世界上之前，它可以学习如何操作。
“但训练和部署之间有着非常明显的区别。当一台机器被部署时，它不一定在学习，如果你想教它一些新的东西，通常你必须清除记忆，它会忘记如何做之前的事情，”Valero-Cuevas说。
这是一个被称为“灾难性遗忘”的问题，这是新蓝图强调的当前人工智能系统的关键缺陷之一。
“作为一个人类，你可以向我展示如何打乒乓球，然后我可以使用这一技能，并将其转移到学习如何打网球或羽毛球。”瓦莱罗-奎瓦斯说。“目前，一台机器只能被教会如何玩一种球拍类运动，比如乒乓球。比如说，如果你想打需要你用不同方式使用身体的网球，你必须改变程序。”
除了克服灾难性遗忘的因素，研究人员的蓝图还概述了一系列其他能力，这些能力是人工系统像生物一样实现终身学习所必需的。其中包括:
转移和适应——转移和重用知识以及适应新环境的能力。利用任务相似性——学习多项任务并在它们之间转移知识的能力。与任务无关的学习——了解在训练中何时在没有被告知的情况下从一项任务切换到另一项任务。噪声容限——能够在真实世界场景中完成相同的任务，条件与训练期间不同(如在夜间而不是白天操作)。资源效率和可持续性—确保终身学习不会对存储容量产生负面影响，也不会降低响应时间。作为生物启发电路领域的专家，Parker长期研究人类大脑，以了解大脑如何工作以及如何将这些知识应用于人工系统。在最新的论文中，Parker贡献了对神经调节领域的理解:生物大脑中的系统，有助于改善学习，克服灾难性遗忘问题，适应不确定的环境和理解上下文的变化。Parker专注于通过添加现有神经网络硬件中没有的生物特征来构建支持神经形态电路(模拟大脑的电子设备)的电子结构，但支持终身学习。这些特征包括星形胶质细胞——其他与神经元相互作用以支持学习的脑细胞——和神经编码——以编码形式传递信息的尖峰和脉冲。
Valero-Cuevas表示，这项合作旨在成为未来机器学习和人工智能研究的综合资源。
“生物学是灵感。终身学习的终极例子是一个生物系统，”Valero-Cuevas说。“我们正在做的是研究生物系统可以做的所有事情，这些事情是我们非常羡慕的，并询问机器需要什么才能做到这些。”
“我们认为至少生物学的一些机制——从数百万年的进化中吸取的教训——可以被人工智能翻译和采用，”他说。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
