机器学习系统可能是聪明的，但他们有很多才能发现。
DARPA的创新研究人员希望实现卓越的机器学习系统新程序称为终身学习机（L2M）作为开发可以从新情况中学习的下一代机器学习技术的主要目标，并应用学习变得更好，并且比当前受限系统更可靠。
+更多网络世界：足球竞猜app软件DARPA强化了电网网络攻击的预警系统+
“生活是根据不可预测的定义。程序员不可能预测可能出现的每一个问题或令人惊讶的情况，这意味着现有的ML系统仍然易于失败，因为它们遇到了现实世界的违规行为和不可预测性，“L2M计划经理Hava Siegelmann表示。“今天，如果您想扩展机器学习系统的执行能力，您必须将系统脱离服务并使用与该新情况相关的其他数据集进行培训。这种方法只是不可扩展。“
机器学习方法表明了最近的突出进展;因此，AI系统现在可以在无数应用中找到，包括自主车辆，工业应用，搜索引擎，计算机游戏，健康记录自动化和大数据分析。然而，今天的AI只能在非常积极的特定环境中运行，具有广泛的训练集，规定描述了在执行时间内发生的条件，DARPA说明。
+更多网络世界：足球竞猜app软件Gartner：基于算法的技术专利是肆虐的+
四年的L2M计划旨在通过关注两个技术领域的发展来改变所有这些。第一个技术领域将探索实现持续学习方法的新方法的算法，理论建模，分析，软件和架构。DARPA说，它还将通过对系统行为的限制设定对系统行为的限制来追求稳健性和安全性，并允许用户监控系统的行为和进化以及干预。这个想法是不断应用经验的结果，并使“经验教训”到新的数据或情况。同时，它要求开发用于监控机器学习系统的行为的技术，因此DARPA表示，在其适应的能力的范围内设定限制，并根据需要在系统的功能中进行干预。
第二种技术将专注于生活系统如何学习和适应，并考虑这些原理和技术是否可以应用于机器学习系统。在这里，通过将方法作为第一技术领域终身学习系统或其他提议应用的组件实施方法，将验证称为小说算法的DARPA。技术领域2内的研究可能需要与其他域名地区的计算机科学领域集成，例如生物学和化学。自然可能包括的概念，但不限于：不断发展网络的机制;自适应网络中的内存稳定性;目标驱动行为机制和学习规则和塑性机制。
“使计算机能够学习即使是经验中最简单的东西也是一个长期但难以捉摸的目标，”Siegelmann说。“这是因为今天的计算机旨在在预先安装的程序上运行，无法调整它们，这是一个没有改变的模型，因为英国Polymath Alan Turing在20世纪30年代开发了最早的计算机器。L2M要求新的计算范例。“
查看这些其他热门故事：
思科的Jasper交易 - 一年，稍后1800万新的物联网设备，仍然存在挑战
Cisco跳转在Ex-Juniper Exec Davidson for Service Provider Biz