一輛自動駕駛的航天飛機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。這是在航天飛機的就職典禮幾個小時內發(fā)生的。真正的問題是，航天飛機不能像人類一樣從事故中學習: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，或終生學習機器。該機構正在尋找不斷學習、適應新任務、知道該學習什么和什么時候學習的系統(tǒng)?！拔覀兿Ｍ詣踊膰乐斝耘c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個小組進行為期4年的項目，但根據(jù)Siegelmann的說法，仍然有機會提出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構。神經(jīng)網(wǎng)絡是一種適應性強的系統(tǒng)，它的學習能力來自于不同的人工神經(jīng)元之間的連接強度。如今，這些網(wǎng)絡被訓練在一組數(shù)據(jù)圖像上，例如汽車和人。網(wǎng)絡連接的強度是固定的，系統(tǒng)會進入世界去做它的事情。

問題來了，當人工智能遇到了從未受過訓練的東西。如果不進行再培訓，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。Siegelmann在IEEE Rebooting計算會議上解釋說，用今天的系統(tǒng)來嘗試這樣做會導致一種叫做“災難性遺忘”的現(xiàn)象。在這種情況下，學習新項目會破壞系統(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。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生組成。一組將有4年的時間來開發(fā)能夠持續(xù)學習、適應新任務和環(huán)境的系統(tǒng)，并根據(jù)系統(tǒng)的任務(稱為“目標驅動感知”)理解輸入。另一組將有4年時間來確定終身學習的新機制——從生物學或物理科學——并將其轉換為一種改進人工智能的算法。