学一个忘一个？人工智能遭遇“灾难性遗忘”，克服“失忆”有何良策

面对繁重的识记任务时，你是否有想象过拥有一个能干的AI帮手替你学习？心想：若是能像AI一样，就要冲这铺天盖地的学习任务轻轻一笑，然后瞬间掌握、过目不忘。可是实际上，人工智能也正面对着 “这边学，那边忘”噩梦，这一现象还有个听起来就透着几分窒息的名字——“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”。特别像在蒙特祖玛的复仇这种探索型游戏里，场景变化较大，也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。

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？来看看专家怎么说！

学一个忘一个，深度学习效率低下
自从阿尔法狗相继战胜多名围棋冠军后，深度强化学习成为人工智能领域最耀眼的“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性能大幅下降。
因此，“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；或在文物鉴定系统中，当有一天发现原始数据中有一个文物朝代错了，同样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。
而在谷歌大脑的最新研究的游戏场景中，“灾难性遗忘”又造成了哪些影响？有何新颖的发现？
“除了传统新知识学习会覆盖旧知识之外，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。”厦门大学人工智能系、科技处副处长纪荣嵘教授说。
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”情况却比较小？“主要是人类在学习过程当中，大脑能够主动保留些有用的知识和技巧，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。


解决之策有哪些？
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”问题后，模型就能具备持续学习的能力, 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的学习多达数千个类别的识别。