在2017年， 人工智慧無疑是火爆到不行的， 人們對人工智慧充滿信心， 仿佛未來人類的一切都將被AI所接管。 但其實AI發展到現在還有一個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。
人工智慧在運用過去的經驗和知識方面是受限的， 因此發展“通用型人工智慧(artificial general intelligence)”就成了科學家們最明確的主攻方向。
穀歌的DeepMind團隊剛剛發表的新論文《Enabling Continual Learning in Neural Network》表示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(elastic weight consolidation)新的演算法， 描述了讓機器學習、記住並重新使用資訊將成為可能。
DeepMind的James Kirkpatrick就說：“如果我們想要擁有更智慧、更有應用價值的電腦程式， 那麼， 它就必須具備“通用型人工智慧”的能力。 ”
DeepMind 聯合帝國理工學院開發出一套新的演算法， 讓神經網路學習、記住並重新使用資訊成為可能。 這種名為彈性權重固化(elastic weight consolidation)的演算法所依賴的是“突觸固化(synaptic consolidation)”理論。 在人腦中， 這一點被稱為學習和記憶的基礎。
雖然這一套演算法解決了機器人無法學習的問題， 但是卻又出現了新的問題， 那就是研究人員無法證明， AI是否可以把每一款遊戲都玩到極致。 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。 “對於AI來說， 還有改進的餘地。 那麼， 你又是怎麼看待人工智慧學習的問題的呢?