Черви не такие тупые – Блог о здравоохранении

ОТ КИМ БЕЛЛАРД

Скорее всего, вы недавно читали об ИИ. Может быть, вы даже пытались ДАТЬ ЕЙ или ЧатGPTможет быть даже ГПТ-4. Возможно, вы можете использовать термин Модель большого языка (LLM) с некоторой долей уверенности. Но также велика вероятность, что вы не слышали о «жидких нейронных сетях» и не слышали о червях выше.

В этом и особенность искусственного интеллекта: он развивается быстрее, чем мы. Все, что вы думаете, что знаете, уже, вероятно, устарело.

Жидкие нейронные сети были впервые представлен в 2020 году. Авторы написали: «Мы представляем новый класс непрерывных во времени моделей рекуррентных нейронных сетей». Они основали сети на мозге крошечной аскариды, Caenorhabditis elegans. Целью были сети, которые были бы более адаптируемыми, которые могли бы меняться «на лету» и приспосабливались бы к незнакомым обстоятельствам.

Исследователи из CSAIL Массачусетского технологического института продемонстрировали значительный прогресс. А новая бумага в Научная робототехника обсудили, как они создали «надежных пилотажных навигационных агентов», используя жидкие нейронные сети для автономного пилотирования дронов. Они утверждают, что эти сети «причинны и адаптируются к изменяющимся условиям», и что их «эксперименты показали, что такой уровень надежности в принятии решений является исключительным для ликвидных сетей».

Ан пресс-релиз Массачусетского технологического института примечания: «системы глубокого обучения изо всех сил пытаются уловить причинно-следственную связь, часто подгоняют свои обучающие данные и не могут адаптироваться к новым средам или меняющимся условиям… В отличие от традиционных нейронных сетей, которые обучаются только на этапе обучения, параметры гибкой нейронной сети могут меняться со временем. , что делает их не только интерпретируемыми, но и более устойчивыми к неожиданным или зашумленным данным».

«Мы хотели смоделировать динамику нейронов, то, как они работают, как они передают информацию, один нейрон другому, Рамин Хасанинаучный сотрудник Массачусетского технологического института и один из соавторов, сказал Popular Science.

По сути, они обучили нейронную сеть управлять дроном, чтобы найти красное кресло для кемпинга, а затем перемещали кресло в различные среды, в разных условиях освещения, в разное время года и на разных расстояниях, чтобы увидеть, сможет ли дрон все еще найти стул. «Основной концептуальной мотивацией нашей работы, — писали авторы, — была не абстрактная причинность; вместо этого это было понимание задачи, то есть оценка того, понимает ли нейронная модель задачу, поставленную на основе многомерных немаркированных автономных данных».

Даниэла Рус, директор CSAIL и один из соавторов, сказал: «Наши эксперименты показывают, что мы можем эффективно научить дрон находить объект в лесу летом, а затем использовать модель зимой, в совершенно другом окружении или даже в городских условиях, с различными задачами, такими как поиск и отслеживание. ”

По сути, говорит доктор Хасани, «они могут обобщать ситуации, с которыми никогда не сталкивались». Жидкие нейронные сети также могут «динамически фиксировать истинные причины и следствия поставленной задачи», пишут авторы. Это «ключ к надежной работе ликвидных сетей при смене распределения».

Ключевым преимуществом ликвидных нейронных сетей является их адаптивность; нейроны ведут себя скорее как черви (или нейроны других живых существ), реагируя на обстоятельства реального мира в режиме реального времени. «Они могут изменять лежащие в их основе уравнения на основе входных данных, которые они наблюдают», — д-р Рус. сказал Журнал Кванта.

Далее доктор Рус отметил: «Мы в восторге от огромного потенциала нашего подхода к управлению роботами, основанного на обучении, поскольку он закладывает основу для решения проблем, возникающих при обучении в одной среде и развертывании в совершенно другой среде без дополнительного обучения… Эти гибкие алгоритмы однажды могут помочь в принятии решений на основе потоков данных, которые со временем меняются, таких как медицинская диагностика и приложения для автономного вождения».

Шри Рам Санкаранараянанученый-компьютерщик из Университета Колорадо, был впечатлен, говорящий Журнал Кванта: «Основной вклад здесь в том, что стабильность и другие приятные свойства заложены в этих системах благодаря их чистой структуре… Они достаточно сложны, чтобы позволить происходить интересным вещам, но не настолько сложны, чтобы приводить к хаотичному поведению».

Алессио Ломусциопрофессор безопасности ИИ на факультете вычислительной техники Имперского колледжа Лондона, также был впечатлен, говоря Массачусетскому технологическому институту:

Надежное обучение и производительность в задачах и сценариях, не относящихся к распределению, являются одними из ключевых проблем, которые машинное обучение и автономные роботизированные системы должны решить, чтобы добиться дальнейшего успеха в критически важных для общества приложениях. В этом контексте производительность жидких нейронных сетей, новой парадигмы, вдохновленной мозгом, разработанной авторами из Массачусетского технологического института, о которой сообщается в этом исследовании, замечательна. Если эти результаты подтвердятся в других экспериментах, разработанная здесь парадигма поможет сделать ИИ и роботизированные системы более надежными, надежными и эффективными.

Достаточно легко представить множество приложений для дронов, где они могут оказаться важными, с автономным вождением в качестве еще одного логического применения. Но команда MIT смотрит шире. «Результаты в этой статье открывают двери для возможности сертификации решений машинного обучения для систем, критически важных для безопасности», — говорит доктор Рус. При всех дискуссиях о важности обеспечения того, чтобы ИИ давал достоверные ответы для использования в здравоохранении, как отмечалось выше, она особо упомянула принятие решений по медицинскому диагнозу как решение для жидких нейронных сетей.

«Все, что мы делаем как лаборатория робототехники и машинного обучения, [for] всесторонняя безопасность и безопасное и этичное развертывание ИИ в нашем обществе, и мы действительно хотим придерживаться этой миссии и видения, которые у нас есть», — говорит доктор Хасани. Мы должны надеяться, что другие лаборатории ИИ думают так же.

Здравоохранение, как и большинство отраслей нашей экономики, будет все больше использовать искусственный интеллект и даже полагаться на него. Нам понадобится ИИ, который не только дает нам точные ответы, но и может адаптироваться к быстро меняющимся условиям, а не к заранее заданным моделям данных. Я не знаю, будет ли это основано на жидких нейронных сетях или на чем-то еще, но нам нужна не только адаптируемость, но и безопасность и этика.

В прошлом месяце я написал об Organoid Intelligence (OI), которая намеревается добраться до ИИ, используя структуры, которые больше похожи на наш мозг. Теперь жидкие нейронные сети на основе мозга червей. Меня интригует тот факт, что после нескольких десятилетий работы над нашими кремниевыми повелителями и, возможно, для них, мы начинаем переходить к более биологическим подходам.

Как Партнеры Партнерыученый-компьютерщик из Университета Иллинойса, Урбана-Шампейн, сказал Журнал Кванта: «В каком-то смысле это поэтично, показывая, что это исследование может пройти полный круг. Нейронные сети развиваются до такой степени, что сами идеи, которые мы почерпнули из природы, вскоре могут помочь нам лучше понять природу».

Ким — бывший директор по электронному маркетингу крупного плана Blues, редактор последнего и оплакиваемого Настойка.ioа теперь постоянный участник THCB.