纽约大学的研究人员通过实验室实验和计算建模，发现当递归神经网络（RNN）先接受简单的认知任务训练后，它们更容易应对更复杂和困难的任务。研究团队在《自然机器智能》杂志上发布了这一成果，并将其称为“幼儿园课程学习”（Kindergarten Curriculum Learning），旨在先教会AI系统基本技能，再通过组合这些技能来完成复杂的任务。 Cristina Savin教授是该项目的主要研究人员之一，她强调：“就像人类从小学会平衡或玩球一样，随着经验的积累，这些基础技能可以组合起来支持更复杂的行为，比如骑自行车时 juggle 几个球。我们的工作借鉴了同样的原则，使RNNs首先学习一系列简单任务，存储这些知识，然后将这些学到的任务结合起来，成功完成更复杂的任务。” RNNs是一种专门设计用于处理序列信息的神经网络，基于存储的知识进行决策。它们在语音识别和语言翻译等领域具有广泛的应用前景。然而，在面对复杂的认知任务时，现有的RNN训练方法面临诸多挑战，难以完全模拟出动物和人类的行为特征。 为了验证“幼儿园课程学习”的有效性，研究人员首先进行了实验室老鼠实验。他们训练老鼠在一个分隔成多个房间的盒子中寻找水源。老鼠必须学会将水的供应与特定的声音以及灯光提示关联起来，并在看到和听到这些信号后再等待一段时间才能成功获取水。这些实验结果显示，动物能够将多个简单现象的知识（如声音先于水的供应、视觉和音频提示后的等待）结合在一起，完成更复杂的目标（即获取水）。 之后，研究人员将这种训练方法应用到RNNs中，但用的是一个下注任务，要求网络通过基本决策逐步优化长期收益。实验结果表明，使用“幼儿园课程学习”方法训练的RNNs比使用现有方法训练的网络学得更快。 Savin教授进一步指出：“AI代理需要先‘上幼儿园’，以便在未来更好地学习复杂任务。总的来说，这些结果为我们提供了改进AI系统学习效率的方法，并促使我们更多地思考过去的经验如何影响新技能的学习。” 业内专家认为，这一方法不仅为AI系统的训练提供了新的思路，还可能推动AI在认知任务领域的进一步突破。纽约大学的科研实力在这项工作中得到了充分体现，该校的神经科学中心和数据科学中心在交叉学科研究方面享有盛誉，此次合作也为未来的研究打下了坚实的基础。