Huruvida en dator någonsin skulle kunna bli en levande varelse är en av de viktigaste utmaningarna för forskare inom området artificiell intelligens. Det har skett stora framsteg inom AI sedan Alan Turing först skapade det som nu kallas Turing-testet – huruvida en maskin kan uppvisa intelligent beteende som motsvarar eller inte kan skiljas från en människas. Men maskiner kämpar fortfarande med en av de grundläggande färdigheterna som är andra natur för människor och andra livsformer:livslångt lärande. Det vill säga att lära oss och anpassa oss medan vi gör en uppgift utan att glömma tidigare uppgifter, eller intuitivt överföra kunskap från en uppgift till ett annat område.

Nu, med stöd av programmet DARPA Lifelong Learning Machines (L2M) har USC Viterbi-forskare samarbetat med kollegor vid institutioner från hela USA och världen om en ny resurs för framtiden för AI-inlärning, som definierar hur artificiella system framgångsrikt kan tänka , agera och anpassa sig i den verkliga världen, på samma sätt som levande varelser gör.

Uppsatsen, medförfattare av Dean's Professor of Electrical and Computer Engineering Alice Parker och Professor of Biomedical Engineering, and of Biokinesiology and Physical Therapy, Francisco Valero-Cuevas och deras forskarteam, publicerades i Nature Machine Intelligence , i samarbete med professor Dhireesha Kudithipudi vid University of Texas i San Antonio, tillsammans med 22 andra universitet.

I forskargruppen ingick även postdoktor i ValeroLab, Ali Marjaninejad, biomedicinsk teknik Ph.D. kandidat Darío Urbina, och elektroteknik Ph.D. kandidat Suraj Chakravarthi Raja. ValeroLabs tidigare arbete inom det bioinspirerade AI-området inkluderade en AI-kontrollerad robotlem som drivs av djurliknande senor som kan lära sig att gå utan förkunskaper.

Valero-Cuevas sa att syftet med den här publikationen var att tillhandahålla en resurs för forskare inom AI i decennier framöver, med fokus på konceptet livslångt lärande i artificiella system. Ritningen kommer att beskriva utvecklingen av en ny typ av maskinintelligens som kommer att vara grundläggande för nästa generations teknik som självkörande bilar, autonoma robotar och drönare och intelligenta proteser, exoskelett och bärbara enheter.

Livslångt lärande är en samling biologiskt inspirerade förmågor som vi tar för givna, såsom förmågan att skaffa nya färdigheter utan att kompromissa med våra gamla, anpassa sig till förändringar och tillämpa tidigare lärd kunskap på nya uppgifter.

"Sättet du och jag lär oss är genom erfarenhet, imitation och självutforskning och bara för att du lär dig en ny uppgift betyder det inte att du glömmer tidigare uppgifter," sa Valero-Cuevas. "Människor lär sig på jobbet. Vi dyker upp och börjar lära oss och sedan vet vi hur man gör det. Maskiner gör det inte – än."

Valero-Cuevas sa att maskiner kan programmeras via en algoritm. Till exempel kan en självkörande bil använda algoritmer som matas med data från andra fordon så att den kan lära sig hur den fungerar innan den sätts in i världen.

"Men det finns en mycket tydlig skillnad mellan träningen och utplaceringen. När en maskin sätts in behöver den inte nödvändigtvis lära sig, och om du vill lära den något nytt måste du vanligtvis radera minnet och den glömmer hur man gör föregående sak," sa Valero-Cuevas.

Detta är ett problem som kallas "katastrofisk glömska", vilket är en av de viktigaste bristerna i nuvarande AI-system som den nya ritningen lyfter fram.

"Som människa kan du visa mig hur man spelar pingis, och sedan kan jag använda den färdigheten och överföra den för att lära mig spela tennis eller badminton." sa Valero-Cuevas. "För tillfället skulle en maskin bara kunna läras ut hur man spelar en racketsport, som pingis. Om du vill, säg, spela tennis som kräver att du använder din kropp annorlunda, måste du ändra programmet. "

Tillsammans med att övervinna faktorn katastrofal glömska, skisserade forskarnas ritning en rad andra kompetenser som är nödvändiga för att artificiella system ska uppnå livslångt lärande på samma sätt som levande saker kan. Dessa inkluderar:

• Överföring och anpassning – förmågan att överföra och återanvända kunskap och anpassa sig till nya miljöer.
• Utnyttja uppgiftslikhet – förmågan att lära sig flera uppgifter och överföra den kunskapen mellan dem.
• Task-Agnostic Learning – förstå när man under träningen byter från en uppgift till en annan utan att bli tillsagd.
• Bullertolerans—att kunna utföra samma uppgift i ett verkligt scenario när förhållandena skiljer sig från träningsperioden (som att arbeta på natten snarare än på dagen).
• Resurseffektivitet och hållbarhet – se till att livslångt lärande inte negativt påverkar lagringskapaciteten och saktar ner responstiden.

Parker, som är expert inom området biologiskt inspirerade kretsar, har en lång forskningshistoria av att titta på den mänskliga hjärnan för att förstå hur den fungerar och hur denna kunskap kan tillämpas på artificiella system. För den här senaste artikeln bidrog Parker med förståelse inom området neuromodulering:systemet i hjärnan hos levande varelser som hjälper till att förbättra inlärningen, att övervinna problemet med katastrofal glömska, att anpassa sig till osäkra miljöer och att förstå förändringar i sammanhang. Parker fokuserar på att bygga elektroniska strukturer som stödjer neuromorfa kretsar (elektronik som modellerar hjärnan) genom att lägga till biologiska egenskaper som inte finns i befintlig maskinvara för neurala nätverk, men som stödjer livslångt lärande. Funktionerna inkluderar astrocyter – andra hjärnceller som interagerar med neuroner för att stödja inlärning – och den neurala koden – spikar och skurar som förmedlar information i kodad form.

Valero-Cuevas sa att samarbetet var tänkt att vara en omfattande resurs för framtida forskning inom maskininlärning och AI.

"Biologi är inspirationen. Det ultimata exemplet på livslångt lärande är ett biologiskt system," sa Valero-Cuevas. "Vad vi gör är att titta på alla de saker som biologiska system kan göra, som vi är extremt avundsjuka på, och frågar vad som krävs för maskiner att göra det."

"Vi tror att åtminstone vissa mekanismer från biologin - lärdomarna från miljontals år av evolution - skulle kunna översättas och adopteras av AI", sa han.