Що таке штучний інтелект?

"До багатьох, AI - це просто жахливий фільм Стівен Спілберг. Іншим, це наступне покоління навчальних комп'ютерів. Але що таке штучний інтелект? Відповідь залежить від того, хто ви запитуєте. Широко, штучний інтелект (AI) - це поєднання комп'ютерних наук та надійних наборів даних, розгорнута для вирішення певної проблеми.

Багато визначень штучного інтелекту включають порівняння з людським розумом або мозком, будь то у формі або функції. Алан Тьюрін написав у 1950 році про "мислячі машини", які могли б відповісти на проблему з використанням людських міркувань. Його однойменним тестом turing все ще є еталоном обробки природної мови. Пізніше Стюарт Рассел та Джон Норвіг спостерігав, що люди розумні, але ми не завжди раціональні. Рассел і Норвіг побачив два класи штучного інтелекту: системи, які думають і діють як людина, проти тих, хто вважає і діяти раціонально. Сьогодні у нас є всі види програм, які ми називаємо AI.

"АІ не повинен обмежувати себе методами, що є біологічно спостережними"

Багато AIS використовують "нервові сітки", чий код написаний для наслідування деякого аспекту архітектури нейронів або мозку. Однак, не всі інтелектуальні людські. Також не обов'язково є найкращою ідеєю для наслідування нейробіологічної інформації обробки. Ось чому інженери обмежують, наскільки вони несуть метафору мозку. Більше про те, як явно паралельний мозок, а його розподілена обробка пам'яті. Як визначено Джоном Маккартією у 2004 році, штучний інтелект - "наука та інженерія виготовлення інтелектуальних машин, особливо інтелектуальних комп'ютерних програм. Це пов'язано з подібним завданням використання комп'ютерів, щоб зрозуміти людський інтелект, але АІ не повинен обмежувати себе методами, які є біологічно спостережними. "

Крім того, відмінність між нервової мережі та АІ часто є питанням філософії, більше, ніж можливостей або дизайну. Багато "AI-powered" системи є нервовими сітками, під капотом. Ми також називаємо деякі нервові мережі AIS. Наприклад, потужний GPT-3 Openai - це тип нейронної мережі, який називається трансформатором (більше на них нижче). Надійна продуктивність нервової мережі може дорівнювати або перевершити вузький AI. Існує багато перекриття між нервовими сітками та штучним інтелектом, але здатність до машинного навчання може бути розділювальна лінія.

Що таке AI?

Концептуально: у сенсі своєї логічної структури, щоб бути АІ, вам потрібні три фундаментальні частини. По-перше, існує процес прийняття рішень - зазвичай рівняння, модель, або лише якийсь код. AIS часто виконує класифікацію або застосовують перетворення. Для цього AI повинен мати можливість вирішити зразки в даних. По-друге, є функція помилки - якийсь спосіб для перевірки своєї роботи. І третій, якщо AI збирається вчитися з досвіду, він потребує певного способу оптимізації своєї моделі. Багато нейронних мереж роблять це з системою зважених вузлів, де кожен вузол має як цінність, так і відносини з його мережевими сусідами. Зміна цінностей з часом; Більш сильні відносини мають вищу вагу в функції помилки.

Фізично: Як правило, AI - це "просто" програмне забезпечення. AI-Powered Services, такі як Grammarly та RYTR, використовують нервові сітки, такі як GPT-3. Ці нервові мережі складаються з рівнянь або команд, написаних у таких речах, як Python або Common Lisp. Вони виконують порівняння, виконують трансформації та вишукані шаблони з даних. Вони працюють на апаратному супроводі сервера, як правило, але апаратне забезпечення не є важливим. Будь-який звичайний кремній буде робити, будь то процесор або ГПУ. Однак існують спеціальні апаратні нервові мережі, особливий вид ASIC званих нейроморфних чіпсів.

Теннори та нейроморфний кремній

Не всі ASICS є нейроморфними конструкціями. Однак нейроморфні чіпси є всімами. Нейроморфний дизайн принципово відрізняється від процесора, і лише номінально перекриваються з багатоядерною архітектурою GPU. Але це не є деяким екзотичним новим типом транзистора, ні будь-якого дивного та елдрейча структури даних. Це все про тензор. Тендери описують відносини між речами; Вони є своєрідним математичним об'єктом, який може мати метадані, так само, як цифрова фотографія, має дані EXIF.

Сучасний NVIDIA RTX GPU має величезну кількість тензорних сердечників. Це має сенс, якщо ви малюєте рухомі полігони, кожен з яких має деяку кількість властивостей або ефектів, які застосовуються до нього. Але тензори можуть обробляти більше, ніж просто просторові дані. Можливість паралелізувати розрахунки тензора, тому, чому GPUS отримує скасуючий для крипто-видобутку, і чому вони використовуються в кластерних обчислях, особливо для глибокого навчання. GPUS Excel при організації багатьох різних потоків відразу.

Але незалежно від того, наскільки елегантна ваша організація даних може бути, вона все одно має фільтрувати кілька шарів абстракції програмного забезпечення, перш ніж вона коли-небудь стає двійковою. Нейроморфний чіп Intel, Loihi 2, дозволять дуже різний підхід.

Loihi 2

Loihi 2 - нейроморфний чіп, який поставляється як пакет з програмним забезпеченням екосистеми названої лави. Фізична архітектура Loihi запрошує - практично вимагає - використання вагової та функції помилки, як визначають особливості АІ, так і нервових сіток. Біоміметичний дизайн чіпа поширюється на його електричну сигналізацію. Замість того, щоб ті та нулі, увімкнені, Loihi "пожежі" у шипах з цілим числом, здатними носити набагато більше даних. Це вимагає використовувати з тензор. Що робити, якщо вам не доведеться перекласти свої значення в машинний код, а потім двійкові? Що робити, якщо ви можете просто кодувати їх безпосередньо?

Моделі машинного навчання, які використовують Lava, можуть повністю використовувати унікальний фізичний дизайн Loihi 2. Together, they offer a hybrid hardware-software neural net that can process relationships between multiple entire multi-dimensional datasets, like an acrobat spinning plates.

Інструменти AI, такі як RYTR, Grammarly та інші роблять свою роботу в звичайному робочому столі. Навпаки, нейроморфні чіпси, такі як Loihi, не призначені для використання в споживчих системах. (Принаймні, ще не.) Вони призначені для дослідників. Натомість нейроморфна інженерія має іншу силу. Це може дозволити кремнію виконувати інший вид біомімікрі. Мозок надзвичайно дешевий, з точки зору використання потужності за одиницю пропускної спроможності. Надія полягає в тому, що Loihi та інші нейроморфні системи можуть імітувати цю ефективність енергії, щоб вирватися з трикутника заліза і доставити всі три: хороші, швидко, дешево.

AI VS. Neural Nets Vs. Глибоке навчання проти машинного навчання

Якщо тристоронній логічна структура звуку АІ знайомі, це тому, що нервові мережі мають ті ж три логічні стовпи. Фактично, з точки зору IBM, відносини між машинним навчанням, глибоким навчанням, нейронними мережами та штучним інтелектом є ієрархія еволюції. Це так само, як відносини між Чагардером, Чеммелеоном та Шарстром. Вони всі окремі організації самостійно, але кожен заснований на тому, і вони ростуть у владі, коли вони розвиваються. У нас ще є чарівники, хоча ми також маєте шаратриви.

Як дізнається штучний інтелект?

Коли AI дізнається, це відрізняється, ніж просто зберегти файл після внесення редагування. До AI, навчання передбачає зміну свого процесу.

Багато нервових мереж дізнаються через процес, який називається "Поширення". Як правило, нейронна сітка - це процес "подачі", оскільки дані лише рухаються в одному напрямку через мережу. Це ефективно, але це також є своєрідним балістичним (неоднозначним) процесом. У зворотному розповсюдженні, однак, пізніше вузли в процесі отримують інформацію до попередніх вузлів. Не всі нервові мережі виконують зворотне розповсюдження, але для тих, хто робить, ефект схожий на зміну коефіцієнтів перед змінними в рівнянні.

Контрольоване та безперервне навчання

Ми також розділяємо нервові мережі на два класи, залежно від того, який тип проблем вони можуть вирішити. У контроленому навчанні, нейронна мережа перевіряє свою роботу проти маркованого тренувального набору або надводу; У більшості випадків, що надмірно - це людина. Наприклад, Swiftkey дізнається, як ви текст, і регулює свою автокорект до відповідності. Pandora використовує введення слухачів до тонко класифікувати музику, щоб створити спеціально підібрані списки відтворення. 3Blue1Brown навіть має чудову серію пояснентів на нервових мережах, де він обговорює нейронну мережу, використовуючи контрольоване навчання для виконання розпізнавання рукописного тексту.

Наглядове навчання чудово підходить для тонкої точності за незмінним набором параметрів, таких як алфавіти. Однак непридатне навчання, однак, може заплутувати дані з мінливими числами розмірів. (Рівняння з термінами X, Y та Z - це тривимірне рівняння.) Незабезпечене навчання має тенденцію виграти з невеликими наборами даних. Це також добре, визнаючи візерунки, які ми навіть не знаємо, щоб шукати.

Тенсори та трансформатори

Трансформатори - це особливий, універсальний вид АІ, здатний до безперервного навчання. Вони можуть інтегрувати багато різних потоків даних, кожен з яких має свої зміни параметрів. Через це вони чудово підходять для обробки тензор. Тенсори, у свою чергу, чудово підходять для збереження всіх цих даних. З комбінованими силами тензорів та трансформаторів ми можемо обробляти більш складні набори даних.

Відеозйомка та згладжування відео - це чудові програми для трансформаторів AI. Аналогічно, тенсори мають вирішальне значення для виявлення глибинних виробів та змін. З глибоким інструментами, що відтворюються в дикій природі, це гонка цифрових озброєнь.

Відеосигнал має високу розмірність. Це зроблено з серії зображень, які самі складаються з серії координат та кольорових значень. Математично і в комп'ютерному коді, ми представляємо ці величини, як матриці або N-мірні масиви. Допоможено, тензори чудово підходять для матриці та масиву, що суперечать. Наприклад, DAVINCI вирішує, що використовує тензорну обробку у своєму (NVIDIA RTX) апаратному прискореному нейронному режимі розпізнавання обличчя. Русі ці тензорні до трансформатора, а його повноваження безперервного навчання роблять велику роботу, вибираючи криві руху на екрані - і в реальному житті.

Тенсер, трансформатор, сервопристійний, шпигун

Насправді, ця здатність відстежувати декілька кривих один проти одного, тому тензорно-трансформаторська команда мрії прийняла це так добре, як обробка природної мови. І підхід може узагальнити. Конволюційні трансформатори - гібрид CNN та трансформатор - Excel при розпізнаванні зображення на льоту. Ця технологія використовується сьогодні, для таких речей, як робота пошуку та рятування або допоміжне зображення та розпізнавання тексту, а також набагато більш суперечлива практика розпізнавання обличчя Dragnet, à la hong kong.

Можливість обробки змінної маси даних чудово підходить для споживачів та допоміжних технологій, але це також зчеплення для речей, як картографування генома, і покращує дизайн наркотиків. Список продовжується. Трансформатори також можуть обробляти різні види "розмірів", - не просто просторові, що корисно для керування масивом пристроїв або вбудованих датчиків - як відстеження погоди, маршрутизація руху або систем промислового управління. Ось що робить AI настільки корисним для обробки даних "на краю".

Ai на краю проти для краю

У кожного є мобільний телефон, в усьому є вбудовані системи. Ця розповсюдження пристроїв породжує спеціальну глобальну мережу, яка називається Інтернет речей (IOT). У моменті вбудованих систем "край" являє собою зовнішню бахрону кінцевих вузлів у межах колективної мережі IOT. Edge Intelligence приймає дві основні форми: Ai на краю і AI для краю. Відмінність полягає в тому, де відбувається обробка. "AI на краю" відноситься до мережевих кінцевих вузлів (все, від споживчих пристроїв до систем автомобілів та промислових контрольних систем), які використовують AI для кризивих даних локально. "AI для краю" дає змогу Edge Intelligence, розвантажуючи деякі з обчислювального попиту на хмару.

На практиці основні відмінності між двома є латентність і кінська сила. Місцева обробка завжди буде швидшою, ніж трубопровід даних, головним для пінг. Комісія - це обчислювальна потужність доступна сторона сервера.

Вбудовані системи, споживчі пристрої, системи промислового управління та інші кінцеві вузли в IOT всі додають до монументального обсягу інформації, яка потребує обробки. Деякий телефонний будинок, деякі з них повинні обробляти дані в найближчому середовищі в режимі реального часу, а деякі повинні перевірити та виправити власну роботу на льоту. Працюючи в дикій природі, ці фізичні системи діють так само, як вузли в нейронній мережі. Їх колективна пропускна здатність настільки складна, що в певному сенсі Іот став Айото - штучним інтелектом речей.

Ніхто з нас не так німий, як всі ми

Оскільки пристрої отримують дешевші, навіть крихітні ковзання кремнію, які запускаються низькочастотніми вбудованими системами, є дивна обчислювальна потужність. Але, маючи комп'ютер у річ, не обов'язково робить це розумнішим. ВСЕ Отримано Wi-Fi або Bluetooth зараз. Деякі з них дійсно круто. Деякі з них виготовляються з бджіл. Якщо я забуду залишити двері, відкриті на мою фронтальну пральну машину, я можу сказати, що він запустити цикл чищення з мого телефону. Але IOT вже є відомим кошмаром безпеки. Паразитарні глобальні ботнети існують, що живуть у споживчих маршрутизаторах. Апаратні збої можуть каскад, як у великій північно-східній відключенні літнього 2003 року, або коли Техас замерзє твердий у 2021 році. Ми також живемо в часовій шкалі, де несправне оновлення прошивки може це цегли.

У технологічних інноваціях є загальний трубопровід. Коли деякі силіконові долини запускає віджет, він іде від ідеї до вишуканої поїздки до віджетів-AS-A-SERVICE для розчарування, перш ніж нарешті з'ясувати, який віджет насправді добре.

Ось чому ми лампону IOT з люблячими іменами, як Інтернет дерьмових речей і інтернет-стовп. (Інтернет-учасниці пристроїв спілкуються над TCBEE-IP.) Але AOIT не є тим, хто може продати. Це більше, ніж сума його частин. Айот - це безліч виникаючих властивостей, які ми повинні керувати, якщо ми будемо уникнути вибуху осколок, і тримати світ, що працює в режимі реального часу.

Що таке штучний інтелект? Tl; dr

На практиці штучний інтелект часто той же, як нейронна чиста, здатна до машинного навчання. Вони обидва програмне забезпечення, яке може працювати на будь-якому процесові або GPU, доступні та досить потужні. Neural Nets часто мають силу виконувати машинобудувальне навчання через повну поширення. Також є своєрідна гібридна апаратно-програмне забезпечення нейронної мережі, яка приносить нове значення для "машинного навчання". Це зроблено, використовуючи тензор, ASICS та нейроморфну інженерію Intel. Крім того, виникнення колективного інтелекту IOT створив попит на AI, а для, для краю. Сподіваємось, ми зможемо зробити це справедливість.