"Praėjusiais metais dirbtinis intelektas (AI) sužavėjo pasaulį daugiausia dėl didelių kalbų modelių, tokių, kaip ChatGPT, kurie, atrodo, bendrauja su vartotojais. Tačiau toks AI nėra puikus, sprendžiant sudėtingas robotikos, mokslo ir inžinerijos problemas.
Norint tai padaryti, AI turi išmokti fiziką.
Jei dirbtinis intelektas pradėtų veikti realiame pasaulyje, būtų galima padidinti mūsų elektrinių transporto priemonių asortimentą, pagerinti vėžiu sergančių pacientų priežiūrą ir imtis darbų, kuriuos anksčiau dirbdavo tik žmonės. Tačiau sukurti, tai atliekančias, sistemas yra sudėtinga, nes tam reikia žinių ir apie konkrečią sritį, ir apie mašininį mokymąsi.
Rezultatai to verti, sako tie, kurie taiko šį metodą. Galų gale, pradedant nuo to, ką žinome apie pasaulį, tai daro mokslininkai ir inžinieriai.
Yra keletas šio požiūrio pavadinimų, įskaitant „fizika pagrįstus neuroninius tinklus“ ir „mokslinį mašininį mokymąsi“, tačiau juos visus sieja vienas bruožas: jie suteikia AI nuo ko pradėti. Šis atspirties taškas yra tai, ką mes jau žinome apie sistemą, ar tai būtų tiltas, ar baterija, iš dešimtmečių ar net šimtmečių sunkiai uždirbtų žinių. Ši sistema padeda apriboti sprendimų, su kuriais dirbtinis intelektas turi eksperimentuoti, kad galėtų atlikti naudingų prognozių, visumą.
„Tai panašu į tai, kad kažkas bando išspręsti labirintą, o tam tikrus kelius jūs jau užblokavote“, – sako Karianne Bergen, Brauno universiteto mašininio mokymosi tyrimų grupei vadovaujanti.
Tarkime, kad bandote išmokyti dirbtinį intelektą, kaip nukreipti robotą vaikščioti. Ankstyvieji šio mokymosi proceso etapai turi vykti modeliuojant, nes tai daug greičiau nei tai daryti su tikru robotu ir pigiau, sako Jonathanas Hurstas, „Agility Robotics“ vyriausiasis robotų pareigūnas. („Agility“ gamina dvikojį robotą, kurį „Amazon“ neseniai paskelbė, kad išbandys viename iš savo sandėlių.)
Jei pagrindiniai fizikos dėsniai jau yra integruoti, mašininio mokymosi algoritmas turi ištirti daug mažiau galimų galūnių ir kūno judesių derinių, kai sugalvoja, kaip nukreipti robotą vaikščioti. Jei modeliavimas neturėjo tų dėsnių, dirbtinis intelektas gali pasiūlyti „teisingus“ sprendimus, kurie nėra tikėtini, pavyzdžiui, pravažiuoti per kietus objektus arba neteisingai suprasti gravitaciją.
Idėja, kad dirbtinis intelektas geriausiai veikia, kai problema, su kuria ji susiduria, yra kuo siauriau apibrėžta, yra įprasta AI sistemų, kurios sukuria išmatuojamą vertę žmonėms ir įmonėms, tema. Tik šiuo atveju apribojimai yra gamtos pasaulio dėsniai.
Fizika pagrįstos mašininio mokymosi sistemos gali daryti prognozes, naudodamos daug mažiau duomenų, nei AI, kurie naivūs realiame pasaulyje, sako Karen Willcox, Teksaso universiteto Ostine Skaičiavimo inžinerijos ir mokslų Oden instituto direktorė.
Klasikinis šio požiūrio pavyzdys yra reaktyvinio variklio „skaitmeninis dvynys“, sako ji. Tokios įmonės, kaip „General Electric“ jau seniai naudoja tokius modelius, kuriuose yra mašininis mokymasis, kad nuspėtų, kada varikliui reikės priežiūros. Dabar keičiasi tai, kad, augant skaičiavimo galiai ir plintant naujiems mašininio mokymosi algoritmams, šis fizika pagrįstas požiūris tampa daug plačiau paplitęs.
Taikant tą patį metodą – derinant žinias apie gamtą, nuolat renkamus duomenis ir mašininį mokymąsi – teoriškai įmanoma sukurti vėžiu sergančio paciento skaitmeninį dvynį, kuris nukreiptų jų priežiūrą, priduria ji. Tai yra kažkas, ką Willcox tyrimų grupė tiria, bendradarbiaudama su MD Andersono vėžio centru. Kol kas komanda tik išbandė metodą „in silico“, tai yra, remdamasi reprezentatyvių pacientų duomenų rinkiniu, tačiau jie diskutuoja apie galimą klinikinį tyrimą.
Formulės E lenktynėse, kurios yra visiškai elektrifikuota Formulės 1 versija, akumuliatoriuje likusios energijos kiekio valdymas yra skirtumas tarp laimėjimo ir pralaimėjimo. „WAE Technologies“, gaminanti „Formulės E“ lenktyninių automobilių baterijas, neseniai įkūrė „Elysia“ padalinį, siekdama komercializuoti savo energijos valdymo programinę įrangą, kuri naudoja fizikos pagrindu veikiančius neuroninius tinklus.
„Elysia“ sistemos gali nustatyti akumuliatoriaus būseną, turėdamos daug mažiau duomenų, nei paprastai reikia, nes šios AI jau „žino“ labai daug apie tai, kaip veikia baterijos. Tai leidžia inžinieriams priartinti baterijas prie jų ribų ir išgauti daugiau energijos jų nepažeidžiant. Rezultatas gali būti didesnis iš esamų EV baterijų, įskaitant esančias jūsų automobilyje, sako „Elysia“ techninis vadovas Timas Engstromas.
Robotikos įmonė „Dxterity“ mašininį mokymąsi derina su modeliais, kaip dėžės elgiasi realiame pasaulyje, kad sukurtų robotus, kurie pagaliau gali pakrauti sunkvežimius. (Pirmiausia buvo išspręsta lengvesnė sunkvežimių iškrovimo problema.) Be šių modelių dėžių sukrauti beveik neįmanoma buvo tai, kad realiame pasaulyje objektai ne visada elgiasi idealiai, sako bendrovės vadovas Samiras Menonas. Jie gali sverti daugiau ar mažiau, nei tikisi robotas, jų turinys gali pasislinkti arba nusėsti, nukritęs į vietą. Jis priduria, kad, norint susidoroti su visomis realaus pasaulio keistenybėmis, reikia gana gero jo modelio.
Ekspertai, su kuriais kalbinau šiam rašiniui, vis dar yra ankstyvos fizikos pagrindu sukurtų mašininio mokymosi būdų. Mokslininkai atsargiai žiūri į ažiotažą, kylančią dėl kitų AI formų, tokių, kaip pokalbių robotai ir meną kuriantys modeliai, kurie šiuo metu yra labai populiarūs, sako Bergen. Tačiau juos taip pat jaudina mokslinio mašininio mokymosi potencialas, kurio esmė gali būti būdas įgyti naujų įžvalgų apie sistemas, ypač kai mes jų dar visiškai nesuprantame, priduria ji." [1]
1. EXCHANGE --- Keywords: Moving Boxes? Treating Cancer? AI Needs to Learn Physics First --- To change the world, artificial intelligence must learn not to walk through walls. Mims, Christopher. Wall Street Journal, Eastern edition; New York, N.Y.. 28 Oct 2023: B.2.
Komentarų nėra:
Rašyti komentarą