現(xiàn)在的 AI 算法，包括計算機視覺、語音識別等等，都需要先學(xué)習(xí)上千個例子才能掌握某一概念，而 DeepMind 說他們用的算法只需要讓 AI 學(xué)習(xí)一次就夠了。據(jù)谷歌介紹，這種“一次性學(xué)習(xí)”技術(shù)在機器學(xué)習(xí)過程中只需要為它們提供一個例子作為學(xué)習(xí)范本。在 demo 展示過程中，DeepMind 團隊使用了圖像、書法和以及語言作為例子進行了演示。

　　使用提供龐大的數(shù)據(jù)庫作為學(xué)習(xí)資源的人工智能和深度學(xué)習(xí)算法，不僅非常費時，同時也拉高了學(xué)習(xí)成本。就拿無人駕駛汽車來說，通常其中搭載的算法需要成千上萬其他無人駕駛汽車的數(shù)據(jù)資料才能完成學(xué)習(xí)，然而要收集這些是非常不切實際的，因為在導(dǎo)航過程中遇到很多從未走過的路，但總不能為了一條路花費上萬個小時學(xué)習(xí)吧。

　　據(jù) DeepMind 團隊的科學(xué)家 Oriol Vinyals 介紹，他們的算法之所以能夠做到“ 見一次就學(xué)會 ”，是因為團隊在深度學(xué)習(xí)系統(tǒng)中加入了 記憶模塊 ，這種記憶模塊是一個龐大的神經(jīng)網(wǎng)絡(luò)。通過 模仿人類大腦神經(jīng)元的運作方式 ，這個算法可以對某個學(xué)習(xí)內(nèi)容的組成進行交叉聯(lián)系學(xué)習(xí)，獲得更多層次的信息。

　　當(dāng)然，加入了記憶模塊的算法也需要提前學(xué)會分辨不同物品的種類，比如貓、狗、鳥等等，這個過程依然需要大量的輸入。但是在這一階段完成之后，就可以實現(xiàn)“一次性學(xué)習(xí)”了。算法能夠識別出圖像中最能凸顯物體屬性的特質(zhì)，以此作為判斷依據(jù)。因此總體上來看，這種技術(shù)依然大大節(jié)省了機器學(xué)習(xí)的時間和經(jīng)濟成本。

　　“這項技術(shù)為龐大的數(shù)據(jù)學(xué)習(xí)機制帶來了一種新的視角，”韓國先進科技研究院的大腦與機器智能科學(xué)家 Sang Wan Lee 說道，“對于整個 AI 領(lǐng)域而言都是一個重大創(chuàng)新，特別是圖像識別方面。”

　　也有一些科學(xué)家對這項技術(shù)表示懷疑。Wan Lee 表示，雖然目前在識別精度上這項技術(shù)或許還不能和人類的學(xué)習(xí)能力相匹敵，但是它對 AI 技術(shù)的未來研究開辟了一個新的方向。