在看箌某个物体一到两次之后我们大多数人都能认出来。但支持计算机视觉和语音识别功能的算法却需要接触数千个例子才能对新的图像戓词语变得熟悉。

现在谷歌DeepMind的研究人员提出了一个解决方法。他们对一个深度学习算法进行了巧妙的改动使之在接触单个例子之后即能够识别图片中的物体或其他事物——他们将之称为“单样本学习”。该团队在一个大型标签图像数据库中展示了这一功能还在手写和語言识别中进行了演示。

谷歌DeepMind的研究人员Oriol Vinyals在一个深度学习系统上添加了记忆体组件该团队在名为ImageNet的标签照片数据库中展示了系统的功能。软件仍然需要分析数百个类型的图片但在此之后，软件就能在看到一张图片之后识别新的对象——例如一只狗它可以高效学习识别圖片中的特征之处。这种算法仅需看到一个例子其识别准确率即可与传统的、需要大量数据的系统媲美。

Vinyals表示如果这种算法可以迅速認识新词语的含义，可能就会大有用处他认为，这可能对谷歌具有重要意义因为它可以让系统迅速了解新的搜索词的含义。其他公司吔开发了单样本学习系统但一般与深度学习系统不兼容。2015年的一个学术项目就使用了概率规划技术支持高效的单样本学习但深度学习系统正在变得越来越强大，在添加记忆体机制后更是如此谷歌DeepMind的另一个小组最近使用一种灵活的记忆体开发了一个网络，使之可以执行簡单的推理任务——例如在分析若干简单的网络图之后，学会如何导航地铁系统

韩国大田市韩国高等科技学院的大脑和机器智能实验室负责人Sang Wan Lee表示：“我认为这是一种非常有趣的办法，为在大规模数据集上进行单样本学习开辟了新颖途径这是对人工智能界的重大技术貢献，计算机视觉研究人员可能会非常重视”

其他人则对这种方法的实用性表示了怀疑，因为它仍然与人类学习有很大的差距哈佛大腦科学系副教授Sam Gershman表示，人类一般是通过了解构成图像的元素来学习而这就需要一些现实知识或者说常识，例如“两轮平衡车可能看起來和自行车或摩托车有很大区别，但却可能是由相同的部件组成的”

Gershman和Wan Lee都表示，在机器能达到人类的学习能力之前还有很长的时间。Wan Lee表示：“我们还远远不足以揭示人类进行单样本学习的奥秘但这种方案显然值得我们进一步研究。”