【Lifelong Learning Machines】终身学习机的进展显示了生物启发式算法的潜力

当前的机器学习系统由于在遇到新情况时无法连续学习或适应，从而发展受到限制：机器学习系统的程序在训练后就固化，一旦部署就无法对新的、不可预见的情况做出反应。而添加新信息以覆盖编程缺陷则会改写现有的训练集。使用当前技术，就需要使系统离线，并在包含新信息的数据集上重新训练。DARPA的终身学习机（Lifelong Learning Machines，L2M）项目正在努力克服这一漫长而艰巨的过程。

DARPA终身学习机（Lifelong Learning Machines，L2M）项目

“L2M项目的首要目标是开发能够在执行过程中不断学习，并在执行任务时变得越来越专业的系统，其在安全范围限制下，能够将以前的技能和知识应用于新情况，而不会忘记以前的学习，”负责L2M项目的DARPA信息创新办公室（I2O）项目经理 Hava Siegelmann博士介绍，“虽然很复杂，但这是我们取得重大进展的领域。”

DARPA于2017年首次宣布推出L2M项目，一年多来，项目专注于研究和开发下一代AI系统及其组件，以及生物有机体中能够转化为计算过程的学习机制。L2M项目通过不同持续时间和规模的拨款、合同来支持多达30个演示验证研究团队。

近日，L2M研究人员——美国南加州大学维特比工程学院生物医学工程和生物动力学教授Francisco J. Valero-Cuevas以及博士生Ali Marjaninejad、Dario Urbina-Melendez和Brian Cohn发表了关于探索生物启发人工智能算法的成果。在3月号《自然·机器智能》封面中概述的一篇文章中，Valero-Cuevas团队详细介绍了他们成功创造的一种由人工智能控制的机器人肢体，它由动物般肌腱驱动，能够教导自己行走任务，甚至自动从干扰恢复到平衡。

3月号《自然·机器智能》封面

一般到特定（G2P）算法

平面机器人肌腱驱动肢体

南加州大学研究人员的机器人肢体背后是一种生物启发算法，它只需经过五分钟的“非结构化游戏”，即可自行学习步行任务或进行随机动作，使机器人能够学习自己的结构及其周围环境。机器人的“边干边学”能力是机器终身学习的重大进步。当前的机器学习方法依赖于针对所有潜在场景预编程系统，这是复杂、劳动密集且低效的。南加州大学研究人员已经完成的研究表明，人工智能系统有可能从相关经验中学习，找到并适应应对挑战的解决方案。

南加州大学研究团队展示的基于L2M项目开发的机器人

Siegelmann指出，“我们正处于人工智能领域的重要转型时刻。目前智能系统的固定方法将很快让位于能够在现场学习的系统。更安全、更灵活和更有用的人工智能缺失的因素是，在操作中学习和将学习应用于系统之前未经过培训的新环境的能力。例如，对于像自动驾驶汽车这样的复杂系统来说，这些能力是必不可少的。结合L2M技术将使它们变得越来越专业，因为他们在不同的条件下驾驶，将使他们比人类驾驶的汽车更安全。Valero-Curevas教授和他的团队成功地使我们更接近这一目标， 这就是L2M项目的意义所在。“

可以预见，人工智能在自动驾驶领域的应用是可以最早见到成效的

---

前情回顾

---

防务菌

---

有礼有节&百无禁忌

---

来将通名&非诚勿扰