一輛自動駕駛的航天飛機(jī)在拉斯維加斯耐心地等待著一輛貨車的倒車，然后再倒車，然后再倒車。這是在航天飛機(jī)的就職典禮幾個小時內(nèi)發(fā)生的。真正的問題是，航天飛機(jī)不能像人類一樣從事故中學(xué)習(xí):立即而且不忘記如何在這個過程中做其他事情。

美國國防高級研究計劃局(DARPA)正尋求改變人工智能的工作方式，通過一個名為L2M的程序，或終生學(xué)習(xí)機(jī)器。該機(jī)構(gòu)正在尋找不斷學(xué)習(xí)、適應(yīng)新任務(wù)、知道該學(xué)習(xí)什么和什么時候?qū)W習(xí)的系統(tǒng)。“我們希望自動化的嚴(yán)謹(jǐn)性與人類的靈活性，”該項目的主管Hava t . Siegelmann說。這個耗資6500萬美元的項目已經(jīng)選擇了16個小組進(jìn)行為期4年的項目，但根據(jù)Siegelmann的說法，仍然有機(jī)會提出12個或18個月的項目。

人工智能的大問題源于今天使用的結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)是一種適應(yīng)性強(qiáng)的系統(tǒng)，它的學(xué)習(xí)能力來自于不同的人工神經(jīng)元之間的連接強(qiáng)度。如今，這些網(wǎng)絡(luò)被訓(xùn)練在一組數(shù)據(jù)圖像上，例如汽車和人。網(wǎng)絡(luò)連接的強(qiáng)度是固定的，系統(tǒng)會進(jìn)入世界去做它的事情。

問題來了，當(dāng)人工智能遇到了從未受過訓(xùn)練的東西。如果不進(jìn)行再培訓(xùn)，系統(tǒng)將一次又一次地犯同樣的錯誤。但現(xiàn)在，AIs不能真正地接受重新培訓(xùn)。Siegelmann在IEEE Rebooting計算會議上解釋說，用今天的系統(tǒng)來嘗試這樣做會導(dǎo)致一種叫做“災(zāi)難性遺忘”的現(xiàn)象。在這種情況下，學(xué)習(xí)新項目會破壞系統(tǒng)已經(jīng)知道如何去做的所有其他事情的知識。

即使是人類在遇到新事物時也會經(jīng)歷一些性能下降，但我們可以在執(zhí)行一個函數(shù)時恢復(fù)。如果你在一個籃球賽中以30厘米的速度把網(wǎng)舉起來，球員們將會錯過大部分的時間，但是隨著他們繼續(xù)比賽，他們將學(xué)會在新的高度得分。你不必把他們從球場上拉下來，然后再把整個游戲教給他們。

16個主要資助項目由兩組學(xué)生組成。一組將有4年的時間來開發(fā)能夠持續(xù)學(xué)習(xí)、適應(yīng)新任務(wù)和環(huán)境的系統(tǒng)，并根據(jù)系統(tǒng)的任務(wù)(稱為“目標(biāo)驅(qū)動感知”)理解輸入。另一組將有4年時間來確定終身學(xué)習(xí)的新機(jī)制——從生物學(xué)或物理科學(xué)——并將其轉(zhuǎn)換為一種改進(jìn)人工智能的算法。