نوح شوارتز، المؤسس المشارك والرئيس التنفيذي لشركة Quorum AI – سلسلة المقابلات

نوح هو مهندس أنظمة ذكاء اصطناعي. قبل تأسيس Quorum AI، قضى نوح 12 عامًا في البحث الأكاديمي، أولاً في جامعة جنوب كاليفورنيا وأخيرًا في نورث وسترن كأستاذ مساعد في علم الأعصمة. ركزت أبحاثه على معالجة المعلومات في الدماغ وقد ترجم أبحاثه إلى منتجات في الواقع المعزز وواجهات الدماغ والحاسوب والرؤية الحاسوبية وأنظمة التحكم في الروبوتات المدمجة.

بدأت اهتمامك بالذكاء الاصطناعي والروبوتات عندما كنت صبيًا صغيرًا. كيف تعرفت على هذه التقنيات لأول مرة؟

الشرارة الأولى جاءت من أفلام الخيال العلمي وحب الإلكترونيات. أتذكر مشاهدة فيلم Tron عندما كنت في الثامنة من عمري، تلاه Electric Dreams وShort Circuit وDARYL وWar Games وغيرها من الأفلام على مدى السنوات القليلة التالية. على الرغم من أنه تم تقديمه من خلال الخيال، فإن فكرة الذكاء الاصطناعي أذهلتني. وحتى عندما كنت في الثامنة من عمري، شعرت بهذه الاتصال الفوري والجذب الشديد نحو الذكاء الاصطناعي الذي لم يتناقص في الوقت منذ ذلك الحين.

كيف تطورت شغفاتك ل كلاهما؟

تطورت اهتمامي بالذكاء الاصطناعي والروبوتات بشكل متوازي مع شغفي بالدماغ. كان والدي معلمًا للأحياء وكان يعلمني عن الجسم وكيف يعمل كل شيء وكيف يرتبط كل شيء. النظر إلى الذكاء الاصطناعي والنظر إلى الدماغfelt مثل نفس المشكلة بالنسبة لي – أو على الأقل، كان لديهما نفس السؤال النهائي، وهو كيف يعمل ذلك؟ كنت مهتمًا بكليهما، ولكنني لم أتلق الكثير من التعرض للذكاء الاصطناعي أو الروبوتات في المدرسة. لهذا السبب، اتبعت الذكاء الاصطناعي في وقت فراغي ودرست الأحياء وعلم النفس في المدرسة.

عندما وصلت إلى الكلية، اكتشفت كتب Parallel Distributed Processing (PDP)، والتي كانت كبيرة بالنسبة لي. كانت هذه أول مقابلة لي مع الذكاء الاصطناعي الفعلي، والتي أتبعتها بعد ذلك بالكلاسيكيات مثل Hebb وRosenblatt وMcCulloch وPitts. بدأت في بناء شبكات عصبونية بناءً على علم الأعصمة وما تعلمته من دروس الأحياء وعلم النفس في المدرسة. بعد التخرج، عملت كمهندس شبكات حاسوبية، وبناء شبكات واسعة النطاق وكتابة برامج لتحسين وتنظيم حركة المرور على تلك الشبكات – مثل بناء أدمغة كبيرة. أعاد هذا العمل إشعال شغفي بالذكاء الاصطناعي وحفزني على الذهاب إلى الدراسات العليا لدراسة الذكاء الاصطناعي وعلم الأعصمة، والباقي هو التاريخ.

قبل تأسيس Quorum AI، قضيت 12 عامًا في البحث الأكاديمي، أولاً في جامعة جنوب كاليفورنيا وأخيرًا في نورث وسترن كأستاذ مساعد في علم الأعصمة. في ذلك الوقت، ركزت أبحاثك على معالجة المعلومات في الدماغ. يمكنك أن تأخذنا في جولة في بعض هذه الأبحاث؟

في معنى واسع، كانت أبحاثي تحاول فهم السؤال: كيف يفعل الدماغ ما يفعله باستخدام ما هو متاح فقط؟ أولاً، أنا لا أعتقد أن الدماغ هو نوع من الحاسوب (في معنى فون نيومان). أراه كشبكة ضخمة تعمل بشكل رئيسي على عمليات الاستجابة والإشارات. داخل هذه الشبكة الضخمة هناك أنماط واضحة من الاتصال بين المناطق المتخصصة وظيفيًا. عندما ننظر إلى الداخل، نرى أن الخلايا العصبية لا يهمها الإشارة التي تحملها أو جزء الدماغ الذي هي فيه – تعمل بناءً على قواعد متوقعة جدًا. لذلك، إذا كنا نريد فهم وظيفة هذه المناطق المتخصصة، نحتاج إلى طرح بعض الأسئلة: (1) كيف تتجمع الإدخال مع إدخالات أخرى لإنتاج قرار؟ (2) كيف تتكون هيكلة هذه المناطق المتخصصة نتيجة الخبرة؟ (3) كيف تستمر في التغيير عندما نستخدم أدماغنا وتعلم على مدار الوقت؟ حاولت أبحاثي回答 هذه الأسئلة باستخدام مزيج من البحث التجريبي مع نظرية المعلومات والنمذجة والتحاكي – شيء يمكن أن يسمح لنا ببناء أنظمة قرار اصطناعية وذكاء اصطناعي. في مصطلحات علم الأعصمة، درست التأثيرات العصبية وميكروأнатوميا المناطق المتخصصة مثل القشرة البصرية.

بعد ذلك، ترجمت عملك إلى واقع معزز وواجهات الدماغ والحاسوب. ما هي بعض المنتجات التي عملت عليها؟

حوالي عام 2008، كنت أعمل على مشروع سوف نسميه الآن الواقع المعزز، ولكن في ذلك الوقت كان نظامًا لتتبع وتوقعات حركات العين، ثم استخدام هذه التوقعات لتحديث شيء على الشاشة. لجعل النظام يعمل في الوقت الفعلي، بنيت نموذجًا مستوحى بيولوجيًا يتنبأ بمكان المشاهد بناءً على حركات العين الدقيقة – الحركات الصغيرة التي تحدث قبل تحريك عينك. باستخدام هذا النموذج، يمكنني توقع مكان المشاهد، ثم تحديث ذاكرة الإطار في بطاقة الرسومات بينما كانت عيونهم لا تزال في حركة. قبل وصول عيونهم إلى ذلك الموقع الجديد على الشاشة، كان الصورة已经 محدثة. كان هذا يعمل على جهاز كمبيوتر عادي في عام 2008، بدون أي تأخير. كانت التكنولوجيا رائعة جدًا، ولكن المشروع لم يصل إلى الجولة التالية من التمويل، لذلك توفي.

في عام 2011، بذلت جهدًا متعمدًا في تطوير المنتج و بنيت شبكة عصبونية يمكنها أداء اكتشاف الميزات على بيانات EEG المتدفقة التي قاسنا من الجمجمة. هذه هي الوظيفة الأساسية لأنظمة واجهة الدماغ والحاسوب. كان المشروع أيضًا تجربة في ما هو أصغر حجم يمكننا الحصول عليه؟ لدينا جهاز سمعي يقرأ بعض قنوات بيانات EEG بسرعة 400 هرتز يتم إرسالها عبر Bluetooth إلى هاتف Android لاكتشاف الميزات والتصنيف، ثم إرسالها إلى جهاز تحكم يعمل بالاردوينو الذي قمنا بتركيبه في سيارة RC جاهزة. عندما يتم استخدامه، يمكن لفرد يرتدي جهاز EEG قيادة السيارة وتوجيهها عن طريق تغيير أفكاره من القيام بالحساب الذهني إلى غناء أغنية. يعمل الخوارزمية على الهاتف وينشئ “بصمة” دماغية مخصصة لكل مستخدم، مما يسمح لهم بالتبديل بين مجموعة من الأجهزة الروبوتية دون الحاجة إلى إعادة التدريب على كل جهاز. كان الشعار الذي أتينا به هو “السيطرة على الدماغ تلاقي اللعب والتشغيل”.

في عام 2012، مددنا النظام ليعمل بطريقة أكثر توزيعًا على أجهزة أصغر. استخدمناه للسيطرة على ذراع روبوتي متعدد القطع والمرتبط بجهاز معالجة مستقل يعمل على نسخة مدمجة من الذكاء الاصطناعي. بدلاً من استخدام جهاز تحكم مركزي لتشغيل الذراع، سمحنا للقطع بالتنظيم الذاتي والوصول إلى الهدف بطريقة تشبه السرب، مثل حشرات النمل التي تتشكل في جسر النمل، حيث تعمل قطع الذراع معًا للوصول إلى هدف ما في الفضاء.

استمرنا في التحرك في نفس الاتجاه عندما أطلقنا Quorum AI – المعروفة في الأصل باسم Quorum Robotics – في عام 2013. سرعان ما أدركنا أن النظام كان رائعًا بسبب الخوارزمية والهيكل، وليس بسبب الأجهزة، لذلك في أواخر عام 2014، تحولنا تمامًا إلى البرمجيات. الآن، بعد 8 سنوات، تعود Quorum AI إلى جذورها الروبوتية من خلال تطبيق إطارنا على تحدي الروبوتات الفضائية التابع لناسا.

ترك وظيفة أستاذ لبدء شركة ناشئة يجب أن يكون قرارًا صعبًا. ما هو ما أثارك على القيام بذلك؟

كان ذلك قفزة كبيرة بالنسبة لي في很多 طرق، ولكن عندما جاءت الفرصة و Became واضحة، كان القرار سهلًا. عندما تكون أستاذًا، تفكر في أطر زمنية تمتد لعدة سنوات وتعمل على أهداف بحثية طويلة الأمد. بدء شركة ناشئة هو العكس تمامًا من ذلك. ومع ذلك، هناك شيء واحد يجمع بين الحياة الأكاديمية وبدء شركة ناشئة، وهو أن كلاهما يتطلب منك التعلم وحل المشكلات باستمرار. في شركة ناشئة، قد يعني ذلك محاولة إعادة هندسة حل لتحسين مخاطر تطوير المنتج أو دراسة رأس مال جديد يمكن أن يستفيد من تكنولوجيا chúng tôi. العمل في الذكاء الاصطناعي هو أقرب شيء إلى “الدعوة” التي شعرت بها على الإطلاق، لذلك على الرغم من جميع التحديات والصعود والهبوط، أشعر بالحظ الجيد لأنني أ做 ما أفعل.

منذ ذلك الحين، طورت Quorum AI، التي تطور الذكاء الاصطناعي الموزع في الوقت الفعلي لجميع الأجهزة والمنصات. يمكنك أن تشرح لنا ماذا تفعل هذه منصة الذكاء الاصطناعي بالضبط؟

المنصة تسمى بيئة الوكلاء الافتراضيين (EVA)، وتمكن المستخدمين من بناء وتدريب ونشر نماذج باستخدام محرك Engram AI. Engram هو غلاف مرن ومتوافق حول خوارزمياتنا للتعلم غير الموجه. الخوارزميات كفاية فعالة لدرجة أنها يمكن أن تتعلم في الوقت الفعلي، بينما يتم توليد التنبؤات. بسبب أن الخوارزميات غير معتمدة على المهمة، لا يوجد إدخال أو إخراج صريح للنموذج، لذلك يمكن إجراء التنبؤات بطريقة بايزية لأي بعد دون إعادة التدريب ودون معاناة من نسيان كارثي. النماذج也是 شفافة وقابلة للتجزئة، مما يعني أنها يمكن فحصها وتمزيقها إلى أبعاد فردية دون فقدان ما تم تعلمه.

مرة واحدة تم بناء النماذج، يمكن نشرها من خلال EVA إلى أي نوع من المنصات، من الأجهزة المضمنة المخصصة أو حتى السحابة. EVA (وبرامج المضيف القابلة للدمج) تحتوي أيضًا على أدوات عديدة لتوسيع وظيفة كل نموذج. بعض الأمثلة السريعة: النماذج يمكن نشرها بين الأنظمة من خلال نظام نشر واشتراك، مما يسمح للأنظمة الموزعة بالوصول إلى التعلم الفيدرالي عبر الوقت والمكان. النماذج يمكن أيضًا نشرها كوكلاء مستقلين لأداء مهام تعسفية، وبسبب أن النموذج غير معتمد على المهمة، يمكن تغيير المهمة أثناء التشغيل دون إعادة التدريب. كل وكيل فردي يمكن تمديده ب EVA “افتراضي” خاص، مما يسمح للوكيل بمحاكاة نماذج وكلاء آخرين بطريقة خالية من القيود. أخيرًا، قمنا بإنشاء بعض الأغلفة للنظم المستندة إلى التعلم العميق والتعزيز (قائمة على Keras) لتمكين هذه النماذج من العمل على المنصة، جنبًا إلى جنب مع أنظمة Engram القائمة على أنظمة أكثر مرونة.

وصفت خوارزميات Quorum AI في الماضي بأنها “شعر رياضي”. ماذا كنت تعني بهذا؟

عندما تبني نموذجًا، سواء كنت تemodel الدماغ أو تmodel بيانات مبيعات لشركة، تبدأ بتحديد بياناتك، ثم تحاول فئات نماذج معروفة لمحاولة تقريب النظام. في جوهر الأمر، كنت تCreates رسومات خاطئة للنظام لرؤية ما يبدو أفضل. لا تتوقع أن الأشياء تناسب البيانات جيدًا، وهناك بعض المحاولات والخطأ أثناء اختبار فرضيات مختلفة حول كيفية عمل النظام، ولكن مع بعض اللمسة، يمكنك التقاط البيانات جيدًا.

عندما كنت أodeling التأثيرات العصبية في الدماغ، بدأت بالنهج المعتاد لتحديد جميع المسارات الجزيئية والحالات الانتقالية والديناميات التي اعتقدت أنها سوف تهم. لكني وجدت أنه عندما قللت النظام إلى مكوناته الأساسية وترتيب هذه المكونات بطريقة معينة، أصبح النموذج أكثر دقة حتى اناسبت البيانات تقريبًا. كان مثل كل مشغل ومتغير في المعادلات كان بالضبط ما كان يجب أن يكون، لم يكن هناك شيء إضافي، وكل شيء كان ضروريًا لتناسب البيانات.

عندما قمت بتشغيل النموذج في محاكاة أكبر وأكبر، مثل تطور النظام البصري أو التعرف على الوجه، على سبيل المثال، كان قادرًا على تشكيل أنماط اتصال معقدة جدًا تتوافق مع ما نراه في الدماغ. لأن النموذج كان رياضيًا، يمكن فهم الأنماط الدماغية من خلال التحليل الرياضي، مما يعطي رؤية جديدة حول ما يتعلمه الدماغ. منذ ذلك الحين، قمنا بحل والمسائل التفاضلية التي تتكون منها النموذج، مما حسّن الكفاءة الحاسوبية بمعدل عدة مرات. قد لا يكون شعرًا حقيقيًا، لكنه شعر مثل ذلك!

تسمح أدوات منصة Quorum AI للأجهزة بالاتصال ببعضها البعض وتعلم البيانات ومشاركتها دون الحاجة إلى التواصل من خلال خوادم سحابية. ما هي مزايا القيام بذلك بدلاً من استخدام السحابة؟

نمنح المستخدمين خيار وضع الذكاء الاصطناعي في أي مكان يريدون، دون المساس بوظيفة الذكاء الاصطناعي. الوضع الراهن في تطوير الذكاء الاصطناعي هو أن الشركات عادةً مجبرة على التنازل عن الأمان أو الخصوصية أو الوظيفة لأن خيارهم الوحيد هو استخدام خدمات الذكاء الاصطناعي السحابية. إذا حاولت الشركات بناء الذكاء الاصطناعي الخاص بهم في المنزل، غالبًا ما يتطلب ذلك الكثير من المال والوقت، ونادرًا ما يكون العائد على الاستثمار يستحق المخاطر. إذا أرادت الشركات نشر الذكاء الاصطناعي إلى أجهزة فردية غير متصلة بالسحابة، يصبح المشروع سريعًا مستحيلًا. ونتيجة لذلك، يصبح تبني الذكاء الاصطناعي خيالًا.

تجعل منصتنا الذكاء الاصطناعي متاحًا وبأسعار معقولة، مما يمنح الشركات طريقة لاستكشاف تطوير الذكاء الاصطناعي وتبنيه دون الحملات الفنية أو المالية. وعلاوة على ذلك، تتيح لنا منصتنا للمستخدمين الانتقال من التطوير إلى النشر في خطوة واحدة سلسة.

تتكامل منصتنا أيضًا مع تمديد عمر نماذج “تراثية” مثل التعلم العميق أو التعزيز، مما يساعد الشركات على إعادة توجيه الأنظمة الحالية وتكاملها في تطبيقات جديدة. وبالمثل، بسبب أن خوارزمياتنا وهياكلنا فريدة، فإن نماذجنا ليست صناديق سوداء، لذلك يمكن فحص كل ما يتعلمه النظام وفسحه وتمديده إلى مجالات أخرى من الأعمال.

يُعتقد من قبل البعض أن الذكاء الاصطناعي الموزع (DAI) يمكن أن يفتح الطريق إلى الذكاء الاصطناعي العام (AGI). هل أنت مشترك في هذه النظرية؟

نعم، وليس فقط لأن هذا هو المسار الذي وضعناه لأنفسنا! عندما ننظر إلى الدماغ، إنه ليس نظامًا منفردًا. إنه يتكون من أنظمة موزعة منفصلة تختص كل منها في مجموعة ضيقة من وظائف الدماغ. قد لا نعرف ماذا يفعل نظام معين، ولكننا نعرف أن قراراته تعتمد بشكل كبير على نوع المعلومات التي يتلقاها وكيف تتغير هذه المعلومات بمرور الوقت. (هذا هو السبب في أن مواضيع العلوم العصبية مثل Connectome شائعة جدًا.)

في رأيي، إذا كنا نريد بناء ذكاء اصطناعي مرن ويتصرف ويعمل مثل الدماغ، فمن المنطقي أن نعتبر هياكل موزعة مثل تلك التي نراها في الدماغ. يمكن أن يجادل أحدهم بأن هياكل التعلم العميق مثل الشبكات متعددة الطبقات أو CNN يمكن أن توجد في الدماغ، وهذا صحيح، ولكن هذه الهياكل تستند إلى ما كنا نعرفه عن الدماغ قبل 50 عامًا.

البديل عن DAI هو الاستمرار في التكرار على هياكل منفردة وrigid مرتبطة بشكل وثيق بمساحة قرار واحدة، مثل تلك التي نراها في التعلم العميق أو التعزيز (أو أي طريقة تعلم خاضعة للإشراف). أود أن أقترح أن هذه القيود ليست مجرد مسألة تعديل المعلمات أو إضافة طبقات أو بيانات أو تحفيز – هذه القضايا هي أساسية للتعلم العميق والتعزيز، على الأقل كما نحددها اليوم، لذلك يتطلب الأمر نهجًا جديدًا إذا كنا نريد الاستمرار في الابتكار وبناء الذكاء الاصطناعي من الغد.

هل تعتقد أن تحقيق AGI باستخدام DAI هو أكثر احتمالاً من أساليب التعلم بالتعزيز والتعلم العميق التي يتبعها شركات مثل OpenAI وDeepMind؟

نعم، على الرغم من أن ما يكتبونه عنها يجعلهم يستخدمون هياكل أكثر توزيعًا مما يسمحون به. نحن نبدأ في سماع المزيد عن تحديات متعددة الأنظمة مثل التعلم النقلي أو التعلم الفيدرالي / الموزع، وبالتالي حول كيفية عدم عمل أساليب التعلم العميق والتعزيز للتحديات هذه. نحن نبدأ في سماع من رواد مثل Yoshua Bengio حول كيف يمكن أن ت桥 الهياكل المستوحاة بيولوجيًا الفجوة! لقد عملت على الذكاء الاصطناعي المستوحى بيولوجيًا لما يقرب من 20 عامًا، لذا أشعر جيدًا بما تعلمناه في Quorum AI وكيف نستخدمه لبناء ما نعتقد أنه الجيل التالي من الذكاء الاصطناعي الذي سوف يغلب هذه القيود.

هل هناك أي شيء آخر تود أن تشاركه حول Quorum AI؟

سنعرض منصتنا الجديدة للذكاء الاصطناعي الموزع والقائم على الوكلاء في مؤتمر التعلم الموزع والفيدرالي في يونيو 2020. خلال المحاضرة، أتوقع أن أقدم بعض البيانات الحديثة حول مواضيع متعددة، بما في ذلك تحليل المشاعر كجسر لتحقيق الذكاء الاصطناعي المتعاطف.

أود أن أ extends شكرًا خاصًا إلى Noah لهذه الإجابات الرائعة، وأوصي بزيارة Quorum لمعرفة المزيد.