近年来,人工智能(AI)推动了高性能自动学习技术的发展。但是,这些技术通常是逐个任务应用的,这意味着为一个任务训练的智能代理在其他任务(甚至非常相似的任务)上的执行效果会很差。为了克服这个问题,列日大学(ULiège)的研究人员开发了一种基于生物学机制的新算法,称为神经调节。该算法可以创建能够执行训练期间未遇到的任务的智能代理。这个新颖而卓越的结果将在本周的《PLOS ONE》杂志上发表。
尽管近年来AI领域取得了巨大进步,但我们离人类智能还很远。的确,如果当前的AI技术允许训练计算机代理以更好地执行某些任务,而不是专门针对人类进行培训,那么当这些代理处于与经历的条件不同(甚至略有不同)的条件下时,它们的性能通常非常令人失望。
通过获取与练习新的技能,人类能够非常有效地适应新情况。例如,一个学会在客厅里走路的孩子也会很快学会在花园里走路。在这种情况下,学习走路与突触可塑性有关,突触可塑性改变了神经元之间的联系,而在客厅学习到的步行技能与在花园中走路所需的技能的快速适应与神经调节有关。神经调节通过化学神经调节剂修饰神经元本身的输入、输出特性。