具備知識技能遷移能力，代表可以關聯不同的任務，充分利用已掌握的技能來解決新的問題。具備這種能力的AI，便在接近人類智慧的道路上更進了一步。

AI距離人類智慧究竟還有多長的路要走?

問題突破口之一便是發展"通用型人工智能"。

"人類和動物能夠掌握大量知識的一個關鍵因素，就在于他們可以在以前知識的基礎上不斷學習新東西。"具備知識技能遷移能力，代表可以關聯不同的任務，充分利用已掌握的技能來解決新的問題。具備這種能力的AI，便在接近人類智慧的道路上更進了一步。

當下，人工智能概念大火，仿佛未來人類的一切都將被AI所接管，但實際上，人工智能的發展中仍有一個特別棘手的問題有待解決，那就是機器無法像人類一樣自由靈活的運用通用智慧來應對挑戰。換言之:人工智能在運用過去的經驗和知識方面是受限的。同理，答案就在問題中，發展"通用型人工智能(artificialgeneralintelligence)"就成了是最明確的主攻方向。

如今，谷歌的DeepMind團隊剛剛發表的新論文《EnablingContinualLearninginNeuralNetwork》就又在這一問題上取得了突破，其聯合帝國理工學院開發出一套名為彈性權重固化(elasticweightconsolidation)新的算法，描述了讓機器學習、記住并重新使用信息將成為可能。

DeepMind的JamesKirkpatrick就說:"如果我們想要擁有更智能、更有應用價值的計算機程序，那么，它就必須具備"通用型人工智能"的能力。"

人機有別

對于人類來說，知識技能的遷移是再正常不過的事情了，最典型的例子是:一個專業的滑雪玩家往往在滑冰上面也會表現的得心應手。但這一步的跨越對于人工智能來說卻是不小的挑戰。

其癥結在于大多數的人工智能系統都是基于所謂的神經網絡來解決問題，就像DeepMind的AI可以學會下圍棋或打撲克，這其實都是在經歷了無數次的訓練和失誤之后才練就的技能。但這兩種技能實際上是不能并存的，就比如AI學會了打撲克，那它就必須要把有關下圍棋的知識抹除掉。想來也是可惜，難怪研究人員將之稱為"災難性遺忘"。

這一問題得不到解決，人工智能就永遠不會達到人類的智慧程度，自然其解決問題靈活程度也就不會和人類看齊。"人類和動物能夠掌握大量知識的一個關鍵因素，就在于他們可以在以前知識的基礎上不斷學習新東西。"Kirkpatrick說。

而為了實現這一目標，研究人員首先在神經科學領域進行了探索，他們發現，動物是通過保持住頭腦中關于過往技能印象，來實現不斷的學習，而這往往也是在面臨生存的壓力使所不得不做出的抉擇，就比如老鼠如果不能快速地學會尋找食物的技能，那它們很快就會被餓死。

早在2014年，DeepMind通過用機器學習的方法，教會AI玩一款Atari公司出品的游戲，由此突然間吸引了極大關注。那時，AI可以做到順利通關，并取得比人類更高的得分，但卻不能記住它贏得游戲的過程。

玩每一款Atari公司出品的游戲，AI都需要創建一個單獨的神經網絡。一旦沒有把游戲相關的信息傳遞給計算機，AI就無法運行這一款游戲。

如今，DeepMind聯合帝國理工學院開發出一套新的算法，讓神經網絡學習、記住并重新使用信息成為可能。這種名為彈性權重固化(elasticweightconsolidation)的算法所依賴的是"突觸固化(synapticconsolidation)"理論。在人腦中，這一點被稱為學習和記憶的基礎。

論文稱:"我們的方法是通過有選擇性地減慢對重要權重值的學習，使機器能記住之前的任務。"

Kirkpatrick解釋說，算法會選擇運用它所學習的內容來玩一款游戲，然后保留其中學到的最為重要的部分。他也提到，"我們只允許程序間非常緩慢地漸進式的改變，那樣的話才總是會有學習新任務的空間，而同時這種改變不會覆蓋我們之前學到的內容。"

在測試中，研究人員利用被新算法強化過的DQN深度神經網絡隨機玩10款Atari公司的游戲，幾天之后，他們發現AI已經可以做到和人類玩家一樣優秀了，這其中很大的一部分功勞都在于這種新的算法。沒了它，人工智能幾乎學不會其中任何一個游戲。

Kirkpatrick說，"我們之前的游戲AI只能學習玩一款游戲，而如今我們新發布的系統已經對多款游戲都得心應手了。"

在AI玩游戲的過程中，研究人員還注意到一些有趣的現象。例如，當AI在玩賽車類游戲的時候，對于游戲中的白天、晚上、雪等不同的場景，AI已經可以將它們分解為不同的任務來一一進行解決了，這倒是很出乎大家的預料。

然而，緊接著又有新的問題出現了，那就是研究人員無法證明，AI是否可以把每一款游戲都玩到極致。概括來講，AI雖然已經可以利用學過的知識來解決現有的問題，但它是否會因為運用這種方法而將問題解決的更好，還值得商榷。"對于AI來說，還有改進的余地。"Kirkpatrick說。

而AI沒有精通每一款游戲的一個原因就在于，它對于游戲策略的運用仍然非常茫然。"雖然我們知道連貫學習的重要性，但我們始終沒能做出突破，進入到模擬人類和動物那種學習模式的階段。這的確是一個艱難的挑戰，但我們知道沒有什么事是不可逾越的。"Kirkpatrick說。

"我們距離通用型人工智能還有很長的路要走，也還有很多的研究和挑戰需要解決"，Kirkpatrick補充道。"關鍵在于，搭建起一個可以學習解決新任務和新挑戰的系統，同時還要繼續保留他們已經學到的技能。而我們所做的研究就是朝這個方向所做的一個有意義的摸索。"

倫敦大學學院Gatsby計算神經科學科主任PeterDayan也十分稱贊這項研究工作。他說，計算機如果實現通用型人工智能就意味著，它已經可以做到將不同任務進行關聯，充分利用已掌握的技能來解決新的問題。

但質疑的聲音自然也是存在的。英國西部大學布里斯托機器人實驗室的AlanWinfield說，這項研究的確很好，但它顯然沒有做到更接近通用人工智能。至少，DeepMind的專家們沒有透露學習能力的遷移是如何具體操作的，我們到底能不能直接運用它也都還沒有定論。

更多資訊請關注工業機器人頻道