Naukowcy opracowali NORACL - metodę pozwalającą modelom sztucznej inteligencji uczyć się nowych zadań bez zapominania starych umiejętności, a jednocześnie automatycznie dostosowując zapotrzebowanie na zasoby obliczeniowe. Zamiast wstępnie definiować wielkość sieci neuronowej, system dynamicznie generuje nowe neurony w miarę jak napotyka nowe wyzwania. To rozwiązanie stanowi istotny krok w kierunku bardziej praktycznych systemów AI, które nie muszą być przygotowywane z góry do obsługi przyszłych zadań.
Problem, który rozwiązuje NORACL, to klasyczny dylemat w sztucznej inteligencji - modele uczące się sekwencyjnie z nowych danych zazwyczaj zapominają to, czego nauczyły się wcześniej, proces zwany katastroficznym zapominaniem. Dotychczasowe podejścia do uczenia kontinualnego wymagały albo zamrożenia części sieci, albo precyzyjnego zaplanowania jej architektury jeszcze przed rozpoczęciem nauki. W praktyce oznaczało to mnóstwo marnotrawstwa - przepłacaliśmy za zasoby, które mogły nie być potrzebne, lub na odwrót - brakało nam mocy obliczeniowej. NORACL obchodzi ten problem dzięki adaptacyjnemu podejściu, w którym sieć sama decyduje, kiedy i ile nowych neuronów potrzebuje.
Metoda ma szczególne znaczenie w świecie, gdzie urządzenia robią się coraz mniejsze i inteligentniejsze, a ich zasoby pozostają ograniczone - od smartfonów po roboty. Systemy mogące rosnąć organicznie w miarę potrzeby, zamiast być nadmiernie wyposażone od początku, mogą pracować efektywniej energetycznie i taniacej. To otwiera drzwi do bardziej inteligentnych asystentów, urządzeń IoT i systemów, które uczą się nowych zadań bezpośrednio u użytkownika bez konieczności wysyłania danych na zdalne serwery.