100kitov.ru

Интересные факты — события, биографии людей, психология
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Искусственный интеллект научился определять запахи

ИИ распознаёт запахи так же, как человеческий мозг

Нейросеть способна научиться «нюхать» всего за несколько минут. При этом она точно имитирует обонятельные цепи, которые мозг животных задействует для обработки запахов.

Компьютерный нейробиолог Гуан Ю Ро́берт Янг и его сотрудники, которые сообщили о своих открытиях в журнале Neuron, уверены, что их искусственная сеть поможет исследователям узнать больше об обонятельных нервных цепях и будет полезна в работе по моделированию мозга.

Что выяснили учёные

У плодовых мушек, чья обонятельная структура мозга наиболее наглядна и хорошо изучена, восприятие запаха начинается в усиках. Там сенсорные нейроны, каждый из которых оснащен рецепторами, специализирующимися на обнаружении определенных запахов, преобразуют химическую связь молекул в электрическую активность. Когда обнаруживается запах, эти нейроны, представляющие собой первый слой обонятельной сети (входной слой), передают сигнал второму слою: набору нейронов, которые находятся в той части мозга, которая называется антенной долей. Там сенсорные нейроны с определенным рецептором сходятся с аналогичным нейроном второго слоя. Поскольку нейронов во втором слое меньше, чем в первом, эта часть называется слоем сжатия. Нейроны второго слоя, в свою очередь, передают сигнал большему набору нейронов в третьем слое (слой расширения). Все эти связи кажутся случайными.

Нейронные сети, созданные учёными, также состояли из входного слоя, слоя сжатия и слоя расширения, аналогично устройству обонятельной сети плодовой мушки. Нейросети дали такое же количество нейронов, но без внутренней структуры: связи между нейронами должны были перестраиваться по мере того, как модель научится классифицировать запахи.

Компьютерной программе предстояло распределить данные (разные запахи) по категориям и правильно классифицировать их. Для чистоты эксперимента нейросети скармливали не только «чистые» запахи, но и их смеси. Обонятельная система нашего мозга обладает уникальными способностями: если объединить ароматы двух разных яблок, он все равно будет чувствовать запах яблока. При этом если попиксельно смешать две фотографии кошки, то мозг кошку уже не увидит. Это лишь одна из множества особенностей обонятельной системы, но она хорошо отражает её суть.

Нейросети потребовались считанные минуты, чтобы построить нужные цепи. Конечная структура была поразительно похожа на структуру мозга плодовой мушки. Каждый нейрон в слое сжатия получал входные данные от первого, входного слоя и случайным, на первый взгляд, образом соединялся с несколькими нейронами в слое расширения. Более того, каждый нейрон в слое расширения получил связи в среднем от шести нейронов слоя сжатия – точно так же, как это происходит в мозге плодовой мушки.

Если в живом организме эти закономерности выстраивались путём долгой эволюции, то программа создала её с помощью стандартных алгоритмов машинного обучения. Это может говорить о том, что данная схема является оптимальной для выполнения своей задачи.

Исследователи полагают, что искусственная модель обонятельной сети позволит вести дальнейшее изучение структуры мозга, проверяя различные условия, которые невозможно проверить в рамках «живого» эксперимента.

Искусственный интеллект научился заменять реальные объекты виртуальными

Мохамед Кари из Университета Дуйсбурга-Эссена и группа его коллег из Германии и Швейцарии разработали приложение для мобильных устройств, способное трансформировать реальные объекты среды в виртуальные, но при этом сохраняющие изначальные свойства. Проект был представлен на конференции ISMAR 2021.

Реальность бывает разная!

Дополненная реальность (AR) нам уже не в новинку. Но в классическом варианте виртуальные объекты накладываются на реальный мир, то есть взаимодействует с уже существующей средой. При этом реальные объекты скрываются полностью или частично, или их вид немного изменяется.

Есть ещё термин «смешанная реальность» (mixed reality, или, сокращенно, MR). Эти системы меняют саму среду, а не только дополняют её новыми объектами.

Что же представляет собой новая разработка? Это программа, базирующаяся сразу на четырёх алгоритмах работы с изображениями. Она передаёт кадры с камеры смартфона или планшета на сервер, где происходит обработка изображений. На мобильном устройстве это сделать сложно, так как требуются слишком большие вычислительные мощности.

Читайте так же:
Факты о шаровых молниях — рассмотрим подробно

Принцип замены

На первом этапе ИИ сегментирует изображения, то есть выделяет, например, людей и автомобили. Далее одна из нейросетей определяет положение объекта в пространстве в трёхмерном формате, а другая вырезает его из кадра и заполняет этот фрагмент реалистичным фоном. Наконец, на последнем этапе ещё один алгоритм накладывает на вырезанный фрагмент виртуальный объект таким образом, чтобы он находился в той же позиции, что и оригинал.

Модели могут быть разными: например, человека можно заменить фантастическим монстром, машину — гигантской хэллоуиновской тыквой… При этом наложенный объект будет двигаться так же, как и оригинал.

В зависимости от выбранной нейросетевой модели приложение может менять частоту от 4 до 22 кадров в секунду. Однако при большей частоте изображение становится менее реалистичным. Также, из-за того, что программа работает в облаке, виртуальный объект может появляться на дисплее с небольшим запаздыванием. Но эти проблемы решаемы, говорят авторы разработки. В будущем вычислительные мощности сервера увеличатся, что, разумеется, повлияет на качество и скорость работы приложения.

Нас ждёт виртуальная антиутопия?

Но стоит ли так уж радоваться и хлопать в ладоши? Недавно Луис Розенберг, программист из Исследовательской лаборатории ВВС, разработавший первую функциональную AR-систему, опубликовал в издании Big Think статью о том, что метаверс — иммерсивная реальность, разрабатываемая в рамках проекта «Метавселенная» компанией Facebook, сменившей теперь свое название на Meta, может изменить реальность, и она перестанет существовать в том виде, в котором мы её знаем.

«Меня беспокоит законное использование AR мощными поставщиками платформ, которые будут контролировать инфраструктуру», — пишет Розенберг.

Учёный считает, например, что ряд пользователей смогут получать за плату информацию о реальных людях, отражающую их социальные особенности. И если такой юзер будет находиться в смешанной реальности, то он будет видеть, скажем, парящие над головой того или иного человека метки «Алкоголик», «Гей», «Расист» и др.

Также, по мнению Розенберга, люди, управляющие метавселенной, могут заставить реальные объекты просто визуально исчезать, и люди окажутся полностью зависимы от своих устройств. При этом мы не сможем осуществлять почти никакие виды жизнедеятельности без использования виртуала. В конце концов для нас станет невозможным идентифицировать, где настоящая реальность, а где — «поддельная». И мы окажемся в мире самой настоящей киберпанковской антиутопии…

Добавьте «Правду.Ру» в свои источники в Яндекс.Новости или News.Google, либо Яндекс.Дзен

Быстрые новости в Telegram-канале Правды.Ру. Не забудьте подписаться, чтоб быть в курсе событий.

Искусственный интеллект займется развитием сетей и научится зарабатывать

Каким станет будущее телекома в исследовании «Ростелекома» и Huawei

«Ростелеком» и Huawei представляют исследование «Автономные сети: анализ технологий, эффективности и применений», подготовленное совместно с аналитической компанией J’son & Partners Consulting. Исследование подтверждает, что в долгосрочной перспективе не существует альтернативы полной автоматизации развития и управления сетями на всех уровнях, которая предполагает тотальную замену ключевых процессов на автономные и интеллектуальные. Определяющую роль в производственных и бизнес-процессах операторов станет играть потребитель, который сам будет управлять параметрами и ценой услуги. А искусственный интеллект (ИИ) начнет предлагать персонализированные сервисы и тарифы под потребности клиента, причем в конкретное время и в конкретном месте.

Управление автономными сетями происходит с помощью программных приложений, использующих алгоритмы искусственного интеллекта. Пока сети настраиваются инженерами с использованием базовых инструментов автоматизации: например, подсказок и рекомендаций по изменению параметров мощности, покрытия сети или скорости передачи данных. Но вскоре они будут практически полностью управляться ИИ, и вмешательство человека потребуется лишь в исключительных случаях. Необходимость повышения автономности связана с быстрорастущей сложностью организации и управления сетями связи. Если в сетях четвертого поколения (LTE) количество параметров настройки измерялось десятками, то в сетях пятого поколения (5G) этих параметров стало многократно больше, так что управлять ими вручную уже не получится.

Читайте так же:
Отвар шиповника — польза и норма употребления

По оценке J’son & Partners Consulting, экономический эффект от реализации концепции автономных интеллектуальных сетей (АИС) в мировом масштабе может превысить 800 млрд долларов США в год, если операторы перейдут на уровень L4/L5 (высший в классификации), который подразумевает полную автономность (уровень L0 — все процессы только под контролем человека). Сумма включает как экономию на операционных затратах (например, интеллектуальные системы энергосбережения позволяют оптимизировать потребление электроэнергии), так и дополнительную выручку, которая появляется благодаря повышению гибкости использования ресурсов и новым сервисам с добавленной стоимостью.

Чем выше степень автоматизации, тем больше экономический эффект. При переходе на частичную автоматизацию (L1/L2) эффект оценивается «всего» в 6 млрд долларов, а на уровне L3/L4 — уже в 149 млрд долларов. В условиях, когда выручка от базовых телеком-сервисов не увеличивается, а возможности для снижения операционных затрат исчерпаны, переход на АИС — фактически единственный вариант для роста бизнеса и рентабельности операторов.

В исследовании будущее функционирование телеком-сетей сравнивается с тем, как устроены облачные сервисы. Рынок сервисов облачных вычислений (услуг, которые монетизируют вычислительную, а не коммуникационную инфраструктуру) стремительно растет. Исследовательская компания Gartner оценивает среднегодовой рост (CAGR) глобального рынка IaaS и PaaS на уровне 33% в период 2019–2022 годов. Но облачная модель требует высокого уровня автоматизации всех производственных и бизнес-процессов. По заключению аналитиков, если операторы научатся предоставлять сетевую инфраструктуру по модели облачного сервиса (так называемой Network as a Service, NaaS), то, вероятно, они смогут преодолеть стагнацию и начать наращивать выручку в этом сегменте двузначными темпами на протяжении многих лет.

По оценкам J’son & Partners Consulting, в случае коммерческого успеха концепции распределенных облачных вычислений уже в 2022 году объем глобального рынка NaaS может достигнуть 76 млрд долларов, а в 2025 году вырасти до 600 млрд долларов. А при успешной цифровой трансформации отраслей реального сектора мировой экономики объем потребления услуг NaaS может превысить 900 млрд долларов в 2030 году.

«Переход к автономности и широкому использованию технологий искусственного интеллекта диктует изменение требований к услугам и рост сложности сетей. Управлять инфраструктурой и процессами становится все сложнее — и чем дальше, тем быстрее. Если в LTE количество параметров для настройки сети измерялось десятками, то в 5G их уже сотни, и каждый из них может быть критическим для конкретного пользователя в данном месте и в данное время.

Выполнить эти настройки вручную уже не просто сложно — это невозможно. Наше исследование показывает, что сегодня понимается под концепцией АИС и на каких этапах ее внедрения находятся мировые операторы. Некоторые традиционные операторы уже начали переход к автономности сетей, но большинство пока не готовы к этим изменениям, а значит, они рискуют уступить рынок более гибким и амбициозным новичкам»,— отметил старший менеджер по маркетингу Huawei в регионе Евразия Павел Сиротинкин.

«Расширение использования цифровых технологий и рост требований со стороны пользователей меняют подходы к разработке новых сервисов и тарифов, которые во многом становятся индивидуальными. В свою очередь, из-за стремительного роста количества и характеристик услуг усложняется управление. Традиционные услуги уже не обеспечивают операторам ощутимого роста выручки, поэтому нужны новые сервисы, которых так ждут клиенты. И под них требуется другое качество управления процессами на всех уровнях — переход от ручного управления к искусственному интеллекту. Человек будет определять цели, а способы их достижения предстоит находить “машинам”»,— сказал директор по стратегическим программам и инновационному развитию «Ростелекома» Алексей Митькин.

Исследование «Автономные сети: анализ технологий, эффективности и применений» доступно по ссылке.

Словами специалиста: вся правда об искусственном интеллекте

Существует ли «искусственный разум» на самом деле, как нас обманывают фантастические фильмы, что умеют машины уже сегодня, и как выбрать занятие, связанное с технологиями ИИ.

Читайте так же:
Нужен ли нам аппендикс

В этом году компания «Яндекс» запустила голосового помощника «Алиса». Новый сервис позволяет пользователю прослушивать новости и погоду, получать ответы на вопросы и просто общаться с ботом. «Алиса» иногда дерзит, порой кажется почти разумной и по-человечески саркастичной, но часто не может разобраться, о чём её спрашивают, и садится в лужу.

Всё это породило не только волну шуток, но и новый виток дискуссий о развитии искусственного интеллекта. Новости о том, чего добились умные алгоритмы, сегодня приходят чуть ли не каждый день, а машинное обучение называют одним из самых перспективных направлений, которому можно себя посвятить.

Чтобы прояснить главные вопросы об искусственном интеллекте, мы побеседовали с Сергеем Марковым, специалистом по искусственному интеллекту и методам машинного обучения, автором одной из самых сильных отечественных шахматных программ SmarThink и создателем проекта «XXII век».

person_image

Развенчивая мифы об ИИ

так что же такое «искусственный интеллект»?

Читайте также :

Понятию «искусственный интеллект» в какой-то мере не повезло. Возникшее изначально в научной среде, оно со временем проникло в фантастическую литературу, а через неё — в поп-культуру, где претерпело целый ряд изменений, обросло множеством интерпретаций и в конце-концов было совершенно мистифицировано.

Именно поэтому мы часто слышим от неспециалистов примерно такие заявления: «ИИ не существует», «ИИ невозможно создать». Непонимание сути исследований, ведущихся в сфере ИИ, легко приводит людей и к другим крайностям — например, современным системам ИИ приписывают наличие сознания, свободной воли и секретных мотивов.

Давайте попробуем отделить мух от котлет.

В свою очередь, интеллектуальная задача — это задача, которую люди решают при помощи собственного интеллекта. Заметим, что в данном случае специалисты сознательно уходят от определения понятия «интеллект», поскольку до появления систем ИИ единственным примером интеллекта был интеллект человеческий, и определить понятие интеллекта на основе единственного примера — то же самое, что пытаться провести прямую через единственную точку. Таких прямых может оказаться сколько угодно много, а значит, спор о понятии интеллекта можно было бы вести столетиями.

image_image

«сильный» и «слабый» искусственный интеллект

Системы ИИ делятся на две большие группы.

Прикладной искусственный интеллект (также используют термин «слабый ИИ» или «узкий ИИ», в английской традиции — weak/applied/narrow AI) — это ИИ, предназначенный для решения какой-либо одной интеллектуальной задачи или их небольшого множества. К этому классу относятся системы для игры в шахматы, го, распознавания образов, речи, принятия решения о выдаче или невыдаче банковского кредита и так далее.

В противоположность прикладному ИИ вводят понятие универсального искусственного интеллекта (также «сильный ИИ», по-английски — strong AI/Artificial General Intelligence) — то есть, гипотетического (пока что) ИИ, способного решать любые интеллектуальные задачи.

Сильного ИИ действительно пока не существует. Практически все успехи, которые мы наблюдаем в последнее десятилетие в области ИИ, — это успехи прикладных систем. Эти успехи нельзя недооценивать, так как прикладные системы в ряде случаев способны решать интеллектуальные задачи лучше, чем это делает универсальный человеческий интеллект.

Я думаю, вы заметили, что понятие ИИ — довольно широкое. Скажем, устный счёт — это тоже интеллектуальная задача, и это значит, что любая счётная машина будет считаться системой ИИ. А как насчёт счётов? Абака? Антикитерского механизма? Действительно, всё это формально хотя и примитивные, но системы ИИ. Однако обычно, называя какую-то систему системой ИИ, мы тем самым подчёркиваем сложность решаемой этой системой задачи.

Совершенно очевидно, что разделение интеллектуальных задач на простые и сложные — весьма искусственное, и наши представления о сложности тех или иных задач постепенно меняются. Механическая счётная машина была чудом техники в XVII веке, но сегодня людей, с детства сталкивающихся с куда более сложными механизмами, она уже не способна впечатлить. Когда игра машин в го или автомобильные автопилоты уже перестанут удивлять публику, наверняка найдутся люди, которые будут морщиться из-за того, что кто-то будет относить такие системы к ИИ.

Читайте так же:
Правила для королевских особ

image_image

«Роботы-отличники»: о способностях ИИ к обучению

Читайте также :

Ещё одно забавное заблуждение — всенепременное наличие у систем ИИ способности к самообучению. С одной стороны, это совсем не обязательное свойство систем ИИ: есть множество удивительных систем, не способных самообучаться, но, тем не менее, решающих многие задачи лучше человеческого мозга. С другой стороны, некоторые люди просто не знают того, что самообучение — свойство, которые многие системы ИИ обрели ещё более полусотни лет назад.

Когда в 1999 году я писал свою первую шахматную программу, самообучение уже было совершенно общим местом в этой области — программы умели запоминать опасные позиции, подстраивать под себя дебютные варианты, регулировать стиль игры, подстраиваясь под соперника. Конечно, тем программам было ещё очень далеко до Alpha Zero. Тем не менее, даже системы, обучающиеся поведению на основе взаимодействия с другими системами в ходе экспериментов по так называемому «обучению с подкреплением», уже существовали. Однако по необъяснимой причине некоторые люди до сих пор думают, что способность к самообучению — это прерогатива человеческого интеллекта.

Существует два больших полюса машинного обучения — обучение с учителем и обучение без учителя.

При обучении с учителем у машины уже есть некоторое количество условно правильных решений для некоторого набора случаев. Задача обучения в таком случае заключается в том, чтобы научить машину на основе имеющихся примеров принимать правильные решения в других, неизвестных ситуациях.

Другая крайность — обучение без учителя. То есть машину ставят в ситуацию, когда правильные решения неизвестны, имеются только данные в сыром, неразмеченном виде. Оказывается, и в таких случаях можно добиться некоторого успеха. Например, можно научить машину выявлению семантических отношений между словами языка на основе анализа очень большого набора текстов.

Одна из разновидностей обучения с учителем — это обучение с подкреплением (reinforcement learning). Идея заключается в том, что система ИИ выступает в роли агента, помещённого в некоторую модельную среду, в которой она может взаимодействовать с другими агентами, например, с собственными копиями, и получать от среды некоторую обратную связь через функцию вознаграждения. Например, шахматная программа, которая играет сама с собой, постепенно подстраивая свои параметры и тем самым постепенно усиливая собственную игру.

Обучение с подкреплением — довольно широкая область, в ней применяют множество интересных методов, начиная от эволюционных алгоритмов и заканчивая байесовской оптимизацией. Последние достижения в области ИИ для игр как раз связаны с усилением ИИ в ходе обучения с подкреплением.

Риски развития технологий: стоит ли бояться «Судного дня»?

Читайте также :

Я не отношусь к числу ИИ-алармистов, и в этом смысле я отнюдь не одинок. Например, создатель стэнфордского курса по машинному обучению Эндрю Ын сравнивает проблему опасности ИИ с проблемой перенаселения Марса.

Действительно, в будущем вполне вероятно, что люди колонизируют Марс. Также вероятно, что рано или поздно на Марсе может возникнуть проблема перенаселения, но не совсем понятно, почему мы должны заниматься этой проблемой уже сейчас? Согласны с Ыном и Ян ЛеКун — создатель свёрточных нейронный сетей, и его шеф Марк Цукерберг, и Йошуа Беньо — человек, во многом благодаря исследованиям которого современные нейронные сети способны решать сложные задачи в области обработки текстов.

Чтобы изложить мои взгляды на эту проблему, потребуется, вероятно, несколько часов, поэтому остановлюсь только на основных тезисах.

1. НЕЛЬЗЯ ОГРАНИЧИВАТЬ РАЗВИТИЕ ИИ

Алармисты рассматривают риски, связанные с потенциальным разрушительным воздействием ИИ, при этом игнорируя риски, связанные с попыткой ограничить или даже остановить прогресс в этой области. Технологическое могущество человечества возрастает чрезвычайно быстрыми темпами, что приводит к эффекту, который я называю «удешевлением апокалипсиса».

Читайте так же:
Как добывают золото? Виды золотодобычи, описание, фото и видео

150 лет назад при всём желании человечество не могло нанести невосполнимого урона ни биосфере, ни себе как виду. Для реализации катастрофического сценария 50 лет назад необходимо было бы сконцентрировать всю технологическую мощь ядерных держав. Завтра для воплощения в жизнь глобальной техногенной катастрофы может хватить и небольшой горстки фанатиков.

Если на смену человеческому интеллекту с его предрассудками, агрессией, заблуждениями и ограниченностью не придёт система, способная принимать более взвешенные решения (будь то ИИ или, что я считаю более вероятным, технологически улучшенный и объединённый с машинами в единую систему человеческий интеллект), нас может ждать глобальная катастрофа.

image_image

2. создание сверхинтеллекта принципиально невозможно

Существует идея о том, что ИИ будущего всенепременно будет сверхинтеллектом, превосходящим людей даже сильнее, чем люди превосходят муравьёв. Боюсь в данном случае разочаровать и технологических оптимистов — наша Вселенная содержит целый ряд фундаментальных физических ограничений, которые, по всей видимости, сделают создание сверхинтеллекта невозможным.

Например, скорость передачи сигнала ограничена скоростью света, а на планковских масштабах появляется неопределённость Гейзенберга. Отсюда вытекает первый фундаментальный предел — предел Бремерманна, вводящий ограничения на максимальную скорость вычислений для автономной системы заданной массы m.

Другой предел связан с принципом Ландауэра, в соответствии с которым существует минимальное количество теплоты, выделяемое при обработке 1 бита информации. Слишком быстрые вычисления вызовут недопустимый разогрев и разрушение системы. В действительности, современные процессоры от лимита Ландауэра отделяет менее чем тысячекратное отставание. Казалось бы, 1000 — это довольно много, однако ещё одна проблема заключается в том, что многие интеллектуальные задачи относятся к классу сложности EXPTIME. Это означает, что время, необходимое для их решения, является экспоненциальной функцией от размерности задачи. Ускорение системы в несколько раз даёт лишь константный прирост «интеллекта».

В общем, есть очень серьёзные основания полагать, что сверхинтеллектуального сильного ИИ не получится, хотя, конечно, уровень человеческого интеллекта вполне может быть превзойдён. Насколько это опасно? Скорее всего, не очень.

3. мы беспокоимся совсем не о том

К сожалению, в результате спекуляций алармистов на страхах публики, воспитанной на «Терминаторе» и знаменитом HAL 9000 Кларка и Кубрика, происходит смещение акцентов в сфере безопасности ИИ в сторону анализа маловероятных, но эффектных сценариев. При этом реальные опасности ускользают из виду.

Любая достаточно сложная технология, претендующая на то, чтобы занять важное место в нашем технологическом ландшафте, безусловно приносит с собой специфические риски. Множество жизней было погублено паровыми машинами — на производстве, на транспорте и так далее — прежде чем были выработаны эффективные правила и меры по обеспечению безопасности.

Если говорить о прогрессе в области прикладного ИИ, можно обратить внимание на связанную с ним проблему так называемого «Цифрового тайного суда». Всё больше и больше прикладных систем ИИ принимает решения по вопросам, затрагивающим жизнь и здоровье людей. Сюда относятся и медицинские диагностические системы, и, например, системы, принимающие в банках решения о выдаче или невыдаче кредита клиенту.

В то же время структура используемых моделей, наборы используемых факторов и другие детали процедуры принятия решения скрыты коммерческой тайной от человека, чья судьба находится на кону.

ИИ, обученный на решениях таких экспертов, будет добросовестно воспроизводить эти предрассудки в своих решениях. В конце концов эти модели могут содержать в себе специфические дефекты.

Этими проблемами сейчас мало кто занимается, поскольку, конечно, SkyNet, развязывающий ядерную войну, это, безусловно, куда более зрелищно.

голоса
Рейтинг статьи
Ссылка на основную публикацию