Τεχνολογία

Το επόμενο βήμα στην Ανάπτυξη AI - Προσομοίωση εγκεφάλου μωρού

Σήμερα ακούμε όλο και περισσότερο για ορισμένες επιτυχίεςδιάφορα συστήματα τεχνητής νοημοσύνης. Και, παρά το γεγονός ότι τα ανεπτυγμένα νευρικά δίκτυα γίνονται όλο και πιο έξυπνα καθημερινά, είναι ακόμα πολύ μακριά από την εργασία παρόμοια με τη λειτουργία του εγκεφάλου μας. Και το σημείο εδώ δεν είναι ακόμη ότι δεν έχουμε αρκετό υλικό για να προσομοιώσουμε τον εγκέφαλο. Απλώς το AI δεν λειτουργεί καθόλου όπως τη συνείδησή μας. Και για να επιτευχθεί αυτό, είναι απαραίτητο να αναθεωρηθεί η προσέγγιση για την ανάπτυξη των μητρικών δικτύων μηχανών. Για να ξεκινήσετε, δημιουργήστε ένα AI που θα λειτουργεί ακριβώς όπως ο εγκέφαλος ενός μωρού.

Γιατί το AI δεν είναι τόσο "έξυπνο" όσο νομίζουμε

Σχεδόν όλα τα συστήματα AI για τα οποία γνωρίζουμεσήμερα, προσομοιώνεται με βάση τους παραδοσιακούς αλγόριθμους υπολογιστών. Βλέπουν τον κόσμο μέσα από το πρίσμα του δυαδικού κώδικα - μηδενικά και αυτά. Αυτό είναι σπουδαίο για την πολύπλοκη υπολογιστική, αλλά σύμφωνα με την καθηγήτρια Alice Parker, η οποία έχει συμμετάσχει σε εξελίξεις του AI για περισσότερα από 10 χρόνια, η ανθρωπότητα προσεγγίζει γρήγορα το όριο των υπολογιστικών δυνατοτήτων.

Από την πρώτη εφεύρεση του AI και της ανάπτυξηςβαθιά μάθηση περαιτέρω βελτίωση των συστημάτων αυτών πήγε πολύ αργά. Προκειμένου να αποκαλύψει πλήρως τις δυνατότητές του, το AI δεν θα πρέπει να λειτουργεί μόνο ταχύτερα, θα πρέπει να ανταποκρίνεται ανεξάρτητα στα γεγονότα και να μαθαίνει σε πραγματικό χρόνο. Και για να συμβεί αυτό, πρέπει να επανεξετάσουμε την προσέγγισή μας στο σχεδιασμό συστημάτων τεχνητής νοημοσύνης.

Πώς να κάνετε τον AI πιο έξυπνο

Για την επίλυση του αναφερόμενου προβλήματος, καθηγητήςΗ Parker και οι συνεργάτες της χρησιμοποιούν το πιο προηγμένο σύστημα μάθησης που έχει δημιουργήσει ποτέ: ο ανθρώπινος εγκέφαλος. Και η τεχνολογία που ονομάζεται "θετική ενίσχυση" έρχεται στο προσκήνιο εδώ. Ο όρος αυτός προέρχεται από την ψυχολογία και χρησιμοποιείται συχνά στο πλαίσιο της γονικής μέριμνας, όπου κάποιες ευχάριστες συνέπειες για ένα άτομο ή τα αποτελέσματα των δραστηριοτήτων του δρουν ως θετική ενίσχυση. Αυτό είναι, σε γενικές γραμμές, η ανταμοιβή για το γεγονός ότι κάποιος έκανε κάτι σωστό.

Είναι ενδιαφέρον: Η τεχνητή νοημοσύνη άρχισε να λειτουργεί σε ένα μπαρ του Λονδίνου.

Ο εγκέφαλος, αντίθετα από τον υπολογιστή, αν είναι δυνατόνγια να το θέσω, είναι μια "αναλογική συσκευή", και η βιολογική μνήμη είναι σταθερή. Τα αναλογικά σήματα μπορούν να έχουν πολλές καταστάσεις. Ενώ το AI που βασίζεται σε ένα δυαδικό σύστημα μπορεί να διακρίνει μόνο δύο καταστάσεις: "καλό" και "κακό", ο εγκέφαλός μας είναι σε θέση να ερμηνεύσει τι συμβαίνει πιο βαθιά. Η κατάσταση μπορεί να είναι "πολύ καλή", "πολύ καλή", "κακή" ή "πολύ κακή". Αυτή η αρχή της εργασίας ονομάζεται "neuromorphic computing" και είναι η ικανότητα να εκτελούνται τέτοιοι υπολογισμοί που θα βελτιώσουν το έργο του AI.

Φανταστείτε ένα μωρό που κάθεται ψηλάπολυθρόνα, λέει ο Parker. Μπορεί να κουνίσει τα χέρια του πολύ. Στο τέλος, μία από αυτές τις κινήσεις οδηγεί σε κάποιο αποτέλεσμα. Πέστε ένα παιδί χτυπά πάνω από ένα φλιτζάνι. Ξαφνικά, οι νευρώνες που έκαναν αυτό το κίνημα πήραν μια απάντηση και σκληρύνθηκαν. Έτσι, ένα μικρό παιδί έμαθε ότι η κίνηση του χεριού προκαλεί ένα ενδιαφέρον αποτέλεσμα. Αυτά είναι ακριβώς όσα προσπαθούν να κάνουν οι neuromorphic υπολογισμούς: διδάξτε το AI να μάθει από την πραγματική εμπειρία με τον ίδιο τρόπο που κάνουμε.

Για αυτό το επίτευγμα, οι επιστήμονεςδημιούργησαν τα δικά τους νευρομορφικά κυκλώματα και τα συνδυάστηκαν με νανοϋπολογιστές που ονομάζονται μαγνητικοί αναλογικοί μεμβράνες τοιχωμάτων (MAMs). Τα MAMs είναι πολύ εξελιγμένες συσκευές, αλλά σε αυτή την περίπτωση είναι σημαντικό να γνωρίζετε γι 'αυτά: σας επιτρέπουν να δημιουργήσετε νέες συνδέσεις ακριβώς όπως στο μυαλό μας. Έτσι, είναι δυνατό να δημιουργηθεί ένα σύστημα θετικής ενίσχυσης και να αρχίσει η εκπαίδευση ΑΙ.

Προς το παρόν, αυτό που έχουμε είναι λίγοΕίναι σαν τον εγκέφαλο ενός πραγματικού παιδιού. Ανεπτυγμένοι και τελικά δεν είναι έτοιμοι να λάβουν αποφάσεις από μόνοι τους. Το επόμενο βήμα, που δουλεύουμε με τη DARPA, είναι να διδάξουμε το σύστημά μας να μαθαίνει κάτι καινούργιο, χωρίς να ξεχνάμε τα προηγούμενα μαθήματα.

Μπορείτε να συζητήσετε αυτό και άλλα νέα στη συνομιλία μας στο Telegrams.