人工智能遭遇“灾难性遗忘”，解决方案治标不治本

经过一个寒假返回学校，你可能才会忘了前一学期学到的内容。而如果你像人工智能系统那样学习，实际上你会在学习新知识的同时，大脑便逐渐遗忘之前的内容，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？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性能大幅下降。

美亚柏科信息中心总经理魏朝东说，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；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。