据外媒报道，机器的记忆与人类的记忆都一样难以掌握，为了帮助了解为什么人工智能在认知过程中出现漏洞，美国俄亥俄州立大学的电气工程师分析了“持续学习”过程（continual learning）对机器的整体表现有多大的影响。

教高级系统像人类一样学习（图片来源：俄亥俄州立大学）

持续学习是指计算机接受训练，不断学习一系列任务，利用从旧任务中积累的知识更好地学习新任务。不过，如果要实现此类高水平的持续学习，科学家们仍需要克服一个主要障碍，即学习如何规避机器在学习过程中的“记忆丧失”过程，在人工智能代理中，称为“灾难性遗忘”。俄亥俄州立大学计算机科学与工程系教授Ness Shroff表示，随着人工神经网络在一个接着一个的新任务上接受训练，往往会失去从以前的任务中获得的信息，随着社会越来越依赖人工智能系统，这会成为一个大问题。

Shroff教授表示：“即使自动驾驶应用或其他机器人系统被教授新东西，它们也不能忘记已经学到的、确保我们和它们安全的知识，这很重要。我们深入研究了人工神经网络中持续学习的复杂性，我们发现的知识弥合了机器与人类学习方式间的差距。”

Shroff教授表示，研究人员发现，就像人们可能很难回忆起类似场景中差别明显的事实，但是非常容易想起不同的场景，人工神经网络在接连面对不同的任务时，能够更好地回忆起信息，而不是那些具有相似特征的任务。

虽然教授自动驾驶系统展示此种动态的终身学习过程可能很具有挑战性，但是拥有此种能力可以让科学家以更快的速度提升机器学习算法，并轻松调整此类算法，以应对不断变化的环境和意外情况。最终，此类系统的目标是未来可模仿人类的学习能力。

传统的机器学习算法是一次性对数据进行训练，但是该团队的发现表明，任务的相似性、正相关和负相关，甚至算法学习任务的顺序等因素很重要，对于人工神经网络保留知识的时间长度都有影响。

例如，为了优化算法的记忆，不同的任务应该在持续学习过程中提早被教授。此种方法扩展了该网络获取新信息的能力，并提高了其后续学习更多类似任务的能力。

Shroff教授表示，他们的研究特别重要，因为了解机器和人类大脑之间的相似性可以为更深入地了解人工智能铺平道路。