每當人類接觸新事物，就會結合以往所學，精進技能和擴闊知識。但人工智能欠缺這種不斷學習的能力，只能根據特定目標，於訓練階段學習；在執行任務或完成後，均無法接收其他新知識 —— 換言之，每次學習新事物，都要重頭開始。為此，美國羅徹斯特大學電腦科學家 Christopher Kanan 正在研究讓人工智能不會遺忘、持續學習的演算法。
人類神經網絡經歷數億年演化，得以透過改變神經元之間的連接，靈活運用保存的重要信息，幫助學習新知。人工神經網絡雖參考了大腦功能，卻難以平衡新與舊的資訊 —— 每逢接收新數據，便會一下子覆蓋神經連接，可能導致無法識別過去的信息。
如何讓 AI「鞏固記憶」？
要令人工智能從數據流中不斷學習，同時不會遺忘之前所學，現時最有效的方法稱為重播（replay），靈感源自大腦於睡眠期間的神經元活動，透過重整信息以鞏固記憶。Kanan 接受雜誌 Quanta 訪問時解釋：「這包括 3 種方法，一、真實重播（veridical replay），將過去儲存的連串信息，例如用於識別任務的原始圖像，混合要學習的新圖像；二、重播已被壓縮的圖像；三、生成重播（generative replay）—— 將人工神經網絡合成的過去示例，與新示例混合。」
這表示人工神經網絡在學習新事物時，必須儲存以往學過的所有相關信息。但從神經科學的角度看來，實際運作並非如此。Kanan 指：「它未必需要儲存看過的所有內容，但必須有當中某些關鍵內容用作重播，惟目前尚未清楚該如何篩選⋯⋯ 更重要的是，過去經驗如何改善未來的學習效率？將來的學習又如何糾正過去錯誤？」
「現今的研究主要是由學生進行，他們大多依循已有程序，並在相同的測量結果中尋求性能上的提升，而不是突破框架。具體來說，研究機器學習時，通常設有一套用作訓練的數據，並另設一組數據來進行測試。但持續學習需要衝破這種規範，換言之，用作訓練的數據需隨著學習進展而變化，從而創造理想的持續學習環境。」
儘管 Kanan 的團隊尚在摸索階段，但他認為至少該認清，持續學習講求與信息互動的環境。他們正嘗試讓人工智能從連串流動的影像中學習，而不僅僅是從靜態圖像中學習分類。
模擬人學習，卻讓 AI 一次過學 10 萬樣東西
畢竟，生活比學習電子遊戲複雜得多，Kanan 為設計出可隨時間而不斷學習的演算法，跟以前的學生 Tyler Hayes 共同開發了一項講求類比推理的持續學習任務，有助鑽研遷移學習（transfer learning）的理念。「人工智能可從中獲得一些技能，進而使用更複雜的技能來解決更困難的問題。具體來說，我們驗證了回溯遷移 —— 過去所學對將來有多大幫助，反之亦然 —— 比對象識別等簡單任務更為重要。」
「許多持續學習的設定，仍使用非常大量的示例，如要求人工智能每次學習 10 萬樣東西，這跟實際情況 —— 每次學習一種新事物——並不相符。」Kenan 更從女兒身上獲得啟發：「她看過我示範一次後便學會了，機器學習尚未做到。」大腦的運作顯然比人工神經網絡複雜得多，讓他更加確信需要一套可隨時間推演的學習方法。
「我認為人類只是生化機器，我們終究會設計出更有效的演算法幫助人工智能學習⋯⋯ 沒有任何令人信服的論據顯示這是不可能的。」
