导读人工智能不断面临着新的挑战，从检测深层造假(顺便说一句，这些造假也是使用AI进行的)到赢得扑克，再到推动合成生物学实验的发展。这些令人
人工智能不断面临着新的挑战，从检测深层造假(顺便说一句，这些造假也是使用AI进行的)到赢得扑克，再到推动合成生物学实验的发展。这些令人印象深刻的壮举部分是由于对系统进行了庞大的数据集训练所致。这种培训既昂贵又费时，并且产生的AI实际上只能做一件事。
例如，为了训练AI区分狗的图片和猫的图片，它会给成千上万个(即使不是上百万个)带标签的狗和猫的图像供食。另一方面，孩子只能看到一两次狗或猫，并记住是哪一个。我们如何使AI像孩子一样学习更多?
安大略省滑铁卢大学的一个团队有一个答案：改变AI的培训方式。
这就是通常用于训练AI的数据集的事情-除了庞大之外，它们是高度特定的。狗的照片只能是狗的照片，对吗?但是，一条尾巴很长的真正的小狗呢?这种狗虽然仍然是狗，但看起来比完全成熟的金毛寻回犬更像猫。
滑铁卢团队的方法就是基于这一概念。他们在上个月发布在预打印(或未经同行评审)服务器arXiv的论文中描述了他们的工作。仅用一个示例来教授AI系统以识别一类新的对象就是所谓的“一次性学习”。但是他们又迈出了一步，专注于“少于一次射击学习”或简称LO射击学习。
LO-shot学习包括系统学习，该系统学习可根据小于类别数的多个示例对各种类别进行分类。这不是最简单的概念，所以让我们回到猫狗的例子。假设您想教一个AI来识别狗，猫和袋鼠。如果没有每只动物几个清晰的例子，那怎么办呢?