災(zāi)難性遺忘仍然是阻礙科學(xué)家建立通用人工智能（AGI）的主要障礙之一，DeepMind的團隊試圖破解這一難題，讓AI擁有了想象力。

暑假結(jié)束回到學(xué)校時，你可能會覺得前一年學(xué)過的東西已經(jīng)統(tǒng)統(tǒng)忘光了。但如果你像人工智能系統(tǒng)那樣學(xué)習(xí)，你會真的忘光光——當(dāng)你第一天在課堂上坐下來時，你的大腦會把這當(dāng)作一個提示，將過去一筆勾銷，一切從頭開始。

AI系統(tǒng)有一種傾向，在獲取新信息時將之前學(xué)到的東西忘掉，這被稱為災(zāi)難性遺忘（catastrophic forgetting）。

這是一個大問題。因為，先進的算法可以說是在分析了無數(shù)的例子之后才學(xué)會被要求做的事情。例如，一個面部識別AI系統(tǒng)需要分析成千上萬張人臉的圖片，這些圖片很可能是人工標(biāo)注過的，這樣它才能在人臉出現(xiàn)在視頻流中的時候檢測到。

但是，因為這些AI系統(tǒng)并沒有真正理解它們所做的事情的基本邏輯，所以教它們?nèi)プ銎渌魏问虑椋词惯@些事情與它們已經(jīng)會的事情非常相似——例如，識別特定的情感——也意味著要從頭開始重新訓(xùn)練算法。一旦算法訓(xùn)練好，它就完成了，就不能再更新了。

多年來，科學(xué)家們一直試圖找出解決這個問題的方法。如果解決了這個問題，AI系統(tǒng)將能夠從一組新的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，而不會覆蓋他們在這個過程中已經(jīng)學(xué)會的大部分內(nèi)容。如果未來某天機器人崛起了，我們的新霸主將能夠征服地球上所有的生命，同時還會嚼泡泡糖。

但是，災(zāi)難性遺忘仍然是阻礙科學(xué)家建立通用人工智能（AGI）的主要障礙之一。AGI是一種無所不會、具有同理心和想象力的AI，就像我們在電視和電影中看到的那樣。

DeepMind破解災(zāi)難性遺忘密碼

上周在布拉格參加Human-Level人工智能聯(lián)合多方會議的一些AI專家認為，災(zāi)難性遺忘的問題是他們認為不會很快實現(xiàn)AGI或human-level AI的最重要的原因。

不過，谷歌DeepMind的高級研究科學(xué)家Irina Higgins在會議上的演講中表示，她的團隊已經(jīng)開始破解災(zāi)難性遺忘的密碼。

她開發(fā)了一個AI智能體（類似一個由AI算法控制的電子游戲角色），這個智能體可以比典型的算法更有創(chuàng)造性地思考。它可以“想象”在一個虛擬環(huán)境中遇到的東西在其他地方看起來是什么樣子的。換句話說，神經(jīng)網(wǎng)絡(luò)能夠?qū)⑺?a href="http://www.1cnz.cn/analog/" target="_blank">模擬環(huán)境中遇到的某些物體從環(huán)境本身分離出來。

AI的想象力人類的想象不同。在人類的想象中，我們可以創(chuàng)造出全新的心理圖像（試著想象一只鳥，你腦海中可能會想象出一只虛構(gòu)的圓滾滾的紅色的鳥)。AI系統(tǒng)并不那么復(fù)雜，但它可以想象出已經(jīng)在新的配置或位置上看到過的物體。

“我們希望機器能夠在探索過程中學(xué)習(xí)有關(guān)安全的常識，這樣它就不會對自身造成損害，” Higgins在演講中說。本周早些時候，她的團隊在arXiv上發(fā)表了題為“Life-Long Disentangled Representation Learning with Cross-Domain Latent Homologies”的論文。

假設(shè)你正在穿越沙漠，你遇到了一棵仙人掌。是一種你漫畫中會看到的那種巨大的、兩莖的仙人掌。你立刻就能認出這是一棵仙人掌，因為你以前可能見過。也許你的辦公室裝飾了一些多肉植物。但即使你的辦公室沒有仙人掌，你也可以想象這個沙漠仙人掌在一個大陶罐里會是什么樣子。

Higgins的AI系統(tǒng)也能做同樣的事情。只需觀察一個物體從不同角度看是什么樣子的5個示例，AI就能了解它是什么，它與環(huán)境有怎樣的關(guān)系，以及從其他角度或在不同光線下看它是什么樣子。論文重點介紹了如何訓(xùn)練算法來識別白色行李箱或扶手椅。經(jīng)過訓(xùn)練后，算法可以想象出這個物體在一個全新的虛擬世界中的樣子，并在它遇到這個物體時識別出來。

Image Credit: Emily Cho

Higgins說：“我們運行了我用來激發(fā)這個模型的精確設(shè)置，然后我們展示了一個環(huán)境的圖像，要求這個模型想象一下在不同環(huán)境下它會是什么樣子。”與具有entangled representation的AI系統(tǒng)相比，她的新算法每次都在這項任務(wù)中表現(xiàn)更優(yōu)，而后者只能預(yù)測較少的物體質(zhì)量和特征。

簡言之，該算法能夠注意到它所遇到的事物與過去所看到的事物之間的差異。和大多數(shù)其他算法不同的是，Higgins為谷歌構(gòu)建的新系統(tǒng)可以理解它沒有遇到一個全新的物體，而只是從一個新的角度看到的同樣物體。

然后，它可以使用空閑的計算能力來接收新的信息。AI系統(tǒng)更新了它對世界的了解，而無需重新訓(xùn)練和重新學(xué)習(xí)一切。基本上，系統(tǒng)能夠?qū)⑵洮F(xiàn)有的知識轉(zhuǎn)移并應(yīng)用到新環(huán)境中。最終的結(jié)果是一種頻譜或連續(xù)體（continuum），顯示了它如何理解物體的各種特性。

當(dāng)然，僅有這一模型是無法把我們帶到AGI的。但它標(biāo)志著向AGI邁出了重要的第一步，表明AI算法可以在不斷更新的同時，在不丟失已經(jīng)擁有的知識的情況下，學(xué)習(xí)有關(guān)世界的新事物。

“我認為，它對于接近通用人工智能非常重要。” Higgins說。

讓AI更像人

這項工作仍處于早期階段。這些算法，就像許多其他的對象識別AI工具一樣，擅長于一項相當(dāng)狹窄的任務(wù)，具有一系列受限制的規(guī)則，比如查看照片并在很多沒有人臉的照片中挑出有人臉的照片來。但DeepMind的新AI系統(tǒng)正在以一種更接近創(chuàng)造力和想象力的數(shù)字模擬的方式完成一項狹窄的任務(wù)。

盡管DeepMind團隊的研究并沒有立即帶來通用人工智能時代，但這一新算法已經(jīng)具備了改進現(xiàn)有AI系統(tǒng)的能力。例如， Higgins在一組用于訓(xùn)練面部識別軟件的主要數(shù)據(jù)集上試用了她的新AI系統(tǒng)。在分析了數(shù)據(jù)集中成千上萬的大頭照后，該算法可以創(chuàng)建任何質(zhì)量的頻譜，用以標(biāo)記這些照片。例如，Higgins展示了按膚色排列的人臉頻譜。

Higgins說，她的算法也能對這些數(shù)據(jù)集中的主觀特征進行同樣的處理，最終將人類的偏見引入面部識別AI。Higgins展示了那些被人們貼上“有吸引力”標(biāo)簽的照片，如何形成一種頻譜，直接指向年輕、膚色白的女性的照片。這意味著，任何使用這些照片訓(xùn)練的AI系統(tǒng)都擁有與當(dāng)初給照片貼上標(biāo)簽的人類同樣的觀點：白人更具吸引力。

這個有創(chuàng)造力的新算法已經(jīng)比我們?nèi)祟愖龅酶昧耍梢哉业綑z測人類在其他算法中的偏見的新方法，這樣工程師就可以介入并刪除這些偏見。

因此，雖然它還不能完全取代藝術(shù)家，DeepMind團隊的工作是相當(dāng)大的進步，它讓AI更像人，而不是更像算法。