Key takeaways
- En ny slags computerhardware kunne tillade kunstig intelligens at lære kontinuerligt ligesom den menneskelige hjerne.
- Forskere ved Purdue University siger, at deres enhed kan omprogrammeres efter behov via elektriske impulser.
- Selvom et AI-system, der lærer helt af sig selv, stadig hovedsageligt er et koncept, er der mange eksempler, der kommer tæt på.
Kunstig intelligens (AI) kan snart få et løft fra en ny type computerchips inspireret af den menneskelige hjerne.
Forskere ved Purdue University har bygget et nyt stykke hardware, der kan omprogrammeres efter behov gennem elektriske impulser. Holdet hævder, at denne tilpasningsevne ville give enheden mulighed for at påtage sig alle de nødvendige funktioner for at bygge en hjerne-inspireret computer. Det er en del af en løbende indsats for at bygge AI-systemer, der kan lære kontinuerligt.
"Når AI-systemer lærer konstant i miljøet, kan de tilpasse sig en verden, der ændrer sig over tid," sagde Stevens Institute of Technology AI-ekspert Jordan Suchow til Lifewire i et e-mailinterview. "Vi ser dette f.eks., når et svindeldetekteringssystem opfanger et tidligere uobserveret mønster af svigagtige køb, eller når et ansigtsgenkendelsessystem støder på en person, det aldrig før har set."
Livslange elever
Purdue-forskerne offentliggjorde for nylig papiret i tidsskriftet Science. Den beskriver, hvordan computerchips dynamisk kunne omkoble sig selv til at tage nye data ind på samme måde som hjernen gør. Tilgangen kunne hjælpe AI med at blive ved med at lære over tid.
"Levende væseners hjerner kan kontinuerligt lære gennem hele deres levetid. Vi har nu skabt en kunstig platform, hvor maskiner kan lære gennem hele deres levetid," sagde en af avisens forfattere, Shriram Ramanathan, i en pressemeddelelse.
Hardwaren udviklet af Ramanathans team er en lille, rektangulær enhed lavet af et materiale kaldet perovskit-nikkelat, som er meget følsomt over for brint. Påføring af elektriske impulser ved forskellige spændinger gør det muligt for enheden at blande en koncentration af brintioner i løbet af nanosekunder, hvilket skaber tilstande, som forskerne fandt, kunne kortlægges til tilsvarende funktioner i hjernen.
Når enheden for eksempel har mere brint i nærheden af sit centrum, kan den fungere som en neuron, en enkelt nervecelle. Med mindre brint på det sted, fungerer enheden som en synapse, en forbindelse mellem neuroner, som er det, hjernen bruger til at lagre hukommelse i komplekse neurale kredsløb.
"Hvis vi ønsker at bygge en computer eller en maskine, der er inspireret af hjernen, så vil vi tilsvarende have evnen til løbende at programmere, omprogrammere og ændre chippen," sagde Ramanathan.
Tænkemaskiner?
Mange moderne AI-systemer tilpasser sig ny information, når de bliver omskolet, sagde David Kanter, den administrerende direktør for MLCommons, et åbent ingeniørkonsortium dedikeret til at forbedre maskinlæring, i en e-mail.
"Verden er et iboende dynamisk sted, og i sidste ende skal maskinlæring og AI tilpasse sig dette," sagde Kanter. "For eksempel ville et talegenkendelsessystem i 2022, der ikke 'kender' til COVID-19 eller coronavirus, mangle et stort aspekt af den moderne verden. På samme måde bør et autonomt køretøj tilpasse sig ændringer i gader, brolukninger eller selv lave temperaturer gør vejen isglat."
Selvom et AI-system, der lærer helt af sig selv, stadig for det meste er et koncept, kommer mange eksempler tæt på, sagde Sameer Maskey, administrerende direktør for AI-virksomheden Fusemachines, i et e-mailinterview. Et af disse selvlærende systemer kom i nyhederne, da et kunstig intelligens-system slog et menneske i en omgang Go.
"AlphaGo var DeepMinds første AI, der besejrede en professionel Go-spiller," tilføjede Maskey. "Deres spil-franchises er blevet springbræt med hver ny tilføjelse, der tager fremskridt hen imod en AI, der bliver ved med at lære."
Fremtidens AI-systemer vil søge efter den information, de har brug for for at træffe gode beslutninger og træffe passende handlinger, forudsagde Suchow. Disse avancerede computere vil undgå dyre fejltagelser ved at lære af deres egne simuleringer af erfaring, for eksempel gennem "selvspil", hvor AI'en forestiller sig resultaterne af interaktioner, den har med kopier af sig selv.
"Dette svarer til, hvordan mennesker kan lære gennem fantasi og forudse et dårligt resultat uden at skulle opleve det direkte," tilføjede Suchow. "AI-systemer vil lære mere effektive strategier til læring, meget på den måde, at en studerende kan rette deres tid og opmærksomhed ikke kun mod det materielle indhold af det, de studerer, men også til selve læringsprocessen."
