提到AI规模的多任务进修，许多人大概一下子就想到通用人工智能哪里了。通俗意义上的领略：就像《超能陆战队》里的懂得这样一种照顾护士呆板人，既能举办医疗诊断，又能读懂人的情绪，还能像伴随呆板人一样完成各类巨大任务。

不外懂得究竟只是科幻影戏傍边的产品，现有的AI技能大多还处于单体智能的阶段，也就是一个呆板智能只能完成一项简朴任务。

家产呆板人中做喷漆的就只能用来喷漆；做搬运的只能用来搬运；识别人脸的智能摄像头只能举办人脸。一旦人类戴上口罩，那就要从头调解算法。

虽然，让单个智能体实现多种任务也是当前AI规模研究的热点。

最近，在强化进修和多任务进修算法上后果更好的是DeepMind公司的一款名为Agent57的智能体——该智能体在街机进修情况（ALE）数据集所有57个雅达利游戏中实现了逾越人类的表示。虽然，多任务进修不止用在游戏计策上。

相对付现阶段的AI，我们人类才是可以或许举办多任务进修的好手。我们既不需要进修成千上万的数据样本就可以认识某类事物，我们又不消针对每一类事物都从新学起，而是可以闻一知十地把握相似的对象。

AI在单体智能上面确实可以轻松碾压人类，好比可以识别成千上万的人脸；但AI在多任务进修上面就要向人类的这种通用本领看齐了。

一、什么是多任务进修

多任务进修（Multi-Task Learning，MTL），简朴来说：就是一种让呆板仿照人类进修行为的一种要领。

人类的进修 *** 自己就是泛化的，也就是可以从进修一种任务的常识迁移到其他的相关的任务上，并且差异的任务的常识技术可以彼此辅佐晋升。

多任务进修涉及多个相关的任务同时并行进修，梯度同时反向流传，操作包括在相关任务练习信号中的特定规模的信息来改造泛化本领。

（单任务进修和多任务进修的模子比拟示意）

做一个形象的类比：我们知道人类不如豺狼擅跑，不如猿猴擅爬，也不如鲸豚擅游；可是人类是唯独可以同时做到飞跃、攀附和游泳的。用在人工智能和人类智能上，我们凡是认为AI更擅于在单一任务上表示优异并逾越人类专家，如AlphaGo一样；而人类则大概在各类任务上都能胜任。

MTL正是要让人工智能来实现人类的这种本领：通过在多个任务的进修中，共享有用的信息来辅佐每个任务的进修都获得晋升的一个更为精确的进修模子。

这里需要留意的是多任务进修和迁移进修的区别：迁移进修的方针是将常识从一个任务迁移到另一个任务，其目标是利用一个或多个任务来辅佐另一个方针任务提高，而 MTL 则是但愿多个任务之间互相能彼此辅佐晋升。

二、相识MTL 1. MTL的两个特征

1）是任务具有相关性。

任务的相关性是说几种任务的完成模式是存在必然的关联性的，好比，在人脸识别中，除了对人脸特征的识别，还可以举办性别、年数的估算识别，可能，在差异的几类游戏中识别出共通的一些法则，这种相关性会被编码进 MTL 模子的设计傍边。

2）是任务有差异的分类。

MTL的任务分类主要包罗监视进修任务、无监视进修任务、半监视进修任务、主动进修任务、强化进修任务、在线进修任务和多视角进修任务，因此差异的进修任务对应于差异的MTL配置。
共享暗示和特征泛化.

2. 领略MTL优势的两个要害

1）为什么在一个神经 *** 上同时练习多个任务的进修结果大概会更好？

我们知道，深度进修 *** 是具有多个隐层的神经 *** ，逐层将输入数据转化成非线性的、更抽象的特征暗示。

而各层的模子参数不是工钱设定的，而是给定进修器的参数后在练习进程中学到的——这给了多任务进修施展拳脚的空间，具备足够的本领在练习进程中进修多个任务的配合特征。

譬喻在上面的MTL的 *** 中，后向流传并行地浸染于4个输出。由于4个输出共享底部的隐层，这些隐层顶用于某个任务的特征暗示也可以被其他任务操作，促使多个任务配合进修。多个任务并行练习并共享差异任务已学到的特征暗示，这样多任务信息就有助于共享隐层学到更好的内部暗示，这成为多任务进修的要害。

2）那么MTL是如何发生结果的？

MTL的要领中引入了归纳偏置（inductive bias）。

归纳偏置有两个结果，一个是相互促进，可以把多任务模子之间的干系看作是相互先验常识，也称归纳迁移（inductive transfer）。

有了对模子的先验假设，可以更好的晋升模子的结果；别的一个结果是约束浸染，借助多任务间的噪声均衡以及表征偏置来实现更好的泛化机能。