掌握学习曲线：人工智能的记忆保留困境

随着人工智能（AI）的边界不断扩展，研究人员正在努力解决该领域最大的挑战之一：记忆丧失。在人工智能术语中，这种现象被称为“灾难性遗忘”，它严重阻碍了机器学习的进展，模仿了人类记忆的难以捉摸的性质。来自俄亥俄州立大学的电气工程师团队正在研究持续学习，即计算机从一系列任务中不断获取知识，对人工智能代理的整体性能的影响。

弥合人类和机器学习之间的差距

尼斯·什罗夫（Ness Shroff），俄亥俄州立大学的杰出学者和计算机科学与工程教授，强调了克服这一障碍的重要性。“当自动驾驶应用或其他机器人系统学习新事物时，确保它们不会忘记已经学过的知识对于我们的安全和它们的安全至关重要，”什罗夫说。他继续说，“我们的研究深入探讨了这些人工神经网络中的持续学习的复杂性，我们发现的见解开始弥合机器学习和人类学习之间的差距。”
研究表明，类似于人类，人工神经网络在面对多样化的任务时比面对具有重叠特征的任务更擅长保留信息。这一见解对于理解如何在机器中优化持续学习以接近人类的认知能力至关重要。

任务多样性和序列在机器学习中的作用

研究人员将在夏威夷檀香山举行的第40届国际机器学习会议上发表他们的研究成果，这是机器学习领域的旗舰活动。该研究揭示了影响人工神经网络保留特定知识的时间长度的因素。
什罗夫解释说，“为了优化算法的记忆，应在持续学习过程的早期教授不同的任务。这种方法扩大了网络对新信息的容量，并提高了其随后学习更相似任务的能力。”因此，任务相似性、正负相关性和学习序列显著影响机器的记忆保留。
这种动态的、终身学习系统的目标是提高机器学习算法的扩展速度，并使其能够适应不断变化的环境和意外情况。最终目标是使这些系统能够模仿人类的学习能力。
什罗夫和他的团队，包括俄亥俄州立大学的博士后研究员森林和裴仲举以及教授梁英彬，进行的研究为能够像人类一样学习和适应的智能机器奠定了基础。“我们的工作标志着一个新时代的智能机器，它们可以像人类一样学习和适应，”什罗夫说，他强调了这项研究对我们对人工智能的理解的重大影响。