Lĩnh vực trí tuệ nhân tạo từ lâu đã phải đối mặt với một hạn chế cơ bản: mạng nơ-ron không có khả năng học các tác vụ mới mà không quên đi những gì đã học trước đó. Hiện nay, các nhà nghiên cứu tại Caltech đã phát triển một giải pháp đột phá có thể cách mạng hóa cách các hệ thống AI học tập và thích nghi.
Thách thức của việc Quên đột ngột
Không giống như bộ não con người có thể liên tục học các kỹ năng mới mà không mất đi những kỹ năng hiện có, các mạng nơ-ron truyền thống gặp phải hiện tượng được các chuyên gia gọi là quên đột ngột. Hiện tượng này buộc các hệ thống AI, bao gồm cả những hệ thống trong xe tự lái, phải trải qua quá trình lập trình lại hoàn toàn khi học các tác vụ mới - một hạn chế đáng kể cho các ứng dụng trong thực tế.
Giải pháp FIP
Các nhà nghiên cứu tại Caltech đã giới thiệu thuật toán Đường dẫn Bất biến Chức năng ( FIP ), cho phép mạng nơ-ron học liên tục mà không cần bắt đầu lại từ đầu. Sự đổi mới này đến từ một nguồn bất ngờ - nghiên cứu về cách chim học lại cách hót sau chấn thương não và cách con người hồi phục sau đột quỵ.
Từ Sinh học đến Toán học
Nhóm nghiên cứu do Matt Thomson và Guru Raghavan dẫn đầu đã chuyển đổi các hiểu biết sinh học thành các giải pháp AI thực tế bằng cách sử dụng hình học vi phân. Khung toán học này cho phép mạng nơ-ron kết hợp thông tin mới trong khi vẫn giữ được kiến thức hiện có - bắt chước khả năng thích nghi và học hỏi tự nhiên của não bộ.
Ứng dụng Thương mại
Tiềm năng của công nghệ này đã nhanh chóng thu hút sự quan tâm thương mại. Vào năm 2022, các nhà nghiên cứu đã thành lập Yurts , một công ty nhằm mở rộng quy mô thuật toán FIP cho nhiều ứng dụng khác nhau. Các ứng dụng tiềm năng từ cải thiện đề xuất mua sắm trực tuyến đến nâng cao khả năng của xe tự lái.
Nghiên cứu này đã được công bố trên Nature Machine Intelligence vào ngày 3 tháng 10, với sự hỗ trợ từ nhiều tổ chức bao gồm Tianqiao and Chrissy Chen Institute for Neuroscience tại Caltech .