研究发现：终身学习将为下一代自主设备提供动力

盖世汽车讯 在线查找“终身学习”，用户发现一长串应用程序可以教学如何缝被子、下棋甚至说一门新语言。然而，在人工智能（AI）和自主设备等新兴领域，“终身学习”的含义有所不同，而且更加复杂。它指的是设备连续运行、与其环境交互并从其环境中实时学习的能力。

这种能力对于一些最有前途技术的发展至关重要——从自动送货无人机和自动驾驶汽车，到能够完成对人类而言过于危险的工作的外行星漫游车和机器人。

在所有这些情况下，科学家们正在以极快的速度开发算法来实现这种学习。但设备运行这些新算法所需的专用硬件人工智能加速器或芯片必须跟上。

图片来源：期刊《Nature Electronics》

这就是美国能源部（DOE）阿贡国家实验室（Argonne National Laboratory）的研究员Angel Yanguas-Gil所面临的挑战。据外媒报道，Yanguas-Gil和一个多学科的同事团队近期在期刊《Nature Electronics》发表了一篇论文，探讨了人工智能驱动设备面临的编程和硬件挑战，以及如何通过设计克服这些挑战。

实时学习

当前的人工智能方法基于训练和推理模型。开发人员离线“训练”人工智能功能，仅使用某些类型的信息来执行一组定义的任务，测试其性能，然后将其安装到目标设备上。

“到那时，设备就无法再从新的数据或经验中学习，”Yanguas-Gil解释道。“如果开发人员想要为设备添加功能或提高其性能就必须停止使用设备并从头开始训练系统。”

对于复杂的应用程序，此模型根本不可行。

“想象一下行星漫游者遇到了一个它没有经过训练来识别的物体。或者它进入了没有经过训练来导航的地形，”Yanguas-Gil继续说道。“考虑到流动站与其操作员之间的时间滞后，关闭流动站并尝试重新训练它在这种情况下执行是行不通的。相反，流动站必须能够收集新类型的数据。它必须将新信息与已有信息以及与之相关的任务联系起来。然后实时做出下一步该做什么的决定。”

挑战在于实时学习需要更加复杂的算法。反过来，这些算法需要更多的能量、更多的内存和硬件加速器的更大灵活性才能运行。这些芯片的尺寸、重量和功率几乎总是受到严格限制，具体取决于设备。

终身学习加速器的关键

根据该论文，人工智能加速器需要多种功能来使其主机设备能够持续学习。

学习功能必须位于设备上。在大多数预期应用中，设备没有时间从云等远程源检索信息，也没有时间在需要执行任务之前提示操作员传输指令。

加速器还必须能够随着时间的推移改变其使用资源的方式，以最大限度地利用能源和空间。这可能意味着决定改变加速器存储某些类型数据的位置，或者改变执行某些任务所使用的能量。

另一个必要性是研究人员所说的“模型可恢复性”。 这意味着该系统可以保留足够的原始结构，以继续在高水平上执行其预期任务，即使它由于学习而不断变化和发展。该系统还应该防止专家所说的“灾难性遗忘”，即学习新任务会导致系统忘记旧任务。这是当前机器学习方法中常见的情况。如有必要，如果性能开始受到影响，系统应该能够恢复到更成功的实践。

最后，加速器可能需要巩固从以前的任务中获得的知识（通过流程使用过去经验的数据，即重放），同时积极完成新任务。所有这些功能都给人工智能加速器带来了挑战，而研究人员才刚刚开始应对这些挑战。