随着人工智能（AI）的边界不断扩展，研究人员面临着该领域的一个最大挑战：记忆丧失。在AI术语中被称为“灾难性遗忘”，这种现象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特性。俄亥俄州立大学的一组电气工程师正在研究持续学习的影响，即计算机不断从一系列任务中获取知识的能力，对AI代理的整体性能产生的影响。
弥合人类与机器学习之间的鸿沟
俄亥俄州立大学的计算机科学与工程系的奥亚州杰出学者和教授Ness Shroff强调了克服这一障碍的重要性。Shroff说：“随着自动驾驶应用或其他机器人系统学习新知识，重要的是它们不会忘记已经学过的知识，以确保我们的安全和它们自己的安全。”他继续说：“我们的研究探讨了这些人工神经网络中连续学习的复杂性，并且我们发现了一些洞察力，开始弥合机器学习和人类学习之间的差距。”
研究表明，与人类类似，人工神经网络在连续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。这一洞察力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。
任务多样性和顺序在机器学习中的作用
研究人员将在夏威夷火奴鲁鲁举行的第40届国际机器学习大会上介绍他们的研究结果，这是机器学习领域的重要活动。该研究揭示了影响人工网络保留特定知识时间长度的因素。
Shroff解释说：“为了优化算法的记忆，应该在持续学习过程的早期教授不同的任务。这种方法扩展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，任务相似度、正向和负向相关性以及学习顺序在机器的记忆保留中起着重要的影响。
这种动态的、终身学习系统的目标是加快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。
Shroff及其团队（包括俄亥俄州立大学的博士后研究员Sen Lin和Peizhong Ju以及教授Yingbin Liang）进行的研究为能够像人类一样适应和学习的智能机器铺平了道路。Shroff说：“我们的工作预示着智能机器学习和适应与人类相似的新时代的到来。”他强调了这项研究对我们对AI的理解的重大影响。