AI也有健忘症？英国41岁教授专访：解决灾难性遗忘(2)

不完全是。我认为持续学习领域的开放性问题并不是灾难性遗忘。 我真正感兴趣的是：

过去的学习如何让未来的学习更有效率？未来的学习如何纠正过去的学习？

这些是很少人衡量的东西，我认为这样做是推动该领域向前发展的关键部分，因为实际上，这不仅仅是忘记一些东西，而是关于如何成为一个更好的学习者。 Christopher Kanan表示:

与现代神经网络相比，我们的头脑中发生的事情肯定要多得多。我们需要建立正确的实验和算法设置来衡量过去的学习是否有助于未来的学习。

而目前最大的问题是我们没有很好的数据集来研究持续学习，我们基本上是在使用传统机器学习中使用的现有数据集并将其重新开发。 一般来说，机器学习的常规操作是我们有一个训练集和一个测试集——我们在训练集上训练，在测试集上进行测试。 但持续学习打破了这些规则，它让训练集会随着训练者的学习而发展，因此我们需要一个非常好的持续学习环境。 4. 理想的持续学习环境应该是什么样的？

告诉你它不是什么比告诉你是什么更容易。 我可以告诉你它可能具有的属性。所以现在，让我们假设人工智能算法不是模拟中的具身智能。然后至少，理想情况下，我们正在从视频中学习，或者类似的东西，比如多模态视频流，并希望做的不仅仅是静态图像的分类。 有很多关于这方面的开放性问题。几年前我参加了一个持续学习研讨会，一些像我这样的人说，「我们必须停止使用一个叫做MNIST的数据集，它太简单了。」然后有人说，「好吧，那我们就对星际争霸进行增量学习。」 ‍ 出于各种原因，我现在也在这样做，但我认为还不足以真正地解决这个问题。毕竟，生活比学习玩星际争霸要丰富得多。 5. 您的实验室如何尝试设计可随时间推移不断学习的算法？

我和我以前的学生Tyler Hayes一起开创了一项有关类比推理的持续学习研究，这篇文章也同时发表在CVPR 2021上。 论文链接：https://openaccess.thecvf.com/content/CVPR2021W/CLVision/html/Hayes_Selective_Replay_Enhances_Learning_in_Online_Continual_Analogical_Reasoning_CVPRW_2021_paper.html 我们认为这将是研究迁移学习（Transfer Learning）理念的好领域，因为我们现在需要使用更复杂的技能来解决更复杂的问题。 具体来说，我们对后向迁移（Backward Transfer）的数据进行了测量，即过去学习的东西在未来对你有多大帮助，反之亦然。 我们发现了很好的迁移证据，比对象识别这样的简单任务重要得多。 6. 你认为人工智能真的会像人类一样学习吗？