Νόα Σβάρτζ, Συνιδρυτής & Διευθύνων Σύμβουλος της Quorum AI – Σειρά Συνεντεύξεων

Ο Νόα είναι αρχιτέκτονας συστημάτων τεχνητής νοημοσύνης. Πριν ιδρύσει την Quorum AI, ο Νόα πέρασε 12 χρόνια στην ακαδημαϊκή έρευνα, πρώτα στο Πανεπιστήμιο της Νότιας Καλιφόρνιας και πιο πρόσφατα στο Northwestern ως Αναπληρωτής Πρόεδρος της Νευροβιολογίας. Η εργασία του επικεντρώθηκε στην επεξεργασία πληροφοριών στον εγκέφαλο και έχει μεταφράσει την έρευνά του σε προϊόντα στην aumented πραγματικότητα, διασύνδεση εγκεφάλου-υπολογιστή, υπολογιστική όραση και ενσωματωμένα συστήματα ελέγχου ρομποτικής.

Το ενδιαφέρον σας για την τεχνητή νοημοσύνη και τη ρομποτική ξεκίνησε ως μικρό αγόρι. Πώς σας giới thiệuστηκαν αυτές οι τεχνολογίες;

Η αρχική σπίθα ήρθε από ταινίες επιστημονικής φαντασίας και αγάπη για την ηλεκτρονική. Θυμάμαι ότι είδα την ταινία Tron, ως 8χρονο, ακολουθούμενη από Electric Dreams, Short Circuit, DARYL, War Games και άλλες τις επόμενες quelques χρόνια. Αν και παρουσιάζονταν μέσα από τη φαντασία, η ιδέα της τεχνητής νοημοσύνης με έκανε να μείνω άναυδος. Και mặc dù ήμουν μόνο 8 ετών, ένιωσα αυτή την άμεση σύνδεση και μια έντονη έλξη προς την τεχνητή νοημοσύνη που δεν έχει μειωθεί από τότε.

Πώς εξελίχθηκαν τα πάθη σας και για τις δύο;

Το ενδιαφέρον μου για την τεχνητή νοημοσύνη και τη ρομποτική εξελίχθηκε παράλληλα με ένα πάθος για τον εγκέφαλο. Ο πατέρας μου ήταν δάσκαλος βιολογίας και μου δίδασκε για το σώμα, πώς λειτουργούσε όλα και πώς ήταν όλα συνδεδεμένα. Να κοιτάζω την τεχνητή νοημοσύνη και να κοιτάζω τον εγκέφαλο μου φαινόταν σαν το ίδιο πρόβλημα – ή τουλάχιστον, είχαν την ίδια τελική ερώτηση, η οποία ήταν, Πώς λειτουργεί αυτό; Μου άρεσε και στις δύο, αλλά δεν είχα πολλή έκθεση στην τεχνητή νοημοσύνη ή τη ρομποτική στο σχολείο. Για αυτόν τον λόγο, αρχικά ακολούθησα την τεχνητή νοημοσύνη στο δικό μου χρόνο και σπούδασα βιολογία και ψυχολογία στο σχολείο.

Όταν πήγα στο κολλέγιο, ανακάλυψα τα βιβλία Parallel Distributed Processing (PDP), τα οποία ήταν τεράστιο για μένα. Ήταν η πρώτη μου εισαγωγή στην πραγματική τεχνητή νοημοσύνη, η οποία με οδήγησε πίσω στα κλασικά όπως Hebb, Rosenblatt και ακόμη και McCulloch and Pitts. Ξεκίνησα να κατασκευάζω νευρωνικά δίκτυα βασισμένα στη νευροανατομία και ό,τι έμαθα από τις τάξεις βιολογίας και ψυχολογίας στο σχολείο. Μετά την αποφοίτησή μου, εργάστηκα ως μηχανικός δικτύων υπολογιστών, κατασκευάζοντας σύνθετα, ευρεία-περιοχής-δικτύων, και γράφοντας λογισμικό για την αυτοματοποίηση και τη διαχείριση της ροής交通 σε αυτά τα δίκτυα – κάτι σαν να κατασκευάζω μεγάλους εγκεφάλους. Το έργο ξαναέφτιαξε το πάθος μου για την τεχνητή νοημοσύνη και με έκανε να πάω στο μεταπτυχιακό να σπουδάσω την τεχνητή νοημοσύνη και τις νευροεπιστήμες, και το υπόλοιπο είναι ιστορία.

Πριν ιδρύσετε την Quorum AI, πέρασατε 12 χρόνια στην ακαδημαϊκή έρευνα, πρώτα στο Πανεπιστήμιο της Νότιας Καλιφόρνιας και πιο πρόσφατα στο Northwestern ως Αναπληρωτής Πρόεδρος της Νευροβιολογίας. Στην εποχή εκείνη, η εργασία σας επικεντρώθηκε στην επεξεργασία πληροφοριών στον εγκέφαλο. Μπορείτε να μας οδηγήσετε μέσα από κάποια από αυτή την έρευνα;

Σε широкό βαθμό, η έρευνά μου προσπαθούσε να κατανοήσει το ερώτημα: Πώς ο εγκέφαλος κάνει αυτό που κάνει χρησιμοποιώντας μόνο αυτό που έχει διαθέσιμο; Για αρχή, δεν συμφωνώ με την ιδέα ότι ο εγκέφαλος είναι ένα είδος υπολογιστή (στην αίσθηση του von Neumann). Το βλέπω ως ένα τεράστιο δίκτυο που εκτελεί κυρίως σήματα-απάντηση και σήματα-κωδικοποίηση. Μέσα σε αυτό το τεράστιο δίκτυο υπάρχουν σαφείς μοτίβοι συνδεσιμότητας μεταξύ λειτουργικά εξειδικευμένων περιοχών. Όταν ζουμάρουμε, βλέπουμε ότι οι νευρώνες δεν νοιάζονται ποιο σήμα μεταφέρουν ή σε ποιο μέρος του εγκεφάλου βρίσκονται – λειτουργούν βάσει πολύ προβλέψιμων κανόνων. Έτσι, αν θέλουμε να κατανοήσουμε τη λειτουργία αυτών των εξειδικευμένων περιοχών, πρέπει να κάνουμε κάποιες ερωτήσεις: (1) Όταν ένα σήμα ταξιδεύει μέσα στο δίκτυο, πώς συναντάται με άλλα σήματα για να παράγει μια απόφαση; (2) Πώς η δομή αυτών των εξειδικευμένων περιοχών σχηματίζεται ως αποτέλεσμα της εμπειρίας; Και (3) πώς συνεχίζουν να αλλάζουν καθώς χρησιμοποιούμε τους εγκεφάλους μας και μαθαίνουμε με τον καιρό; Η έρευνά μου προσπάθησε να απαντήσει σε αυτά τα ερωτήματα χρησιμοποιώντας μια смесь πειραματικής έρευνας σε συνδυασμό με θεωρία πληροφοριών και μοντελοποίηση και προσομοίωση – κάτι που θα μπορούσε να μας επιτρέψει να κατασκευάσουμε τεχνητά συστήματα απόφασης και τεχνητή νοημοσύνη. Σε όρους νευροβιολογίας, μελετούσα τη νευροπλαστικότητα και τη μικροανατομία εξειδικευμένων περιοχών όπως ο οπτικός φλοιός.

Στη συνέχεια, μετέφρασα την εργασία σας σε aumented πραγματικότητα και διασύνδεση εγκεφάλου-υπολογιστή. Ποια ήταν κάποια από τα προϊόντα που δούλεψατε;

Γύρω στο 2008, δούλευα σε ένα έργο που τώρα θα ονομάζαμε aumented πραγματικότητα, αλλά τότε ήταν απλά ένα σύστημα για την παρακολούθηση και την πρόβλεψη των κινήσεων των ματιών, και στη συνέχεια χρησιμοποιώντας αυτές τις προβλέψεις για να ενημερώσετε κάτι στην οθόνη. Για να κάνετε το σύστημα να λειτουργήσει σε πραγματικό χρόνο, κατασκεύασα ένα βιολογικά-εμπνευσμένο μοντέλο που προέβλεψε πού θα κοιτάξει ο θεατής με βάση τις μικρο-κινήσεις των ματιών – τις μικρές κινήσεις των ματιών που συμβαίνουν ακριβώς πριν μετακινήσετε το μάτι σας. Χρησιμοποιώντας αυτό το μοντέλο, μπορούσα να προβλέψω πού θα κοιτάξει ο θεατής, και στη συνέχεια να ενημερώσω το frame buffer στην κάρτα γραφικών ενώ τα μάτια του ήταν ακόμη σε κίνηση. Όταν τα μάτια του έφτασαν σε αυτή τη νέα θέση στην οθόνη, η εικόνα ήταν ήδη ενημερωμένη. Αυτό λειτουργούσε σε ένα συνηθισμένο επιτραπέζιο υπολογιστή το 2008, χωρίς καθυστέρηση. Η τεχνολογία ήταν αρκετά εντυπωσιακή, αλλά το έργο δεν πέρασε στο επόμενο γύρο χρηματοδότησης, οπότε πέθανε.

Το 2011, έκανα μια πιο εστιασμένη προσπάθεια στην ανάπτυξη προϊόντων και κατασκεύασα ένα νευρωνικό δίκτυο που θα μπορούσε να εκτελέσει ανακάλυψη χαρακτηριστικών σε ροή δεδομένων EEG που μετρήσαμε από το κρανίο. Αυτή είναι η βασική λειτουργία των περισσότερων συστημάτων διασύνδεσης εγκεφάλου-υπολογιστή. Το έργο ήταν επίσης ένα πείραμα σε πόσο μικρό αποτύπωμα θα μπορούσαμε να το κάνουμε να τρέξει; Είχαμε ένα headset που διάβαζε μερικά κανάλια δεδομένων EEG με 400Hz που στάλθηκαν μέσω Bluetooth σε ένα Android τηλέφωνο για ανακάλυψη χαρακτηριστικών και ταξινόμηση, και στη συνέχεια στάλθηκαν σε einen Arduino-ελεγχόμενο ελεγκτή που μας αναβάθμισαν σε ένα off-the-shelf RC αυτοκίνητο. Όταν χρησιμοποιούνταν, ένα άτομο που φορούσε το headset EEG θα μπορούσε να οδηγήσει και να κατευθύνει το αυτοκίνητο με την αλλαγή των σκέψεων του από την εκτέλεση μαθηματικών σε τραγούδια. Ο αλγόριθμος εκτελέστηκε στο τηλέφωνο και δημιούργησε ένα προσωπικό “αποτύπωμα εγκεφάλου” για κάθε χρήστη, επιτρέποντας τους να αλλάξουν μεταξύ διαφόρων ρομποτικών συσκευών χωρίς να χρειάζεται να επανακαταρτίσουν σε κάθε συσκευή. Το σλόγκαν που δημιουργήσαμε ήταν “Ελεγχος Εγκεφάλου Συναντάται με Plug-and-Play”.

Το 2012, επεκτείναμε το σύστημα ώστε να λειτουργεί σε πολύ πιο κατανεμημένο τρόπο σε μικρότερη апаратура. Το χρησιμοποιήσαμε για τον έλεγχο ενός multi-τμήματος, multi-αρθρό ρομποτικού βραχίονα, όπου κάθε τμήμα ελεγχόταν από einen ανεξάρτητο επεξεργαστή που εκτελούσε μια ενσωματωμένη έκδοση της τεχνητής νοημοσύνης. Αντί να χρησιμοποιήσουμε einen κεντρικό ελεγκτή για να χειριστούμε τον βραχίονα, μας επέτρεψε τα τμήματα να αυτο-οργανωθούν και να φτάσουν στο στόχο τους σε einen swarm-όμοιο, κατανεμημένο τρόπο. Με άλλα λόγια, σαν μυρμήγκια που σχηματίζουν μια γέφυρα μυρμηγκιών, τα τμήματα του βραχίονα θα συνεργαστούν για να φτάσουν σε einen στόχο στο χώρο.

Συνεχίσαμε να κινηθούμε στην ίδια κατεύθυνση όταν首 lần launched την Quorum AI – αρχικά γνωστή ως Quorum Robotics – πίσω στο 2013. Γρήγορα καταλάβαμε ότι το σύστημα ήταν υπέροχο λόγω του αλγορίθμου και της αρχιτεκτονικής, όχι του hardware, οπότε στα τέλη του 2014, πηράξαμε完全 vào λογισμικό. Τώρα, 8 χρόνια αργότερα, η Quorum AI έρχεται πλήρως, πίσω στις ρίζες της ρομποτικής με την εφαρμογή του πλαισίου μας στην NASA Space Robotics Challenge.

Η αποχώρηση από την δουλειά σας ως καθηγητής για να ιδρύσετε μια εταιρεία είχε να κάνει με μια δύσκολη απόφαση. Τι σας ενέπνευσε να το κάνετε;

Ήταν ένα τεράστιο βήμα για μένα σε πολλούς τρόπους, αλλά όταν η ευκαιρία ήρθε και ο δρόμος έγινε σαφής, ήταν μια εύκολη απόφαση. Όταν είσαι καθηγητής, σκέφτεσαι σε χρονικά πλαίσια πολλών ετών και εργάζεσαι σε πολύ μακροπρόθεσμους ερευνητικούς στόχους. Η ίδρυση μιας εταιρείας είναι το ακριβώς αντίθετο. Ωστόσο, ένα πράγμα που η ακαδημαϊκή ζωή και η ζωή της εταιρείας έχουν κοινό είναι ότι και οι δύο απαιτούν να μαθαίνεις και να λύνεις προβλήματα συνεχώς. Σε μια εταιρεία, αυτό μπορεί να σημαίνει να προσπαθείς να ξανασχεδιάσεις μια λύση για να μειώσεις τον κίνδυνο ανάπτυξης προϊόντων ή ίσως να μελετάς einen νέο κατακόρυφο που θα μπορούσε να επωφεληθεί από την τεχνολογία μας. Η εργασία στην τεχνητή νοημοσύνη είναι το πιο κοντινό πράγμα σε einen “καλώντας” που έχω ποτέ αισθανθεί, οπότε παρά τις προκλήσεις και τις αναταραχές, νιώθω απίστευτα τυχερός που κάνω την δουλειά που κάνω.

Έχετε αναπτύξει την Quorum AI, η οποία αναπτύσσει πραγματικό χρόνο, κατανεμημένη τεχνητή νοημοσύνη για όλες τις συσκευές και τις πλατφόρμες. Μπορείτε να μας εξηγήσετε τι ακριβώς κάνει αυτή η πλατφόρμα;

Η πλατφόρμα ονομάζεται Environment for Virtual Agents (EVA), και επιτρέπει στους χρήστες να κατασκευάζουν, να εκπαιδεύουν και να αναπτύσσουν μοντέλα χρησιμοποιώντας τον Engram AI Engine. Ο Engram είναι ένας ευέλικτος και φορητός περιτύλιγμα που κατασκευάσαμε γύρω από τους αλγορίθμους μας. Οι αλγόριθμοι είναι τόσο αποτελεσματικοί που μπορούν να μάθουν σε πραγματικό χρόνο, καθώς το μοντέλο παράγει προβλέψεις. Επειδή οι αλγόριθμοι είναι task-αγνοητικοί, δεν υπάρχει ρητή είσοδος ή έξοδος στο μοντέλο, οπότε οι προβλέψεις μπορούν να γίνουν με έναν Bayesian τρόπο για οποιαδήποτε διάσταση χωρίς επανακατάρτιση και χωρίς να υποφέρουν από καταστροφική λήθη. Τα μοντέλα είναι επίσης διαφανή και αποσυναρμολογημένα, οπότε μπορούν να εξεταστούν και να αποσυναρμολογηθούν σε μεμονωμένες διαστάσεις χωρίς να χάσουν τι έχει μάθει.

Μόλις κατασκευαστούν, τα μοντέλα μπορούν να αναπτυχθούν μέσω της EVA σε οποιοδήποτε είδος πλατφόρμας, από custom ενσωματωμένο hardware μέχρι και το cloud. Η EVA (και το ενσωματωμένο λογισμικό) περιέχουν επίσης διάφορα εργαλεία για να επεκτείνουν τη λειτουργικότητα του κάθε μοντέλου. Μερικά γρήγορα παραδείγματα: Τα μοντέλα μπορούν να μοιραστούν μεταξύ συστημάτων μέσω ενός συστήματος δημοσίευσης/υπογραφής, επιτρέποντας κατανεμημένα συστήματα να επιτύχουν ομοσπονδιακή μάθηση τόσο στο χρόνο όσο και στο χώρο. Τα μοντέλα μπορούν επίσης να αναπτυχθούν ως αυτόνομες μονάδες για να εκτελέσουν αυθαίρετες εργασίες, και επειδή το μοντέλο είναι task-αγνοητικό, η εργασία μπορεί να αλλάξει κατά τη διάρκεια της εκτέλεσης χωρίς επανακατάρτιση. Κάθε μεμονωμένη μονάδα μπορεί να επεκταθεί με einen ιδιωτικό “εικονικό” EVA, επιτρέποντας στην μονάδα να προσομοιώσει μοντέλα άλλων μονάδων σε einen απαλλαγμένο τρόπο. Τέλος, έχουμε δημιουργήσει κάποια περιτύλιγματα για深 learning και ενίσχυση μάθησης (Keras-βασισμένα) συστήματα για να επιτρέψουν σε αυτά τα μοντέλα να λειτουργούν στην πλατφόρμα, σε συναρμογή με πιο ευέλικτα Engram-βασισμένα συστήματα.

Έχετε περιγράψει τους αλγορίθμους της Quorum AI ως “μαθηματική ποίηση”. Τι εννοούσατε με αυτό;

Όταν κατασκευάζεις ένα μοντέλο, είτε μοντελοποιείς τον εγκέφαλο είτε μοντελοποιείς δεδομένα πωλήσεων για την επιχείρησή σας, αρχίζεις να λαμβάνεις ένα αποτύπωμα των δεδομένων σου, και στη συνέχεια δοκιμάζεις γνωστές τάξεις μοντέλων για να προσπαθήσεις να προσεγγίσεις το σύστημα. Ουσιαστικά, δημιουργείς груβές σκέψεις του συστήματος για να δεις τι φαίνεται καλύτερα. Δεν περιμένεις τα πράγματα να ταιριάζουν καλά με τα δεδομένα, και υπάρχει κάποια δοκιμή και λάθος καθώς δοκιμάζεις διαφορετικές υποθέσεις για το πώς λειτουργεί το σύστημα, αλλά με λίγη δεξιοτεχνία, μπορείς να πιάσεις τα δεδομένα khá καλά.

Όταν μοντελοποιούσα τη νευροπλαστικότητα στον εγκέφαλο, άρχισα με την τυπική προσέγγιση της χαρτογράφησης όλων των molekulαρικών μονοπατιών, μεταβατικών καταστάσεων και δυναμικών που νόμιζα ότι θα μετέβαλλαν. Αλλά βρήκα ότι όταν μειώσω το σύστημα στα βασικά του στοιχεία και τα διάταξα σε έναν συγκεκριμένο τρόπο, το μοντέλο έγινε όλο και πιο ακριβές μέχρι να ταιριάζει τα δεδομένα σχεδόν τέλεια. Ήταν σαν κάθε τελεστής και μεταβλητή στις εξισώσεις να ήταν ακριβώς αυτό που χρειαζόταν, δεν υπήρχε τίποτα επιπλέον, και όλα ήταν απαραίτητα για να ταιριάζουν τα δεδομένα.

Όταν έβαλα το μοντέλο σε μεγαλύτερες και μεγαλύτερες προσομοιώσεις, όπως την ανάπτυξη του οπτικού συστήματος ή την αναγνώριση προσώπων, για παράδειγμα, μπόρεσε να σχηματίσει εξαιρετικά περίπλοκους μοτίβους συνδεσιμότητας που ταιριάζουν με αυτά που βλέπουμε στον εγκέφαλο. Επειδή το μοντέλο ήταν μαθηματικό, αυτοί οι μοτίβοι του εγκεφάλου θα μπορούσαν να κατανοηθούν μέσω μαθηματικής ανάλυσης, δίνοντας νέες ερμηνείες για το τι ο εγκέφαλος μαθαίνει. Από τότε, έχουμε λύσει και απλοποιήσει τις διαφορικές εξισώσεις που αποτελούν το μοντέλο, βελτιώνοντας την υπολογιστική αποδοτικότητα με πολλαπλάσια τάξεις μεγέθους. Δεν είναι πραγματική ποίηση, αλλά σίγουρα ένιωσα σαν τέτοια!

Η πλατφόρμα εργαλείων της Quorum AI επιτρέπει στις συσκευές να συνδεθούν μεταξύ τους για να μάθουν και να μοιραστούν δεδομένα χωρίς να χρειάζεται να επικοινωνούν μέσω cloud-βασισμένων διακομιστών. Ποια είναι τα πλεονεκτήματα του να το κάνετε με αυτόν τον τρόπο αντί να χρησιμοποιήσετε το cloud;

Δίνουμε στους χρήστες την επιλογή να τοποθετήσουν την τεχνητή νοημοσύνη τους όπου θέλουν, χωρίς να επηρεάζουν τη λειτουργικότητα της τεχνητής νοημοσύνης. Η κατάσταση στην ανάπτυξη της τεχνητής νοημοσύνης είναι ότι οι εταιρείες συνήθως αναγκάζονται να συμβιβαστούν την ασφάλεια, την ιδιωτικότητα ή τη λειτουργικότητα επειδή η μόνη επιλογή τους είναι να χρησιμοποιήσουν cloud-βασισμένες υπηρεσίες τεχνητής νοημοσύνης. Αν οι εταιρείες προσπαθήσουν να κατασκευάσουν τη δική τους τεχνητή νοημοσύνη εσωτερικά, συνήθως απαιτεί πολλά χρήματα και χρόνο, και το ROI σπάνια αξίζει τον κίνδυνο. Αν οι εταιρείες θέλουν να αναπτύξουν την τεχνητή νοημοσύνη σε μεμονωμένες συσκευές που δεν είναι συνδεδεμένες στο cloud, το έργο γρήγορα γίνεται αδύνατο. Ως αποτέλεσμα, η υιοθέτηση της τεχνητής νοημοσύνης γίνεται φαντασία.

Η πλατφόρμα μας κάνει την τεχνητή νοημοσύνη προσιτή και οικονομική, δίνοντας στις εταιρείες έναν τρόπο να εξερευνήσουν την ανάπτυξη και την υιοθέτηση της τεχνητής νοημοσύνης χωρίς την τεχνική ή οικονομική επιβάρυνση. Και επιπλέον, η πλατφόρμα μας επιτρέπει στους χρήστες να πάνε από την ανάπτυξη στην ανάπτυξη σε einen seul βήμα.

Η πλατφόρμα μας επίσης ολοκληρώνει και επεκτείνει την ηλικία των άλλων “legacy” μοντέλων όπως το sâu learning ή η ενίσχυση μάθησης, βοηθώντας τις εταιρείες να ξαναχρησιμοποιήσουν και να ολοκληρώσουν τα υπάρχοντα συστήματα σε νέες εφαρμογές. Παρόμοια, επειδή οι αλγόριθμοί και οι αρχιτεκτονικές μας είναι μοναδικοί, τα μοντέλα μας δεν είναι μαύρες κουτί, οπότε ό,τι το σύστημα μαθαίνει μπορεί να εξεταστεί και να επεκταθεί σε άλλες περιοχές της επιχείρησης.

Πιστεύεται από κάποιους ότι η Κατανεμημένη Τεχνητή Νοημοσύνη (DAI) θα οδηγήσει τον δρόμο για την Τεχνητή Γενική Νοημοσύνη (AGI). Υιοθετείτε αυτή τη θεωρία;

Ναι, και όχι μόνο επειδή αυτός είναι ο δρόμος που έχουμε ορίσει για τον εαυτό μας! Όταν κοιτάζουμε τον εγκέφαλο, δεν είναι ένα μονολιθικό σύστημα. Είναι κατασκευασμένο από ξεχωριστά, κατανεμημένα συστήματα που κάθε ένα εξειδικεύεται σε ένα στενό εύρος εγκεφαλικών λειτουργιών. Μπορεί να μην ξέρουμε τι κάνει ένα συγκεκριμένο σύστημα, αλλά ξέρουμε ότι οι αποφάσεις του εξαρτώνται σημαντικά από το είδος της πληροφορίας που λαμβάνει και πώς αυτή η πληροφορία αλλάζει με τον καιρό. (Αυτό είναι γιατί τα θέματα νευροεπιστημών όπως το connectome είναι τόσο δημοφιλή.)

Στην γνώμη μου, αν θέλουμε να κατασκευάσουμε τεχνητή νοημοσύνη που είναι ευέλικτη και που συμπεριφέρεται και εκτελείται όπως ο εγκέφαλος, τότε έχει νόημα να εξετάσουμε κατανεμημένες αρχιτεκτονικές όπως αυτές που βλέπουμε στον εγκέφαλο. Μπορεί να ειπωθεί ότι αρχιτεκτονικές sâu learning όπως multi-στιβάδες δικτύωση ή CNNs μπορούν να βρεθούν στον εγκέφαλο, και αυτό είναι αλήθεια, αλλά αυτές οι αρχιτεκτονικές βασίζονται σε αυτά που ήξερα για τον εγκέφαλο 50 χρόνια πριν.

Η εναλλακτική λύση στη DAI είναι να συνεχίσουμε να επαναλαμβάνουμε μονολιθικές, άκαμπτες αρχιτεκτονικές που είναι στενά συνδεδεμένες με einen μόνο χώρο απόφασης, όπως αυτές που βλέπουμε στη sâu learning ή την ενίσχυση μάθησης (ή οποιοδήποτε εποπτισμένο μάθημα, για αυτό το θέμα). Θα πρότεινα ότι αυτά τα προβλήματα δεν είναι απλά θέματα ρύθμισης παραμέτρων ή προσθήκης στρωμάτων ή προεπεξεργασίας δεδομένων – αυτά τα θέματα είναι θεμελιώδη στη sâu learning και την ενίσχυση μάθησης, τουλάχιστον όπως τις ορίζουμε σήμερα, οπότε χρειάζονται νέες προσεγγίσεις αν θέλουμε να συνεχίσουμε να καινοτομούμε και να κατασκευάζουμε την τεχνητή νοημοσύνη του αύριο.

Πιστεύετε ότι η επίτευξη της AGI χρησιμοποιώντας DAI είναι πιο πιθανή από την ενίσχυση μάθησης και/ή sâu learning μεθόδους που χρησιμοποιούνται目前 από εταιρείες όπως η OpenAI και η DeepMind;

Ναι, αν και από αυτά που γράφουν, υποψιάζομαι ότι η OpenAI και η DeepMind χρησιμοποιούν πιο κατανεμημένες αρχιτεκτονικές από ότι αφήνουν να φανεί. Αρχίζουμε να ακούμε περισσότερα για multi-σύστημα προκλήσεις όπως η μεταφορά μάθησης ή η ομοσπονδιακή/κατανεμημένη μάθηση, και τυχαία, για το πώς οι sâu learning και ενίσχυση μάθησης προσεγγίσεις δεν θα δουλέψουν για αυτές τις προκλήσεις. Αρχίζουμε επίσης να ακούμε από πρωτοπόρους όπως ο Yoshua Bengio για το πώς βιολογικά-εμπνευσμένες αρχιτεκτονικές θα μπορούσαν να γεφυρώσουν το χάσμα! Έχω δουλέψει πάνω σε βιολογικά-εμπνευσμένη τεχνητή νοημοσύνη για σχεδόν 20 χρόνια, οπότε αισθάνομαι πολύ καλά για το τι έχουμε μάθει στην Quorum AI και πώς το χρησιμοποιούμε για να κατασκευάσουμε αυτό που πιστεύουμε ότι είναι η επόμενη γενιά της τεχνητής νοημοσύνης που θα ξεπεράσει αυτά τα προβλήματα.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Quorum AI;

Θα προβάλλουμε την νέα μας πλατφόρμα για κατανεμημένη και βασισμένη σε πράκτορες τεχνητή νοημοσύνη στη Διανομημένη και Ομοσπονδιακή Μάθηση Τεχνητής Νοημοσύνης Συνέδριο τον Ιούνιο του 2020. Κατά τη διάρκεια της ομιλίας, σκοπεύω να παρουσιάσω κάποια πρόσφατα δεδομένα σε διάφορα θέματα, συμπεριλαμβανομένης της ανάλυσης συναισθήματος ως γέφυρας για την επίτευξη εмпαθικής τεχνητής νοημοσύνης.

Θα ήθελα να ευχαριστήσω ιδιαίτερα τον Νόα για αυτές τις απίστευτες απαντήσεις, και θα σας συνιστούσα να επισκεφτείτε την Quorum για να μάθετε περισσότερα.