记忆对于机器来说和对于人类来说一样难以保留。为了帮助理解为什么人工智能在其认知过程中会出现漏洞，俄亥俄州立大学的电气工程师们分析了一种被称之为“持续学习”的过程对整体性能的影响。

持续学习是指计算机经过训练，能够持续学习一系列任务，利用先前任务积累的知识更好地学习新任务。

然而，科学家们在实现这样的目标之前仍然需要克服一个重大障碍，那就是学习如何绕过机器学习中的“记忆丧失”问题——在人工智能中被称为“灾难性遗忘”的过程。正如人工神经网络在接连进行新任务训练时，它们倾向于丢失之前任务所获取的信息，这可能成为一个问题，因为社会对人工智能系统的依赖越来越大，

研究人员发现，就像人们可能会在回忆相似情景的对比事实时感到困难，却能轻松记住本质不同的情境一样，人工神经网络面对连续多样化的任务时也能更好地回忆信息。

虽然教导自主系统展示这种动态的终身学习能力是具有挑战性的，但拥有这样的能力将使科学家能够以更快的速度扩展机器学习算法，并轻松地使其适应不断演变的环境和意外情况。本质上，这些系统的目标是有朝一日能够模仿人类的学习能力。

传统的机器学习算法一次性对数据进行训练，但该研究结果表明，诸如任务相似性、正负相关性，甚至算法学习任务的顺序等因素会影响人工神经网络保持特定知识的时间长度。

例如，为了优化算法的内存，应该在持续学习过程中尽早教授不同的任务。这种方法扩展了网络对新信息的容量，并提高了其随后学习更多相似任务的能力。

理解机器与人类大脑之间的相似之处，可能为更深入地理解人工智能铺平道路。