一辆自动驾驶的航天飞机在拉斯维加斯耐心地等待着一辆货车的倒车，然后再倒车，然后再倒车。这是在航天飞机的就职典礼几个小时内发生的。真正的问题是，航天飞机不能像人类一样从事故中学习:立即而且不忘记如何在这个过程中做其他事情。

美国国防高级研究计划局(DARPA)正寻求改变人工智能的工作方式，通过一个名为L2M的程序，或终生学习机器。该机构正在寻找不断学习、适应新任务、知道该学习什么和什么时候学习的系统。“我们希望自动化的严谨性与人类的灵活性，”该项目的主管Hava t . Siegelmann说。这个耗资6500万美元的项目已经选择了16个小组进行为期4年的项目，但根据Siegelmann的说法，仍然有机会提出12个或18个月的项目。

人工智能的大问题源于今天使用的结构。神经网络是一种适应性强的系统，它的学习能力来自于不同的人工神经元之间的连接强度。如今，这些网络被训练在一组数据图像上，例如汽车和人。网络连接的强度是固定的，系统会进入世界去做它的事情。

问题来了，当人工智能遇到了从未受过训练的东西。如果不进行再培训，系统将一次又一次地犯同样的错误。但现在，AI能真正地接受重新培训。Siegelmann在IEEE Rebooting计算会议上解释说，用今天的系统来尝试这样做会导致一种叫做“灾难性遗忘”的现象。在这种情况下，学习新项目会破坏系统已经知道如何去做的所有其他事情的知识。

即使是人类在遇到新事物时也会经历一些性能下降，但我们可以在执行一个函数时恢复。如果你在一个篮球赛中以30厘米的速度把网举起来，球员们将会错过大部分的时间，但是随着他们继续比赛，他们将学会在新的高度得分。你不必把他们从球场上拉下来，然后再把整个游戏教给他们。

16个主要资助项目由两组学生组成。一组将有4年的时间来开发能够持续学习、适应新任务和环境的系统，并根据系统的任务(称为“目标驱动感知”)理解输入。另一组将有4年时间来确定终身学习的新机制——从生物学或物理科学——并将其转换为一种改进人工智能的算法。