摘要：在学习如何添加和减法之前，我们需要在学习阅读和数字之前就需要学习信件。 AI也是如此，一组科学家通过实验室实验和计算建模表明。研究人员在他们的工作中发现，当首先对简单认知任务进行培训时，他们可以更好地处理更加困难和复杂的培训。...

在学习如何添加和减法之前，我们需要在学习阅读和数字之前就需要学习信件。纽约大学科学家团队通过实验室实验和计算建模表明，AI也是如此。

在他们的工作中发表在《期刊》上自然机器智能，研究人员发现，当首先对简单认知任务进行培训时，经过复发的神经网络（RNN）时，他们可以更好地处理更加困难和更复杂的认知任务。

该论文的作者将这种培训幼儿园课程学习的形式标记为首先灌输对基本任务的理解，然后将这些任务的知识结合起来，以进行更具挑战性的任务。

纽约大学神经科学中心和数据科学中心的副教授克里斯蒂娜·萨维（Cristina Savin）解释说：“从生活的早期开始，我们就发展了一系列基本技能，例如保持平衡或玩球。” “借助经验，可以将这些基本技能组合起来以支持复杂的行为 - 例如，骑自行车时会杂耍几个球。

“我们的工作采用了这些相同的原则来增强RNN的功能，这些原则首先学习了一系列简单的任务，存储这些知识，然后将这些学习任务的组合结合在一起，以成功完成更复杂的任务。”

RNN-旨在基于存储知识处理顺序信息的神经网络在语音识别和语言翻译中特别有用。但是，当涉及复杂的认知任务时，使用现有方法的培训RNN可能很困难，并且无法捕获AI系统旨在复制的动物和人类行为的关键方面。

为了解决这个问题，该研究的作者 - 还包括纽约大学数据科学中心的博士后研究员戴维·霍克（David Hocker），以及纽约大学数据科学中心教授克里斯汀·君士坦丁（Christine Constantinople）首先与实验室大鼠进行了一系列实验。

对动物进行了训练，可以在一个有几个分室端口的盒子里寻找水源。但是，为了知道水的何时何地，需要了解水与某些声音和港口灯光照明相关的大鼠，并且在这些提示后没有立即输送水。为了到达水，需要发展多种现象的基本知识（例如，听起来之前的水之前，在试图进入水之前等待视觉和音频提示），然后学会结合这些简单的任务以完成目标（水回）。

这些结果指出了动物如何在执行更复杂的任务时应用简单任务的知识的原则。

科学家采取了这些发现以类似的方式培训RNN-但是，RNNS管理了一项的任务，要求这些网络以基本决策为基础，以最大程度地提高收益。然后，他们将这种幼儿园课程学习方法与现有的RNN培训方法进行了比较。

总体而言，该团队的结果表明，在幼儿园模型上训练的RNN比对当前方法培训的RNS训练更快。

Savin指出：“ AI代理人首先需要经过幼儿园，以便以后能够更好地学习复杂的任务。” “这些结果表明，改善AI系统学习的方法，并呼吁对过去经历如何影响新技能的学习有更全面的了解。”

这项研究是由美国国家心理健康研究所（1R01MH125571-01，1K01MH132043-01A1）资助的，并在纽约州，西蒙斯基金会和Secunda Family Foundation的支持下，使用Empire AI联盟的研究计算资源进行了研究。