Не удивляйтесь тому, как будет выглядеть ИИ будущего
Об искусственном интеллекте сложно делать какие-либо выводы.
Когда вы думаете, что думаете об этом, на вашем экране всплывает такая история.
Одно можно сказать наверняка - хотя ИИ учится делать многие вещи, которые делают люди, он не похож на обычный человеческий мозг. Возможно, это нормально, поскольку все живые существа на Земле имеют мозг самых разных форм и размеров.
Странная модель для подражания
Но что удивительно, когда ученые начали внедрять новую технологию машинного обучения, она проигнорировала сложность человеческого мозга. Вместо этого они решили исследовать червей - да, верно - червей.
Движущей силой такого подхода была его простота. А простота может быть полезной во многих отношениях. Удивительно то, что новая нейронная сеть оказалась очень надежной, эффективной и искренне привержена обучению на протяжении всей жизни.
Многие люди не подозревают, что с помощью большинства созданных алгоритмов машинного обучения они не могут развить много знаний и навыков после начального периода обучения. Однако эта новая модель, которую исследователи называют жидкой нейронной сетью, на самом деле может учиться на собственном опыте и укреплять свои навыки по мере продвижения.
Разработчики считают, что эта технология впишется в современный мир, где хаос и пандемониум стали обычным явлением. В такой среде важны адаптируемость и гибкость.
Червячная технология
Архитектура этого алгоритма была смоделирована и вдохновлена нервной системой крошечной нематоды или червя.
Поскольку эта исследовательская группа, состоящая из экспертов из Австрийского института науки и технологий и Массачусетского технологического института, опубликовала в своем отчете, эта нематода более чем способна к сложному и разнообразному поведению, несмотря на свою простоту. По этой причине они создали уравнения, моделирующие нейроны червя, и интегрировали их в свою новую нейронную сеть.
Интересно, что алгоритм червячного мозга был намного менее сложным, чем существующие передовые алгоритмы машинного обучения, используемые в настоящее время. Тем не менее, червь-мозг может выполнять те же задачи, что и другие алгоритмы.
Внутренняя работа червя-мозга
Нейронные сети работают на основе взвешенных связей между нейронами в их сети. То же самое и с человеческим мозгом, где клетки мозга связаны с другими клетками мозга. Сигналы, которые получает каждая ячейка, определяют, будет ли она выдавать свой собственный сигнал.
Должен быть достигнут порог, прежде чем он передаст сигнал своим нисходящим соединениям. Параметры используются в нейронной сети, которая представляет эти пороговые значения срабатывания сигнала.
В большинстве случаев параметры в нейронной сети фиксируются после ее первоначального обучения. Но реальность может быть очень сложной для алгоритмов. Каждый раз, когда они сталкиваются с обстоятельствами, которые сильно отклоняются от их обучения, они, как правило, ломаются.
И наоборот, эта новая жидкая нейронная сеть принимает меняющиеся условия и изменяет свои параметры с течением времени и по мере накопления опыта.
Невероятная адаптивность
Такая адаптивность снижает вероятность поломки этого нового алгоритма всякий раз, когда мир представляет ему новую информацию. Дополнительным преимуществом этой нейронной сети является то, что ее простота позволяет разработчикам легко проверять ее способность принимать решения.
Трудно утверждать, что этот адаптируемый алгоритм, требующий очень небольшой вычислительной мощности, не будет идеальным для мозга робота. Разработчики также видят, что эта технология станет полезной во многих будущих областях, требующих обширного анализа в реальном времени. На ум приходят финансовый анализ и обработка видео.
Развевает ли такой подход менталитет «чем больше, тем лучше»?
В настоящее время мы видим большие заголовки о технологиях, в которых компании используют массивные алгоритмы машинного обучения. Примечательно видеть такой альтернативный подход, который отлично работает с такой уменьшенной версией.
Недавно мы видели алгоритмы OpenAI и Google, которые имеют миллиарды и триллионы параметров соответственно. И возможности этих систем не менее впечатляют.
Но многих экспертов беспокоят эти огромные версии ИИ. Некоторые считают, что они слишком расточительны и дороги. Что еще хуже, они обеспокоены тем, что невероятная мощь этих алгоритмов ИИ сосредоточится в руках лишь нескольких компаний, у которых есть деньги для финансирования крупномасштабных моделей.
Кроме того, эти массивные модели также являются «черными ящиками», а это означает, что их действия в некоторой степени непостижимы. Они могут стать невероятно проблематичными в сценарии, когда неконтролируемые алгоритмы обучаются в открытом Интернете. Можно только догадываться, чему они научатся в этой среде.
Источники
Даниэль Акерман. (28 января 2021 г.). Жидкая система машинного обучения адаптируется к меняющимся условиям. https://news.mit.edu/2021/machine-learning-adapts-0128.
Матиас Лехнер, Рамин Хасани, Александр Амини, Томас А. Хензингер, Даниэла Рус, Раду Гросу. (13 октября 2020 г.). Политики нейронных цепей, обеспечивающие контролируемую автономию. Https://www.nature.com/articles/s42256-020-00237-3.
Mate Labs. (1 ноября 2017 г.). Все, что вам нужно знать о нейронных сетях. Https://hackernoon.com/everything-you-need-to-know-about-neural-networks-8988c3ee4491.
Кайл Виггерс. (12 января 2021 г.). Google обучил языковую модель ИИ с триллионом параметров. Https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/.
