根据大多数报道，人工智能将很快无处不在，就像糖或泰勒·斯威夫特(Taylor Swift)一样。
专家表示，人工智能系统将很快成为我们使用或做的一切事情的智能支柱，并从整体上改变行业和社会。
所以，想象一下，如果你在友好的天空中飞行，你的飞机现在由人工智能管理的中枢神经系统突然关闭，使飞机失去动力。
或者，纽约证券交易所突然决定休市，让经济——还有你的毕生积蓄——陷入死亡漩涡。
或者你的烤面包机拒绝在你开始每天艰苦的工作之前给你的身体提供一块食物。
信不信由你，即将把人类推向灭亡的杀手技术——这一信念不仅属于发明它的人杰弗里·辛顿(Geoffrey Hinton)，而且属于人工智能权威——在发挥其杀人潜力之前，还需要解决一个小问题。
随着问题的发展，这是一个可怕的问题-它只是不能记住旧的东西。
当它不记得的时候，它会立即关闭，这种行为被称为“灾难性遗忘”，这可能与你整个高中教育经历有着可怕的相似之处。
任何基本的人工智能系统都应该能够在一个被称为持续学习的过程中成功地学习一系列任务。
在人类中，当我们的大脑能够唤起过去做某事的记忆时，学习就发生了。
这取决于我们睡眠阶段的快速眼动周期部分，在这个阶段，最近的记忆被转移到长期记忆中，这样就可以形成新的记忆。
人工智能神经网络本质上模仿了人类大脑的工作方式，因此人们一直期望算法可以像我们人类一样，利用其存储的执行所有旧任务的知识来学习新任务——但这似乎并没有像预期的那样起作用。
在人工神经网络的训练中，有些事情正在发生——或者没有发生，视情况而定——正在造成认知上的巨大差距。神经网络会在学习新事物的同时忘记所有的旧信息——然后它们会继续冻结。
为了解决这个问题，研究人员开始采用一种新的策略——他们开始在处理新数据的同时向人工智能系统提供旧数据，这一过程被称为交错训练，他们认为这就是大脑在睡眠时的工作方式。
事实证明，这个过程实际上并不发生在大脑中;从实用的角度来看，大脑——或它的机器模仿者——在睡觉时消化所有这些旧的学习数据所需要的时间是远远不够的。
答案肯定在别处。
捷克共和国布拉格的捷克科学院计算机科学研究所和加州大学圣地亚哥分校的研究人员也从另一个角度研究了睡眠。
他们避开了传统的神经网络——一种不断调整其突触(神经元之间的联系)直到能够找到解决方案的神经网络——而是采用了他们认为与人类大脑最相似的“尖峰”神经网络。
根据研究人员的说法，“尖峰”网络只有在一段时间内接收到一大堆信号后才会发送输出，因此传输的数据要少得多，消耗的功率和带宽也要少得多。在这样做的过程中，它能够重新激活参与学习旧任务的神经元。这似乎奏效了。
在经历了类似睡眠的阶段后，脉冲神经网络能够完成这两项任务。
“我们的工作强调了开发生物灵感解决方案的效用，”来自加州大学圣地亚哥分校的研究人员之一让·埃里克·德拉诺瓦说。
与此同时，最近，俄亥俄州立大学的研究人员在解决深度学习神经网络中同样的灾难性遗忘问题时，避开了睡眠。
他们用一种完全不同的巧妙方法来解决这个问题。
“我们的研究深入研究了这些人工神经网络中持续学习的复杂性，我们的发现开始弥合机器学习方式与人类学习方式之间的差距，”俄亥俄州立大学计算机科学与工程教授内斯·施罗夫(Ness Shroff)说。
Shroff和他的同事们发现，传统的机器学习算法是一次性强制输入数据，但这对机器来说并不一定是好事。事实上，任务之间的相似程度，它们的共同点，甚至任务的教学顺序都会影响算法对它们的记忆程度。
Shroff和他的同事们发现，算法就像人类一样，在连续处理非常不同的任务而不是一系列类似的任务时，能够更好地记忆，这可能是我们这个时代最奇怪的讽刺之一。
人类的大脑也是这样运作的。同样的事件——聚会、假期，甚至是一周中的几天——如果在相同的地点或经历中重复出现，就会变得模糊起来。但不同的人很突出。
俄亥俄州立大学的研究人员发现，在人工智能的持续学习过程中，应该很早就引入不同的任务，以便学习新事物和类似于旧事物的任务。
Shroff说:“他们的工作特别重要，因为了解机器和人脑之间的相似之处可以为更深入地理解人工智能铺平道路。”
为了让人工智能真正有效和安全，算法需要能够更好地学习，处理不同和意外的情况，并具有可扩展性。
这两种针对受损机器内存的解决方案应该有助于实现这一目标。
