学了后面忘前面 治疗AI“健忘症”还难有良策

　　很多人在上学的时候都有这样的经历，在经过了一个寒假返校后，发现前一学期学到的内容有的已经忘了。在见识过人工智能PK人类的屡屡胜绩后，有人不免羡慕AI强大的学习本领，但事实上人工智能的“记性”并不如你想象的那样好，如果你像人工智能系统那样学习，很可能在学习新知识的同时，大脑便会逐渐忘了之前的内容，其原因就在于人工智能遭遇了“灾难性遗忘”。

　　近日，来自谷歌大脑的最新研究发现，在街机学习环境的由多个子任务组成的单任务场景中也存在着“灾难性遗忘”。特别像在“蒙特祖玛复仇”这种探索型游戏里，场景变化较大，会出现学习完当前游戏场景后，忘记上一个游戏场景知识的情况。

　　那么人工智能为什么会产生“灾难性遗忘”？目前解决“灾难性遗忘”的方案有哪些？难点在哪？就此，科技日报记者采访了有关专家。

　　学一个忘一个 深度学习效率低下

　　自从阿尔法围棋（AlphaGo）相继战胜多名围棋冠军后，深度学习已经成为众多实现人工智能的方法中最耀眼的“明星”，也是各大研发机构角逐的主战场。而谷歌大脑团队这次面临的“灾难性遗忘”，正是人工智能深度学习中所面临的一个普遍且严重的问题。

　　“‘灾难性遗忘’指的是人工智能系统，如深度学习模型，在学习新任务或适应新环境时，忘记或丧失了以前习得的一些能力。”腾讯人工智能实验室副主任俞栋博士在接受科技日报记者采访时说，“灾难性遗忘”会造成人工智能系统在原有任务或环境中的性能大幅下降。

　　美亚柏科信息中心总经理魏朝东介绍，在深度神经网络学习不同任务的时候，相关权重的快速变化会损害先前任务的表现，通俗来说，就是在学习中像猴子搬苞谷，捡一个丢一个，记住了新知识，也有可能会忘掉了老知识。

　　正是源于此，“灾难性遗忘”的存在，一定程度上限制了人工智能在一些场景中的应用。

　　福州大学数学与计算机科学学院、福建省新媒体行业技术开发基地副主任柯逍博士举例说，如一个AI图像识别系统，当需要添加一个新的类别的物体时，就不得不把原先的所有物体都再学习一次。如在文物鉴定系统中，当有一天发现原始数据中有一个文物朝代错了，便没办法单独对这一个错误的文物进行修改学习；再如让AI系统学习英语之后，再让它学习德语，它可能会把原来学习的英语语法全部忘光。

　　那么在谷歌大脑的最新研究中，“灾难性遗忘”又造成了哪些影响？其中又有何新发现？

　　“除了传统的新知识学习会覆盖旧知识之外，这次谷歌大脑还发现，在如‘超级玛丽’等探索型游戏里，‘灾难性遗忘’会阻碍模型对新知识的学习。”厦门大学科技处副处长、人工智能系教授纪荣嵘说。

　　纪荣嵘进一步解释说，面向街机游戏学习的强化学习方法都会采用“经验回放”的训练方式，就是将模型在游戏探索时候的片段进行保存，然后给模型进行“回放”训练。而像“蒙特祖玛复仇”这种游戏，游戏场景变化比较大，模型需要不间断探索游戏场景，因此，在训练时候就必须不断回放早期场景的游戏经验，不然会因为“灾难性遗忘”而忘记了早期的游戏知识。

　　“这也导致了新的游戏经验虽然能够被采样到‘经验回放’库里，但因为学习方式的设定，导致学习效率低，同时由于不同阶段的学习会互相干扰，使得AI无法一次通过该游戏的全部关卡。”纪荣嵘说。

　　AI“脑容量”存上限 新旧知识难共存

　　AI为什么会产生“灾难性遗忘”？

　　“深度学习的结构一旦确定，在训练过程中很难调整。神经网络的结构直接决定学习模型的容量。”柯逍说，AI“脑容量”存在上限，也就导致了人工智能只能有限地处理特定任务。就像水桶一半高的地方有个洞，以至于无论怎么增加水桶的高度，这个水桶只能装一半高的水。

　　中科院自动化所脑网络组研究中心研究员、模式识别国家重点实验室副主任余山指出，这还涉及到神经网络学习知识的机制。在单个任务的训练过程中，网络中各个神经元之间的连接权重进行了专门的调整，以胜任当前的任务。而在新任务的训练中，连接权重要针对新任务进行调整，这将“抹去”适应旧任务的原有结构，导致在旧任务上的性能大大下降。

　　人类的记忆能力其实是有限的，但为何出现“灾难性遗忘”的情况却比较少？“主要是人类在学习过程当中，大脑能够主动保留有用的知识和技巧，同时不影响新的信息获取。” 纪荣嵘说，但现在的人工智能模型大部分是基于随机梯度下降来更新模型参数，这个过程主要服务于当前任务的优化，并不会去评估哪些参数权重对旧的知识是有用的，所以就很容易出现知识被覆盖的情况。

　　纪荣嵘也表示，当前像Siri或小爱这样的人工智能助手产品，还不能算真正意义上的通用人工智能，一方面，这些人工智能助手只能在预设的知识范围内和人类互动，完成指令；另一方面，人类没办法像养宠物或养小孩一样，通过互动去教导这些人工智能助手学习新的知识或新的指令。

　　有多个解决方案 但都治标不治本

　　据了解，破解“灾难性遗忘”是实现通用人工智能的一个关键。解决了“灾难性遗忘”问题，就意味着模型具备了持续学习的能力, 可以像人类一样不断获取新的知识、新的技能，同时能够最大化地保持旧的经验知识和技巧。

　　那么，目前解决“灾难性遗忘”的方案有哪些？

　　“最常见的方式是多任务学习, 就是把所有任务的训练数据同时放到一起，模型就可以针对多种任务进行联合优化。”纪荣嵘举例说，如让模型同时学习“坦克大战”和“超级玛丽”两个任务，等两个任务同时学的差不多的时候，模型才停止训练。

　　但柯逍也指出，这种方式随着任务增多，新任务样本数量被稀释，训练会拖慢学习新知识的效率，并且不是任何情况都能获得先前任务的数据来复习的。

　　还有的解决方案是根据新的任务知识来扩充模型结构，保证旧的知识经验不被损害。此次，谷歌大脑所提出的“记忆碎片观察”方法正是对不同任务（场景）构建多个人工智能模型来进行学习。“模型扩充的方式从本质上并没有解决‘灾难性遗忘’的问题，只是用多个模型来替代单个模型去学习多种任务，避免旧参数被覆盖。”纪荣嵘说。

　　当前，解决“灾难性遗忘”还存在着一对矛盾：在学习新任务的过程中，需要给予网络足够多的自由度进行连接权重调整，但是又要避免这样的调整“抹去”原有的记忆。

　　“因此，科学家们开始设计新的学习算法解决上述矛盾，使得网络在进行权重调整的时候，对已有知识的影响最小化。”余山表示，其团队近期提出的正交权重修改算法，就属于这类，主要通过限制权重修改只能在旧任务的解空间中进行，这一算法较好的克服了“灾难性遗忘”，使得同一个分类器网络可以连续学习多达数千个类别的识别。

　　魏朝东认为，虽然科学家们已经探索出多种解决方案，但目前的AI学习只是从认知科学中获得了一小部分灵感，对大脑的模拟还没达到人们想象的高度，大部分AI学习方案是“先天不足”的。“灾难性遗忘”是一个综合性问题，不仅需要有理论支撑，未来还需要有可行的技术手段去实现。