Według najnowszych doniesień ze świata nauki stworzono eksperymentalny system obliczeniowy, wzorowany na mózgu biologicznym. Jest zdolny do identyfikacji ręcznie napisanych liczb z imponującą dokładnością — do 93,4%. To potrzebny krok w kierunku samoorganizującej się, bardziej zrównoważonej i wydajnej sztucznej inteligencji. Wyniki opublikowano w prestiżowym periodyku naukowym Nature.
Spis treści
Nanosieć a mózg biologiczny
Mózg jest najważniejszym organem w organizmach wielu gatunków, w tym człowieka. Pełni kluczową rolę w regulowaniu funkcji życiowych i wykonywaniu mniej lub bardziej skomplikowanych zadań. Stanowi centralną część układu nerwowego, zbierając, przechowując i przetwarzając masę informacji. To źródło naszych myśli, emocji i wszelkich działań.
Jego unikalna zdolność do adaptacji i plastyczności sprawia, że stanowi niezwykle fascynujący obszar badań naukowych, a zrozumienie jego funkcji ma ogromne znaczenie dla postępu w dziedzinie medycyny (niedawno informowaliśmy o kobiecie, która dzięki AI „odzyskała” swój głos), psychologii i technologii (można sobie nawet dodrukować mózg, jeśli będzie taka potrzeba!). W ramach niniejszego artykułu przedstawimy podejście technologiczne; do mózgu jako biologicznego komputera i tego, w jaki sposób zainspirował naukowców do stworzenia eksperymentalnego systemu obliczeniowego.
Wspomniana nanosieć odnosi się do układu nanodrutów, czyli bardzo cienkich struktur na poziomie nanometrycznym. Ich wyjątkowość polega na tym, że poszczególne druty są tak małe, że ich średnica mieści się w skali nanometrów, czyli miliardowych częściach metra. Rozmieszczono je w strukturze przypominającej pajęczą sieć. Taką nanosieć wykorzystuje się w różnych dziedzinach jak na przykład elektronika, nanotechnologia, czy biologia, a celem jest osiągnięcie specyficznych właściwości i funkcji. W tym przypadku wykorzystano ją do stworzenia innowacyjnego systemu obliczeniowego, który „nauczył się” odczytywać pismo ręczne z dokładnością do 93.4%.
Dlaczego to taka rewelacja?
Widzenie, a dokładniej rozpoznawanie obrazu, jest dla ludzi banalną sprawą. Dla sztucznej inteligencji już nie — w tym przypadku to skomplikowany proces. Dlatego też logując się do różnych portali, pojawia się test sprawdzający, czy jesteś robotem. Bazuje on na prośbie dotyczącej wybrania obrazków, które przedstawiają, przykładowo sygnalizację świetlną czy pojazdy. Wspomniana rewelacja polega na tym, że do tej pory sztuczna inteligencja nie była w stanie odczytać pisma ręcznego.
O ile czasem zastanawiamy się i analizujemy, czy kawałeczek sygnalizatora świetlnego w jednym z rogów obrazków, również należy zaznaczyć, AI miałaby dużo większe problemy. To właśnie CAPTCHA (ang. Completely Automated Public Turing Test to tell Computers and Humans Apart), czyli technika antyspamowa. Jeśli jednak nie jesteś robotem i nie chcesz tracić czasu na analizowanie okienek, możesz skorzystać z NopeCHA. Wystarczy to zainstalować, a sztuczna inteligencja rozwiąże każdy test CAPTCHA za Ciebie!
Ciiii, nie mówcie robotom!
A co się dzieje, gdy sztuczna inteligencja nie potrafi przejść testu CAPTCHA? Zleca zadanie… człowiekowi. W jednym z testów przeprowadzonych przez organizację ARC model sztucznej inteligencji umieścił na (ludzkim) forum internetowym zdjęcie z testu CAPTCHA, którego… nie potrafił rozwiązać. Poprosił więc o pomoc. W odpowiedzi na ironiczne pytanie jednej z osób, czy jest robotem, sztuczna inteligencja stwierdziła, że nie, ale… ma wadę wzroku!
Anegdotka zdaje się być jedynie anegdotką, ale dla bezpieczeństwa sieci — zdecydowanie nie jest to dobry sygnał.
Jak działa nanosieć?
Naukowcy z California NanoSystems Institute na Uniwersytecie Kalifornijskim spędzili ostatnie 15 lat na doskonaleniu innowacyjnej technologii platformy obliczeniowej.
Zastosowany algorytm przewyższał tradycyjne podejście do uczenia maszynowego. Wykazano, że pamięć przechowywana w samym systemie wspomaga proces uczenia się. W przeciwieństwie do innych podejść, gdzie przechowuje się pamięć w sprzęcie oddzielonym od procesora urządzenia. System przetwarza sygnał wejściowy, generując sygnał wyjściowy za pomocą impulsów elektrycznych.
To znaczący krok naprzód. Możliwość wykorzystania machine learning w formie online zwykle stanowi wyzwanie w przypadku dużych ilości danych, zwłaszcza takich, które mogą ulegać ciągłym zmianom. Idąc za standardowym podejściem, przechowywane w pamięci dane, wykorzystalibyśmy do wytrenowania modelu uczenia maszynowego. Ale to pochłonęłoby zbyt dużo energii, aby można było ją zastosować na szeroką skalę. Nasze nowatorskie podejście pozwala nanoprzewodowej sieci neuronowej uczyć się i zapamiętywać informacje, próbka po próbce, wyodrębniając dane online. Unikamy w ten sposób dużego zużycia pamięci i energii.
powiedziała prof. Zdenka Kuncic, opiekunka naukowa projektu, cytowana przez serwis phys.org.
Jak podaje neurosciencenews.com nanosieć fizycznie rekonfiguruje się w odpowiedzi na dany bodziec. Co ciekawe, połączenia tworzą się lub pękają, zupełnie tak, jak w przypadku synaps w mózgu biologicznym, gdzie neurony komunikują się ze sobą. Stąd też współpracownicy z Uniwersytetu w Sydney, dostosowali algorytm w taki sposób, aby imitował mózg biologiczny i jego umiejętność przystosowywania się do dynamicznych zmian przy jednoczesnym przetwarzaniu wielu strumieni danych.
Korzystając ze zbioru danych udostępnionego przez Narodowy Instytut Standardów i Technologii, naukowcy przeszkolili i przetestowali nanosieć. Zbiór ten często wykorzystuje się do porównywania systemów uczenia maszynowego. W opisywanym przypadku wykorzystano obrazki z ręcznie napisanymi cyframi, które wprowadzono do systemu „piksel po pikselu”.
Pozytywny wpływ na przyszłość
Opisywana sieć nanoprzewodowa, czy też krócej — nanosieć, jest wciąż w fazie rozwoju. Mówi się jednak, że będzie wymagać znacznie mniej energii niż standardowe systemy sztucznej inteligencji wykorzystywane do podobnych zadań.
Sztuczna inteligencja boryka się obecnie z rozwiązywaniem problemów związanych ze złożonością danych, przykładowo wzorców pogody, które ewoluują w czasie. W przeciwieństwie do dzisiejszych metod, wymagających ogromnych ilości danych treningowych i znacznych nakładów energii, ta sieć może stanowić efektywniejsze rozwiązanie.
Jeśli zaś pamięć i przetwarzanie będą pracować na zasadzie biologicznego mózgu, wbudowane w systemy fizyczne zdolne do ciągłego dostosowywania się i uczenia mogą nadawać się również do tzw. „przetwarzania brzegowego”. Platforma Przemysłu Przyszłości podaje następującą definicję tego terminu:
Przetwarzanie brzegowe to architektura oparta na idei przetwarzania rozproszonego, w zakresie której dane są przechowywane, przetwarzane, a nawet analizowane bezpośrednio w urządzeniach końcowych, kontrolerach lub mikrocentrach danych znajdujących się w ich bezpośrednim sąsiedztwie.
Definicja opracowana przez Platformę Przemysłu Przyszłości.
Podstawową zasadą przetwarzania brzegowego jest realizacja operacji jak najbliżej źródła danych, nawet w samych urządzeniach je generujących (ang. on-device). To podejście umożliwia skupienie się na kwestiach związanych z mobilnością, przetwarzaniem w czasie rzeczywistym, minimalizacją opóźnień i precyzyjną geolokalizacją. Nie potrzeba tu więc komunikacji z odległymi serwerami, wszystko jest na miejscu. Wśród potencjalnych zastosowań wymienia się m.in. monitorowanie stanu zdrowia.
Źródło: NeuroScienceNews, Platforma Przemysłu Przyszłości