根据研究人员探索复制人脑架构和行为方式的方法，使人工智能系统能够睡觉和做梦有可能提高其性能和可靠性。这一目标是为了解决人工智能领域中常见的挑战，即“灾难性遗忘”，即在新任务上训练的模型失去了执行之前已掌握任务的能力。
Catania大学的研究人员开发了一种称为“唤醒-睡眠一体化学习（WSCL）”的训练方法，模仿人脑在睡眠期间巩固记忆的方式。类似于人类如何将短期记忆转化为长期记忆，经过WSCL训练的人工智能模型在“睡觉”期间会进行回顾混合了最近和早期数据的过程，让模型能够发现连接和模式，并整合新信息而不会忘记现有知识。
在休眠阶段，使用WSCL训练的人工智能模型不仅会接触到鱼的图像，还会接触到之前课程中的其他动物，如鸟、狮子和大象。此外，WSCL还包括一个“梦境”阶段，在这个阶段，模型会被输入完全新颖的数据，通过结合先前的概念，如将长颈鹿的抽象图像与鱼或狮子与大象进行交叉，有助于模型融合过去的数字“神经元”，创建促进更有效学习新任务的模式。
在实验中，研究人员发现，使用WSCL训练的人工智能模型在准确识别图像内容方面较传统训练方法表现出显著提升，准确率提高了2%至12%。WSCL模型在学习新任务时也表现出更好的“正向转移”，即更好地保留了先前的知识。
尽管这些结果显示了希望，但并非所有专家都认为以人脑为蓝本是提高人工智能性能最有效的方法。来自萨里大学的Andrew Rogoyski认为，人工智能研究仍处于早期阶段，完全模仿人脑可能并非必要。相反，他建议从其他生物系统中汲取灵感，比如海豚可以在大脑的一部分处于睡眠状态时保持警觉。
总之，探索人工智能训练中的睡眠和梦境概念提供了一种有趣的视角。虽然有人反对严格复制人脑，但越来越多的证据表明在人工智能模型中引入类似睡眠机制可以提高性能并保留知识。随着人工智能研究的发展，探索其他生物灵感可能有助于进一步提升人工智能的能力。
人工智能系统中睡眠和梦境的常见问题
The source of the article is from the blog reporterosdelsur.com.mx