目前人工智能以机器学习技术为核心,并依赖于庞大的数据支撑。但编程者无法预知所有可能出现的元素或面对的情景。当这些机器学习系统遇到程序和数据库中并未包含的特殊情形时就会不知所措。如果想扩展机器学习系统在该新环境下的能力,必须停止其服务并利用额外的数据对其进行再训练,但这种做法依赖于人类的介入且效率较低。与此不同,生物系统能够实现自主训练,从过往经历中不断汲取经验,即使面对全新的环境也能根据积累的知识做出适应性调整。
DARPA于2017年启动L2M(Lifelong Learning Machines,L2M)项目,探索生物学习机理在人工智能中的应用,推进新一代人工智能系统的发展。该项目的目标是开发支持下一代自适应人工智能系统所需的技术,使其能够在实际环境中基于情景进行在线式现场学习并改善性能,不需要进行线下再编程或再训练。这种持续自主学习的能力可帮助系统在没有预编程与训练的情况下适应新情景。
L2M 试图将生物学习机理应用于计算机机器学习系统,打破现有机器学习系统对预编程和训练样本的依赖,使人工智能系统像生物系统一样能够根据经验进行决策,提高行动的自主性,增强广度环境适应能力。为了实现这一目标,L2M项目旨在从根本上开发一种全新的机器学习机制,使系统能够从经验中不断学习,这与孩童和其他生命体一生不断从经验中进行学习与训练的机制非常相像。L2M项目周期为4年,有两个技术领域。第一个技术领域是开发机器学习框架,可持续应用过去的经验成果,并使用“经验教训”去适应新的数据或情景;同时,还需开发用于监测机器学习系统行为的技术,对系统可以适应的能力范围进行设置,并具备在必要时对系统进行干预的功能。第二个技术领域源自对生命体学习机制的学习,将专注于研究生命系统自我学习和适应的原理和技术;并考虑这些原理和技术是否能够以及如何应用在机器学习系统中。L2M项目的结构如图1所示。
图1 L2M项目的架构
L2M项目的新型机器学习机制所具有的核心能力包括:持续学习,系统在执行期间能够学习;适应新的任务和环境,将已有的学习能力应用于新的场景,但不丢弃之前已学习过的任务;目标驱动的感知,从任务的角度去理解输入信号;选择性的可塑性,在稳定性和可塑性之间平衡;安全性和可监控。
目前,L2M研究团队致力于研究计算系统如何能够实时适应新环境而不会丢失之前的知识。加州大学欧文分校的一个研究团队计划研究海马和大脑皮层的双重记忆结构。该团队试图创建一种能够通过对比现有记忆输入来预测潜在结果的ML系统,这将使系统在保留之前学习内容的同时变得更具适应性。塔夫茨大学研究小组正在研究在蝾螈等动物中观察到的再生机制,以研究能够在任务过程中通过改变其结构和功能来适应环境变化的柔性机器人。
通过研发新一代机器学习技术,使其具备能够从环境中不断学习并总结出一般性知识的能力,L2M项目将为第三次人工智能技术浪潮打下坚实的技术基础。