据美国国防部高级研究计划局（DARPA）最新消息，“终身学习机器”（L2M）项目推介会定于3月30日在弗吉尼亚州阿灵顿举行，项目报名截止日期为3月24日。当前，即使最聪明的人工智能（AI）成果也无法抗拒学习型自适应生物智能。

自驾出租车。声控手机。电脑战胜世界级象棋和围棋选手……类似的人工智能系统不仅成为民用和商业领域的技术景观，同时也应用到国防部门的网络安全和动态物流规划等领域。但除非他们的编程或训练集具有专门的原理、处境或环境，否则这些机器学习系统将面临进退两难、无所适从的境地。

人工智能案例依靠的是巧妙的编程和庞大的训练数据库，专门研究计算机模拟或实现人类的学习行为——机器学习（ML）体系，以完成智能任务。

在经验适应和学习方面，机器学习即使和最简单的生物系统相比也相差甚远。人类驾驶员在真实世界动态变化基础上可不断总结驾驶经验，而机器学习离根据路况灵活处理的差距，如有数光年之远。

这就是DARPA开发“终身学习机器”项目的初衷。

“终身学习机器”的目标是开发下一代的机器学习技术，可以从新环境中不断学习，并加以应用，变得更好、更可靠。当然这必须要有约束，预先设定范围，保证系统不被随意覆盖。这种自自觉和持续的学习能力，可借鉴以往的经验包括事故、盲区和路况薄弱环节等，用于没有预设的具体编程或训练过的环境中，让无人驾驶汽车变得更安全。

终身学习机器项目经理哈瓦•西格曼（Hava Siegelmann）说：“从某种意义来说，生活是不可预测的。程序员要预测所有的问题或意外，是不可能的。这意味着按照现有的机器学习模式走向成功极其不易，因为它们遇到的是现实生活中的不规则和不可预测性的问题。目前，如果你想提升现有的机器学习系统在新环境中的能力，你只能重新再造系统，根据新情况用新的数据集进行界定。现有的方法是不可升级的。”

最新的计划旨在开发全新的机器学习的机制，系统将像儿童和其他生物系统一样，靠生活经验作为训练集来学习。对于学习机器的开发，从具体情况中总结经验的基本了解尚不成熟。“终身学习机器”项目将提供一个独特的机会,帮助计算机科学家和生物学家共同探讨这些新机制。

西格曼说：“计算机从经验中学习——即便是最简单的事情，是一个长期而捉摸不透的目标。因为今天的计算机运行的是预先写好的程序，是无法进行调整的。由于英国的博学者艾伦•图灵（Alan Turing）最早开发计算机后这种模式至今仍未改变。L2M呼唤一种新的计算模式。”

为期四年的“终身学习机器”项目代表两个技术领域。第一个着眼于框架开发，可以不断应用过去的经验，应用“经验教训”于新数据或新情况。同时，它要求开发的技术可用于监测机器学习系统的行为，对适应能力的范围进行限制，以及按需要控制系统的功能。研究将包括网络理论、算法、软件和计算机结构。第二个技术领域，源于对生物学习机制的兴趣，着重探讨生物系统如何学习和适应，以及考虑是否和如何将这些原则和技术应用到机器学习系统。

“人类靠经验学习的发展历史有数十亿年，” 西格曼说，“几乎可以肯定，有一些秘密可以应用到机器。这些机器不仅是解决问题的计算工具，而且是我们机灵的、有适应力的帮手。”

谷歌无人驾驶汽车使用的诸多技术实际上源于DARPA组织的陆地挑战赛（Grand Challenge）。DARPA早在十多年就开始提供资金支持，协调大学研究机构、车企、传感器供应商和半导体供应商合作，进行一系列的无人驾驶汽车挑战赛，其中比较有名的就是2004年和2005年的两届陆地挑战赛（Grand Challenge）和2007年举行的城市挑战赛（Urban Challenge）。

最早谷歌提出的无人驾驶汽车就是基于置于车顶的机械旋转激光雷达产品实现的，其实主要靠Velodyne公司的64波束激光雷达。激光扫描仪未来发展趋势是固态化、小型化、低成本化。DARPA主导与加州伯克利以及麻省理工进行下一代频率调制连续波FMCW 激光扫描仪芯片的开发，进一步降低激光扫描仪的成本。

人工智能所需的硬件呈现三足鼎立的状态，分别由NVIDIA、INTEL和IBM所引领。NVIDIA作为GPU的领先供应商，正将其主营业务从图形处理以及游戏产业转向基于GPU的人工智能的深度学习计算平台。INTEL在其传统计算机服务器行业的增速放缓后，战略收购FPGA领导者ALTERA和AI架构的创新初创公司Nervana，并迅速融合其优势，向无人驾驶人工智能技术方向迅速发展。最低调最不为人知的说是IBM，悄然进行着人工智能AI神经网络芯片的开发。