?如何實(shí)現(xiàn)持續(xù)學(xué)習(xí)，讓AI不斷片？

近日，來自羅切斯特大學(xué)的41歲計(jì)算機(jī)科學(xué)家Christopher Kanan在專訪中表示，自己正在構(gòu)建可以讓AI隨著時(shí)間的推移而不斷學(xué)習(xí)的算法——就像我們?nèi)祟愐粯印?/p>

災(zāi)難性遺忘

眾所周知，AI在經(jīng)過訓(xùn)練之后可以很好地完成「考試范圍內(nèi)」的任務(wù)，但是這些算法卻不能像人類那樣不斷用新信息更新知識庫。

為了學(xué)習(xí)哪怕是一個(gè)新的東西，算法也必須從頭開始訓(xùn)練，而代價(jià)就是忘記它之前已經(jīng)學(xué)習(xí)過的幾乎所有內(nèi)容。如此帶來的問題就是——「災(zāi)難性遺忘」（Catastrophic Forgetting）。就像你遇到一個(gè)新朋友，你唯一能知道她名字的方法就是重啟你的大腦。

之所以會出現(xiàn)這種情況，要?dú)w咎于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)新事物的方式。這些算法的學(xué)習(xí)需要改變神經(jīng)元之間的連接強(qiáng)度，然而這同時(shí)也代表了過去的知識，因此過多地改變連接就會導(dǎo)致遺忘。

生物神經(jīng)網(wǎng)絡(luò)已經(jīng)進(jìn)化了數(shù)億年的策略，以確保重要信息保持穩(wěn)定。但是今天的人工神經(jīng)網(wǎng)絡(luò)很難在新舊知識之間取得良好的平衡。當(dāng)網(wǎng)絡(luò)看到新數(shù)據(jù)時(shí)，它們的連接很容易被覆蓋，這可能導(dǎo)致突然而嚴(yán)重的無法識別過去的信息。

1. 您在哲學(xué)方面的學(xué)習(xí)對你思考研究的方式產(chǎn)生了哪些影響呢？

哲學(xué)教會你的是，「如何提出合理的論點(diǎn)」和「如何分析他人的論點(diǎn)？」

我的實(shí)驗(yàn)室受到這個(gè)問題的啟發(fā)：如果我們不能做 X，我們怎么能做 Y？

我們會隨著時(shí)間的推移而學(xué)習(xí)，但神經(jīng)網(wǎng)絡(luò)不會，他的知識量是固定的。那么如果人類未來要想制造通用人工智能，這是必須解決的基本問題。

Kanan的研究筆記

2. 學(xué)術(shù)界目前對災(zāi)難性遺忘的解決進(jìn)展如何？

目前最成功的方法叫做重放（Replay），這樣可以存儲過去的知識，然后在訓(xùn)練過程中用新的數(shù)據(jù)集重放，這樣原始信息就不會丟失。

這個(gè)方法的靈感來自我們大腦中的記憶鞏固過程（Memory Consolidation），睡眠過程中一天的學(xué)習(xí)的內(nèi)容被重新編碼，并隨著神經(jīng)元激活而被重放。

換句話說，新的學(xué)習(xí)并不能完全根除算法過去的知識。

有三種方法可以實(shí)現(xiàn)這一點(diǎn)。

• 最常見的方法是「真實(shí)回放」，研究人員存儲原始輸入的子集——例如，用于對象識別任務(wù)的原始圖像——然后將這些存儲的過去圖像與學(xué)習(xí)的新圖像混合。
• 第二種方法是重放圖像的壓縮表示。
• 第三種不太常見的方法是「生成回放」。

在這里，人工神經(jīng)網(wǎng)絡(luò)實(shí)際上生成了過去經(jīng)驗(yàn)的合成版本，然后將該合成示例與新示例混合。我的實(shí)驗(yàn)室專注于后兩種方法。

3. 如果我們能夠徹底解決災(zāi)難性遺忘，這是否意味著人工智能可以隨著時(shí)間的推移不斷學(xué)習(xí)新事物？

不完全是。我認(rèn)為持續(xù)學(xué)習(xí)領(lǐng)域的開放性問題并不是災(zāi)難性遺忘。

我真正感興趣的是：

過去的學(xué)習(xí)如何讓未來的學(xué)習(xí)更有效率？未來的學(xué)習(xí)如何糾正過去的學(xué)習(xí)？這些是很少人衡量的東西，我認(rèn)為這樣做是推動該領(lǐng)域向前發(fā)展的關(guān)鍵部分，因?yàn)閷?shí)際上，這不僅僅是忘記一些東西，而是關(guān)于如何成為一個(gè)更好的學(xué)習(xí)者。

Christopher Kanan表示:

與現(xiàn)代神經(jīng)網(wǎng)絡(luò)相比，我們的頭腦中發(fā)生的事情肯定要多得多。我們需要建立正確的實(shí)驗(yàn)和算法設(shè)置來衡量過去的學(xué)習(xí)是否有助于未來的學(xué)習(xí)。而目前最大的問題是我們沒有很好的數(shù)據(jù)集來研究持續(xù)學(xué)習(xí)，我們基本上是在使用傳統(tǒng)機(jī)器學(xué)習(xí)中使用的現(xiàn)有數(shù)據(jù)集并將其重新開發(fā)。

一般來說，機(jī)器學(xué)習(xí)的常規(guī)操作是我們有一個(gè)訓(xùn)練集和一個(gè)測試集——我們在訓(xùn)練集上訓(xùn)練，在測試集上進(jìn)行測試。

但持續(xù)學(xué)習(xí)打破了這些規(guī)則，它讓訓(xùn)練集會隨著訓(xùn)練者的學(xué)習(xí)而發(fā)展，因此我們需要一個(gè)非常好的持續(xù)學(xué)習(xí)環(huán)境。

4. 理想的持續(xù)學(xué)習(xí)環(huán)境應(yīng)該是什么樣的？

告訴你它不是什么比告訴你是什么更容易。

我可以告訴你它可能具有的屬性。所以現(xiàn)在，讓我們假設(shè)人工智能算法不是模擬中的具身智能。然后至少，理想情況下，我們正在從視頻中學(xué)習(xí)，或者類似的東西，比如多模態(tài)視頻流，并希望做的不僅僅是靜態(tài)圖像的分類。

有很多關(guān)于這方面的開放性問題。幾年前我參加了一個(gè)持續(xù)學(xué)習(xí)研討會，一些像我這樣的人說，「我們必須停止使用一個(gè)叫做MNIST的數(shù)據(jù)集，它太簡單了。」然后有人說，「好吧，那我們就對星際爭霸進(jìn)行增量學(xué)習(xí)。」

出于各種原因，我現(xiàn)在也在這樣做，但我認(rèn)為還不足以真正地解決這個(gè)問題。畢竟，生活比學(xué)習(xí)玩星際爭霸要豐富得多。

5. 您的實(shí)驗(yàn)室如何嘗試設(shè)計(jì)可隨時(shí)間推移不斷學(xué)習(xí)的算法？

我和我以前的學(xué)生Tyler Hayes一起開創(chuàng)了一項(xiàng)有關(guān)類比推理的持續(xù)學(xué)習(xí)研究，這篇文章也同時(shí)發(fā)表在CVPR 2021上。

論文鏈接：https://openaccess.thecvf.com/content/CVPR2021W/CLVision/html/Hayes_Selective_Replay_Enhances_Learning_in_Online_Continual_Analogical_Reasoning_CVPRW_2021_paper.html

我們認(rèn)為這將是研究遷移學(xué)習(xí)（Transfer Learning）理念的好領(lǐng)域，因?yàn)槲覀儸F(xiàn)在需要使用更復(fù)雜的技能來解決更復(fù)雜的問題。

具體來說，我們對后向遷移（Backward Transfer）的數(shù)據(jù)進(jìn)行了測量，即過去學(xué)習(xí)的東西在未來對你有多大幫助，反之亦然。

我們發(fā)現(xiàn)了很好的遷移證據(jù)，比對象識別這樣的簡單任務(wù)重要得多。

6. 你認(rèn)為人工智能真的會像人類一樣學(xué)習(xí)嗎？

我想他們會的。許多極具天賦的人在這個(gè)領(lǐng)域朝著這個(gè)目標(biāo)邁進(jìn)。

但我們需要的是創(chuàng)造力。機(jī)器學(xué)習(xí)社區(qū)的很多研究都是在前人研究的基礎(chǔ)上做一些小改進(jìn)，真正變革性的研究不多。

但是這一天一定會到來的，只是時(shí)間早晚問題。

Christopher Kanan

Christopher Kanan是羅切斯特大學(xué)計(jì)算機(jī)科學(xué)的終身副教授。主要的工作方向是深度學(xué)習(xí)的基礎(chǔ)研究，包括持續(xù)學(xué)習(xí)，人工智能的偏見，醫(yī)學(xué)計(jì)算機(jī)視覺，以及語言引導(dǎo)的場景理解。

Kanan曾從事在線持續(xù)學(xué)習(xí)、視覺問題回答、計(jì)算病理學(xué)、語義分割、物體識別、物體檢測、主動視覺、物體跟蹤等工作。除了機(jī)器學(xué)習(xí)，他在眼球追蹤、靈長類動物視覺和理論神經(jīng)科學(xué)方面也有深厚的背景。

在此之前，他是羅切斯特理工學(xué)院（RIT）卡爾森影像科學(xué)中心的一名終身副教授。在職期間，他和同事共同創(chuàng)建了人類意識人工智能中心（CHAI），并擔(dān)任了四年的副主任。此外，Kanan還曾是康奈爾科技大學(xué)的客座副教授，為每年約100名研究生教授了4年的深度學(xué)習(xí)課程。

Christopher Kanan在俄克拉荷馬州農(nóng)村的一個(gè)小鎮(zhèn)上長大。

1996年的時(shí)候，他就開始探索人工智能了，還在讀高中的Kanan自制了很多「bot」來玩在線多人計(jì)算機(jī)游戲。

2002年，Kanan考入俄克拉荷馬州立大學(xué)（OSU）主修哲學(xué)和計(jì)算機(jī)科學(xué)雙學(xué)位，并于2004年獲得學(xué)士學(xué)位。

2006年，在南加州大學(xué)（USC）獲得了計(jì)算機(jī)科學(xué)獲得碩士學(xué)位，主要研究人工智能和神經(jīng)科學(xué)，并與計(jì)算神經(jīng)科學(xué)和神經(jīng)網(wǎng)絡(luò)的先驅(qū)Michael Arbib一起工作。2013年，在加州大學(xué)圣地亞哥分校（UCSD）獲得計(jì)算機(jī)科學(xué)博士學(xué)位。畢業(yè)后，Kanan又到加州理工學(xué)院從事博士后研究。

參考資料：https://www.quantamagazine.org/the-computer-scientist-trying-to-teach-ai-to-learn-like-we-do-20220802/?