计算机是否可以成为生物是人工智能研究人员面临的关键挑战之一。自从艾伦·图灵第一次创造了现在被称为图灵测试的东西以来，人工智能已经取得了巨大的进步——机器是否可以表现出与人类相同或无法区分的智能行为。
然而，机器仍然在努力应对人类和其他生命形式的基本技能之一：终身学习。在我们完成一项任务时学习和适应，而不会忘记以前的任务或直观地将从一项任务中收集到的知识转移到不同的领域。
现在，在 DARPA 终身学习机器 (L2M) 计划的支持下，南加州大学维特比分校的研究人员与来自和世界各地的机构的同事合作，为人工智能学习的未来开发了一种新资源，定义了人工系统如何成功思考，在现实世界中行动和适应，就像生物一样。
该论文由院长电气和计算机工程教授 Alice Parker 和生物医学工程教授和生物运动学和物理治疗教授 Francisco Valero-Cuevas 及其研究团队共同撰写，与 Dhireesha Kudithipudi 教授合作发表在Nature Machine Intelligence上德克萨斯大学圣安东尼奥分校以及其他 22 所大学。
该研究团队还包括 ValeroLab 的博士后研究人员 Ali Marjaninejad、生物医学工程博士生 Darío Urbina 和电气工程博士生 Suraj Chakravarthi Raja。ValeroLab 之前在仿生人工智能领域的工作包括一个由类似动物的肌腱驱动的人工智能控制的机器人肢体 ，可以在没有先验知识的情况下学会走路。
Valero-Cuevas 表示，该出版物的目的是为未来几十年的人工智能研究人员提供首选资源，重点关注人工系统中终身学习的概念。该蓝图将概述一种新型机器智能的发展，这种机器智能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一系列受生物学启发的能力，例如在不损害旧技能的情况下获得新技能、适应变化以及将以前学到的知识应用于新任务。
“你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会忘记以前的任务，”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。机器还没有——还没有。”
Valero-Cuevas 说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取数据的算法，以便在部署到世界之前学习如何操作。
“但训练和部署之间有明显的区别。部署机器时，它不一定要学习。如果你想教它一些新的东西，通常你必须抹去记忆，它会忘记如何做最后一件事，”Valero-Cuevas 说。
这个问题被称为“灾难性遗忘”，这是新蓝图强调的当前人工智能系统的关键缺陷之一。
“作为人类，你可以向我展示如何打乒乓球，然后我可以使用这项技能并将其转移到学习如何打网球或羽毛球，”Valero-Cuevas 说。“目前，机器只能被教如何进行一项球拍运动，比如乒乓球。如果你想打网球，需要你以不同的方式使用你的身体，你就必须改变程序。”
除了克服灾难性遗忘因素外，研究人员的蓝图还概述了人工系统以与生物相同的方式实现终身学习所必需的一系列其他能力。这些包括：
转移和适应——转移和重用知识以及适应新环境的能力。
他们利用任务相似性——学习多个任务并在它们之间传递知识的能力。
与任务无关的学习——了解在训练期间何时从一项任务切换到另一项任务而不被告知。
噪声容限——当条件与训练期不同时(例如在夜间而不是白天操作)，在真实场景中完成相同的任务。
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并减慢其响应时间。
作为仿生电路方面的专家，帕克在研究人脑以了解其工作原理以及如何将这些知识应用于人工系统方面有着悠久的研究历史。在这篇最新论文中，帕克贡献了对神经调节的理解：生物大脑中的系统有助于改善学习、克服灾难性遗忘问题、适应不确定的环境并理解环境的变化。
Parker 专注于通过添加现有神经网络硬件中没有但支持终身学习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。这些特征包括星形胶质细胞——与神经元相互作用以支持教育的其他脑细胞——以及神经代码——以编码形式传递信息的尖峰和爆发。
Valero-Cuevas 表示，此次合作是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，我们非常羡慕，并询问机器需要什么才能做到这一点。”
“我们认为至少一些生物学机制——从数百万年的进化中吸取的经验教训——可以被人工智能转化和采用，”他说。
