Революция в повседневных продуктах с помощью искусственного интеллекта

Jul 18, 2023

Предыдущее изображение Следующее изображение

«Кто такой Брэм Стокер?» Эти три слова продемонстрировали удивительный потенциал искусственного интеллекта. Это был ответ на последний вопрос особенно запоминающегося эпизода Jeopardy! 2011 года. Тремя конкурентами были бывшие чемпионы Брэд Раттер и Кен Дженнингс, а также суперкомпьютер Watson, разработанный IBM. Правильно ответив на последний вопрос, Ватсон стал первым компьютером, победившим человека в знаменитой викторине.

«В каком-то смысле победа Уотсона в Jeopardy! показалась людям несправедливой», — говорит Джихван Ким, профессор карьерного развития класса 47 и преподаватель факультетов машиностроения, материаловедения и инженерии Массачусетского технологического института. «В то время Уотсон был подключен к суперкомпьютеру размером с комнату, в то время как человеческий мозг весит всего несколько фунтов. Но воспроизвести способность человеческого мозга к обучению невероятно сложно».

Ким специализируется на машинном обучении, которое основано на алгоритмах, обучающих компьютеры обучаться подобно человеческому мозгу. «Машинное обучение — это когнитивные вычисления», — объясняет он. «Ваш компьютер распознает предметы, даже если вы не сообщаете ему, на что он смотрит».

Машинное обучение — один из примеров применения искусственного интеллекта на практике. Хотя фраза «машинное обучение» часто вызывает в воображении научную фантастику, типичную для таких сериалов, как «Мир Дикого Запада» или «Звездный крейсер Галактика», интеллектуальные системы и устройства уже прочно вошли в ткань нашей повседневной жизни. Компьютеры и телефоны используют распознавание лиц для разблокировки. Системы определяют и регулируют температуру в наших домах. Устройства отвечают на вопросы или воспроизводят нашу любимую музыку по запросу. Почти каждая крупная автомобильная компания вступила в гонку по разработке безопасного беспилотного автомобиля.

Чтобы любой из этих продуктов работал, программное и аппаратное обеспечение должны работать идеально синхронно. Камеры, тактильные датчики, радары и системы обнаружения света — все они должны работать правильно, чтобы передавать информацию обратно на компьютеры. Необходимо разработать алгоритмы, чтобы эти машины могли обрабатывать эти сенсорные данные и принимать решения, основанные на наибольшей вероятности успеха.

Ким и большая часть преподавателей факультета машиностроения Массачусетского технологического института создают новое программное обеспечение, которое соединяется с аппаратным обеспечением для создания интеллектуальных устройств. Вместо того, чтобы создавать разумных роботов, романтизированных в массовой культуре, эти исследователи работают над проектами, которые улучшают повседневную жизнь и делают людей более безопасными, эффективными и информированными.

Делаем портативные устройства умнее

Джихван Ким держит лист бумаги. Если он и его команда добьются успеха, однажды мощность суперкомпьютера, такого как IBM Watson, сократится до размера одного листа бумаги. «Мы пытаемся построить настоящую физическую нейронную сеть на листе бумаги», — объясняет Ким.

На сегодняшний день большинство нейронных сетей основаны на программном обеспечении и созданы с использованием традиционного метода, известного как метод вычислений фон Неймана. Однако Ким использовал методы нейроморфных вычислений.

«Нейроморфный компьютер означает портативный искусственный интеллект», — говорит Ким. «Итак, вы строите искусственные нейроны и синапсы на небольшой пластине». В результате получается так называемый «мозг на чипе». Вместо того, чтобы вычислять информацию на основе двоичных сигналов, нейронная сеть Кима обрабатывает информацию как аналоговое устройство. Сигналы действуют как искусственные нейроны и перемещаются по тысячам массивов к определенным точкам пересечения, которые функционируют как синапсы. Благодаря тысячам подключенных массивов можно было обрабатывать огромные объемы информации одновременно. Впервые портативное оборудование могло имитировать вычислительную мощность мозга.

«Главное в этом методе — вам действительно нужно хорошо контролировать искусственные синапсы. Когда вы говорите о тысячах точек пересечения, это создает проблемы», — говорит Ким.

По словам Кима, конструкция и материалы, которые использовались для создания этих искусственных синапсов, до сих пор были далеко не идеальными. Аморфные материалы, используемые в нейроморфных чипах, невероятно затрудняют контроль над ионами при подаче напряжения.