Noah Schwartz၊ Quorum AI ၏တွဲဖက်တည်ထောင်သူနှင့် CEO - တွေ့ဆုံမေးမြန်းခြင်းစီးရီး

နောဧသည် AI စနစ်များကို ဗိသုကာပညာရှင်တစ်ဦးဖြစ်သည်။ မတည်ထောင်မီ Quorum AIနောဧသည် ကယ်လီဖိုးနီးယားတောင်ပိုင်း တက္ကသိုလ်တွင် ပထမဆုံး နှင့် မကြာသေးမီက အာရုံကြောဇီဝဗေဒ လက်ထောက်သဘာပတိအဖြစ် Northwestern တွင် 12 နှစ်ကြာ သုတေသနပြုခဲ့သည်။ သူ၏အလုပ်သည် ဦးနှောက်အတွင်းရှိ သတင်းအချက်အလက်များကို စီမံဆောင်ရွက်ပေးခြင်းအပေါ် အာရုံစူးစိုက်ခဲ့ပြီး သူ၏သုတေသနကို augmented reality၊ brain-computer interfaces၊ computer vision နှင့် embedded robotics control systems တို့တွင် ထုတ်ကုန်များအဖြစ် ဘာသာပြန်ဆိုခဲ့သည်။

AI နှင့် စက်ရုပ်များကို သင် ငယ်စဉ်ကပင် စိတ်ဝင်စားလာခဲ့သည်။ ဤနည်းပညာများကို သင်မည်ကဲ့သို့ စတင်မိတ်ဆက်သနည်း။

စိတ်ကူးယဉ် သိပ္ပံရုပ်ရှင်များနှင့် အီလက်ထရွန်းနစ်ပစ္စည်းများကို ချစ်မြတ်နိုးခြင်းမှ အစဦးဆုံး မီးပွားများ ထွက်ပေါ်လာသည်။ 8 နှစ်အရွယ် Tron ရုပ်ရှင်ကိုကြည့်ရင်း၊ နောက်နှစ်အနည်းငယ်အတွင်း Electric Dreams၊ Short Circuit၊ DARYL၊ War Games နှင့် အခြားအရာများကို ကြည့်ခဲ့ဖူးသည်။ အဲဒါကို စိတ်ကူးယဉ်ဆန်ဆန် တင်ပြထားပေမယ့် ဉာဏ်ရည်တုရဲ့ စိတ်ကူးက ကျွန်မကို လွင့်ပါးသွားစေခဲ့တယ်။ ကျွန်မအသက် 8 နှစ်သာရှိသေးသော်လည်း၊ ဤချက်ချင်းချိတ်ဆက်မှုနှင့် AI ဆီသို့ ပြင်းထန်သောဆွဲငင်အားကို ခံစားခဲ့ရပြီး ထိုအချိန်မှစ၍ လျော့ပါးသွားခြင်းမရှိပေ။

နှစ်ယောက်စလုံးအတွက် ဝါသနာတွေ ဘယ်လို တိုးလာတာလဲ။

AI နှင့် စက်ရုပ်များကို ကျွန်ုပ်၏စိတ်ဝင်စားမှုသည် ဦးနှောက်ကို ဝါသနာပါသောစိတ်နှင့် အပြိုင်တီထွင်ခဲ့သည်။ ကျွန်တော့်အဖေက ဇီဝဗေဒဆရာတစ်ယောက်ဖြစ်ပြီး ခန္ဓာကိုယ်အကြောင်း၊ အရာအားလုံးအလုပ်လုပ်ပုံ၊ ဆက်စပ်မှုအားလုံးကို သင်ပေးတယ်။ AI ကိုကြည့်ပြီး ဦးနှောက်ကိုကြည့်ရတာ ကျွန်တော့်အတွက် တူညီတဲ့ပြဿနာတစ်ခုလို ခံစားရတယ် – ဒါမှမဟုတ် အနည်းဆုံးတော့ သူတို့မှာ တူညီတဲ့ နောက်ဆုံးမေးခွန်းဖြစ်တဲ့၊ အဲဒါ ဘယ်လိုအလုပ်လုပ်လဲ။ နှစ်ခုလုံးကို စိတ်ဝင်စားခဲ့ပေမယ့် ကျောင်းမှာ AI ဒါမှမဟုတ် စက်ရုပ်တွေနဲ့ ထိတွေ့မှု သိပ်မရှိခဲ့ပါဘူး။ ထို့ကြောင့် ကျွန်ုပ်သည် AI ကို ကိုယ်ပိုင်အချိန်၌ ဆည်းပူးခဲ့ပြီး ကျောင်းတွင် ဇီဝဗေဒနှင့် စိတ်ပညာကို လေ့လာခဲ့သည်။

ကောလိပ်တက်တုန်းကတော့ အဲဒါကို ရှာတွေ့ခဲ့တယ်။ Parallel Distributed Processing (PDP) စာအုပ်များငါ့အတွက် ကြီးမားခဲ့သည်။ ၎င်းတို့သည် အမှန်တကယ် AI ကို ကျွန်ုပ်၏ ပထမဆုံး မိတ်ဆက်ခြင်းဖြစ်ပြီး၊ ထို့နောက် ကျွန်ုပ်ကို ဂန္ထဝင်ကဲ့သို့သော ဂန္တဝင်များဆီသို့ ပြန်လည်ပို့ဆောင်ပေးပါသည်။ Hebb, Rosenblattနှင့်ပင် McCulloch နှင့် Pitts. အာရုံကြောခန္ဓာဗေဒကို အခြေခံပြီး ကျောင်းမှာ ဇီဝဗေဒနဲ့ စိတ်ပညာသင်တန်းတွေကနေ သင်ယူခဲ့ရာတွေကို အခြေခံပြီး အာရုံကြောကွန်ရက်တွေကို တည်ဆောက်ခဲ့တယ်။ ဘွဲ့ရပြီးနောက်၊ ကွန်ပြူတာကွန်ရက် အင်ဂျင်နီယာတစ်ဦးအဖြစ် လုပ်ကိုင်ခဲ့ပြီး ရှုပ်ထွေးသော၊ ကျယ်ပြန့်သော ကွန်ရက်များ တည်ဆောက်ခြင်းနှင့် ထိုကွန်ရက်များပေါ်တွင် အသွားအလာ စီးဆင်းမှုကို အလိုအလျောက်လုပ်ဆောင်ရန်နှင့် စီမံခန့်ခွဲရန် ဆော့ဖ်ဝဲလ်ရေးသားခြင်း - ကြီးမားသော ဦးနှောက်များကို တည်ဆောက်ခြင်းကဲ့သို့ပင်။ ဒီအလုပ်က AI ကို စိတ်အားထက်သန်လာခဲ့ပြီး AI နဲ့ အာရုံကြောသိပ္ပံကို လေ့လာဖို့ အတန်းကျောင်းတက်ဖို့ လှုံ့ဆော်ခဲ့ပြီး ကျန်တာတွေကတော့ သမိုင်းပါပဲ။

Quorum AI ကို မတည်ထောင်မီ၊ သင်သည် ကယ်လီဖိုးနီးယားတောင်ပိုင်း တက္ကသိုလ်တွင် ပထမဆုံးနှင့် အာရုံကြောဇီဝဗေဒ လက်ထောက်သဘာပတိအဖြစ် 12 နှစ်ကြာ သုတေသနပြုခဲ့သည်။ အဲဒီအချိန်မှာ မင်းရဲ့အလုပ်က ဦးနှောက်ထဲမှာ သတင်းအချက်အလက်တွေ လုပ်ဆောင်ဖို့ အာရုံစိုက်တယ်။ ဤသုတေသနအချို့ကို သင် ကျွန်ုပ်တို့အား လမ်းပြပေးနိုင်ပါသလား။

ကျယ်ပြန့်သောအားဖြင့်၊ ကျွန်ုပ်၏သုတေသနပြုချက်မှာ ဦးနှောက်သည် ၎င်းကို မည်သို့လုပ်ဆောင်သနည်းဟူသည့် မေးခွန်းကို နားလည်ရန် ကြိုးစားခဲ့ပါသည်။ ရရှိနိုင်သော အရာများကိုသာ အသုံးပြုပါ ။ အစပိုင်းမှာတော့ ဦးနှောက်ဟာ ကွန်ပြူတာအမျိုးအစား (Von Neumann သဘောအရ) ဆိုတဲ့ အယူအဆကို စာရင်းမသွင်းပါဘူး။ လှုံ့ဆော်မှု-တုံ့ပြန်မှု နှင့် အချက်ပြ-ကုဒ်ဝှက်ခြင်း လုပ်ဆောင်ချက်များကို အများအားဖြင့် လုပ်ဆောင်သည့် ဧရာမကွန်ရက်တစ်ခုအဖြစ် ကျွန်တော်မြင်သည်။ ထိုကြီးမားသော ကွန်ရက်အတွင်း လုပ်ငန်းဆောင်တာ အထူးပြုနယ်ပယ်များကြားတွင် ရှင်းလင်းပြတ်သားသော ဆက်သွယ်မှုပုံစံများ ရှိပါသည်။ ချဲ့ကြည့်သောအခါတွင်၊ အာရုံကြောများသည် ၎င်းတို့သယ်ဆောင်လာနေသည့် အချက်ပြမှု သို့မဟုတ် ဦးနှောက်၏ မည်သည့်အစိတ်အပိုင်းကိုမျှ ဂရုမစိုက်ကြောင်း တွေ့ရသည် - ၎င်းတို့သည် အလွန်ခန့်မှန်းနိုင်သော စည်းမျဉ်းများပေါ်တွင် အခြေခံ၍ လုပ်ဆောင်နေသည်။ ထို့ကြောင့် ဤအထူးပြုနယ်ပယ်များ၏ လုပ်ဆောင်ချက်ကို နားလည်လိုပါက မေးခွန်းအနည်းငယ်မေးရန်လိုသည်- (1) input သည် network မှတဆင့် လည်ပတ်သည်နှင့်၊ ၎င်း input သည် ဆုံးဖြတ်ချက်တစ်ခုအတွက် အခြားသော input များနှင့် မည်သို့ပေါင်းစည်းသနည်း။ (၂) အဆိုပါ အထူးပြုနယ်ပယ်များ၏ ဖွဲ့စည်းပုံသည် အတွေ့အကြုံအရ မည်သို့ဖြစ်သနည်း။ (၃) ကျွန်ုပ်တို့၏ ဦးနှောက်ကို အသုံးပြု၍ အချိန်ကြာလာသည်နှင့်အမျှ သင်ယူခြင်းဖြင့် ၎င်းတို့ မည်သို့ ဆက်လက်ပြောင်းလဲသွားမည်နည်း။ ကျွန်ုပ်၏သုတေသနပြုချက်သည် အချက်အလက်သီအိုရီနှင့် မော်ဒယ်ပြုလုပ်ခြင်းနှင့် သရုပ်ဖော်ခြင်းပေါင်းစပ်စမ်းသပ်မှုဆိုင်ရာ သုတေသနပေါင်းစပ်မှုဖြင့် အဆိုပါမေးခွန်းများကို ဖြေရှင်းရန်ကြိုးစားခဲ့သည် - ကျွန်ုပ်တို့သည် ဆုံးဖြတ်ချက်အတုစနစ်များနှင့် AI ကိုတည်ဆောက်နိုင်စေမည့်အရာတစ်ခုဖြစ်သည်။ အာရုံကြောဇီဝဗေဒဆိုင်ရာ အသုံးအနှုန်းများတွင် ကျွန်ုပ်သည် အမြင်အာရုံ cortex ကဲ့သို့သော အထူးပြုနယ်ပယ်များ၏ neuroplasticity နှင့် microanatomy ကို လေ့လာခဲ့သည်။

ထို့နောက် သင်သည် သင်၏အလုပ်ကို augmented reality နှင့် brain-computer interface များအဖြစ် ဘာသာပြန်ဆိုခဲ့သည်။ သင်လုပ်ဆောင်ခဲ့သော ထုတ်ကုန်အချို့မှာ အဘယ်နည်း။

2008 ခုနှစ်လောက်မှာ ကျွန်တော် အခု augmented reality လို့ ခေါ်မယ့် ပရောဂျက်တစ်ခုကို လုပ်ဆောင်နေပေမယ့် အဲဒီတုန်းက မျက်လုံးလှုပ်ရှားမှုတွေကို ခြေရာခံပြီး ခန့်မှန်းပေးတဲ့ စနစ်တစ်ခုပဲ၊ ပြီးတော့ ဖန်သားပြင်ပေါ်ရှိ တစ်ခုခုကို အပ်ဒိတ်လုပ်ဖို့အတွက် အဲဒီဟောကိန်းတွေကို အသုံးပြုခဲ့ပါတယ်။ စနစ်အား အချိန်နှင့်တစ်ပြေးညီ လုပ်ဆောင်နိုင်ရန်၊ ကြည့်ရှုသူသည် ၎င်းတို့၏ microsaccades များပေါ်အခြေခံ၍ မည်သည့်နေရာတွင်ရှိမည်ကို ခန့်မှန်းပေးမည့် ဇီဝဗေဒဆိုင်ရာပုံစံကို တည်ဆောက်ခဲ့သည် - သင့်မျက်လုံးမလှုပ်မီတွင် ဖြစ်ပေါ်သည့်သေးငယ်သောမျက်လုံးလှုပ်ရှားမှုများ။ ဤမော်ဒယ်ကို အသုံးပြု၍ ကြည့်ရှုသူသည် မည်သည့်နေရာတွင် ကြည့်ရှုမည်ကို ကျွန်ုပ် ခန့်မှန်းနိုင်သည်၊ ထို့နောက် ၎င်းတို့၏ မျက်လုံးများ လှုပ်ရှားနေချိန်တွင် ဂရပ်ဖစ်ကတ်ရှိ ဖရိန်ကြားခံကို အပ်ဒိတ်လုပ်နိုင်ပါသည်။ ဖန်သားပြင်ပေါ်ရှိ တည်နေရာအသစ်ကို ၎င်းတို့၏မျက်လုံးများရောက်ရှိချိန်တွင်၊ ရုပ်ပုံအား အပ်ဒိတ်လုပ်ပြီးဖြစ်သည်။ ၎င်းသည် နှေးကွေးခြင်းမရှိဘဲ 2008 ခုနှစ်တွင် သာမန် desktop ကွန်ပျူတာပေါ်တွင် လည်ပတ်ခဲ့သည်။ နည်းပညာသည် အလွန်အံ့သြဖွယ်ကောင်းသော်လည်း ပရောဂျက်သည် နောက်တစ်ကြိမ် ရန်ပုံငွေမတက်နိုင်သောကြောင့် ပျက်သွားခဲ့သည်။

2011 ခုနှစ်တွင်၊ ကျွန်ုပ်သည် ထုတ်ကုန်ဖွံ့ဖြိုးတိုးတက်ရေးတွင် ပိုမိုအာရုံစိုက်ပြီး ဦးရေပြားမှတိုင်းတာသော EEG ဒေတာကို တိုက်ရိုက်ကြည့်ရှုခြင်းတွင် အင်္ဂါရပ်ရှာဖွေတွေ့ရှိမှုကို လုပ်ဆောင်နိုင်သည့် အာရုံကြောကွန်ရက်တစ်ခုကို တည်ဆောက်ခဲ့သည်။ ၎င်းသည် ဦးနှောက်-ကွန်ပြူတာကြားခံစနစ်အများစု၏ အဓိကလုပ်ဆောင်ချက်ဖြစ်သည်။ ပရောဂျက်သည် စမ်းသပ်မှုတစ်ခုလည်း ဖြစ်ခဲ့သည်။ ဒီခြေရာကို ဘယ်လောက်သေးငယ်အောင် လုပ်ဆောင်နိုင်မလဲ။ စွမ်းဆောင်ချက်ရှာဖွေတွေ့ရှိမှုနှင့် အမျိုးအစားခွဲခြားမှုအတွက် Bluetooth မှတစ်ဆင့် Android ဖုန်းသို့ ပေးပို့သည့် EEG ဒေတာ 400Hz တွင် ချန်နယ်အနည်းငယ်ကို ဖတ်နိုင်သော နားကြပ်တစ်ခုရှိပြီး၊ ထို့နောက် စင်ပေါ်မှ RC ကားသို့ ပြန်လည်ပြင်ဆင်ထားသော Arduino-powered controller သို့ ပေးပို့ပါသည်။ အသုံးပြုသည့်အခါတွင် EEG နားကြပ်ကို ဝတ်ဆင်ထားသူသည် စိတ်သင်္ချာလုပ်ခြင်းမှ သီချင်းဆိုခြင်းမှ ၎င်းတို့၏ အတွေးအမြင်များကို ပြောင်းလဲခြင်းဖြင့် ကားကို မောင်းနှင်ပြီး မောင်းနှင်နိုင်သည်။ အယ်လဂိုရီသမ်သည် ဖုန်းတွင်လည်ပတ်ပြီး သုံးစွဲသူတစ်ဦးစီအတွက် ကိုယ်ပိုင်ဦးနှောက် “လက်ဗွေ” ကို ဖန်တီးပေးကာ စက်ကိရိယာတစ်ခုစီတွင် ပြန်လေ့ကျင့်ရန်မလိုဘဲ စက်ရုပ်အမျိုးမျိုးကြားတွင် ပြောင်းလဲနိုင်စေခဲ့သည်။ ကျွန်ုပ်တို့ တက်လာသော စာတန်းမှာ "ဦးနှောက်ထိန်းချုပ်မှု နှင့် ပလပ်-ဆော့ကစားခြင်း" ဖြစ်သည်။

2012 ခုနှစ်တွင် ကျွန်ုပ်တို့သည် စနစ်ကို တိုးချဲ့လိုက်သောကြောင့် ၎င်းကို သေးငယ်သော ဟာ့ဒ်ဝဲများတွင် ပိုမိုဖြန့်ဝေမှုပုံစံဖြင့် လုပ်ဆောင်ခဲ့သည်။ အပိုင်းတစ်ခုစီကို AI ၏ထည့်သွင်းထားသောဗားရှင်းကိုလည်ပတ်သည့် လွတ်လပ်သောပရိုဆက်ဆာက ထိန်းချုပ်ထားသည့် အပိုင်းများစွာ၊ ပေါင်းစပ်စက်ရုပ်လက်တံတစ်ခုကို ထိန်းချုပ်ရန်အတွက် ၎င်းကို ကျွန်ုပ်တို့အသုံးပြုခဲ့သည်။ လက်မောင်းကို ကိုင်တွယ်ရန် ဗဟိုချုပ်ကိုင်မှု ထိန်းချုပ်ကိရိယာကို အသုံးပြုမည့်အစား၊ အပိုင်းများကို ၎င်းတို့ကိုယ်တိုင် စုစည်းပြီး ၎င်းတို့၏ ပစ်မှတ်သို့ အစုလိုက်အပြုံလိုက် ဖြန့်ဝေသည့်ပုံစံဖြင့် ရောက်ရှိရန် ခွင့်ပြုထားသည်။ တနည်းအားဖြင့် ကြိုက်တယ်။ ပုရွက်ဆိတ်များသည် ပုရွက်ဆိတ်တံတားကို ဖွဲ့ကြသည်။လက်မောင်းအပိုင်းများသည် အာကာသအတွင်း ပစ်မှတ်အချို့ကို ရောက်ရှိရန် ပူးပေါင်းဆောင်ရွက်ကြမည်ဖြစ်သည်။

Quorum AI - မူလက Quorum Robotics ဟုသိကြသော Quorum Robotics ကို 2013 ခုနှစ်တွင် စတင်ထုတ်ဝေခဲ့စဉ်က တူညီသောဦးတည်ချက်အတိုင်း ဆက်လက်ရွေ့လျားခဲ့သည်။ စနစ်သည် အယ်လဂိုရီသမ်နှင့် ဗိသုကာပညာကြောင့်မဟုတ်ဘဲ ဟာ့ဒ်ဝဲမဟုတ်ဘဲ ဟာ့ဒ်ဝဲကြောင့်ဖြစ်သည်၊ ထို့ကြောင့် 2014 ခုနှစ်နှောင်းပိုင်းတွင် ကျွန်ုပ်တို့ စတင်အသုံးပြုခဲ့သည် ဆော့ဖ်ဝဲလ်ထဲသို့ လုံး၀။ ယခု ၈ နှစ်အကြာတွင်၊ Quorum AI သည် ကျွန်ုပ်တို့၏မူဘောင်ကိုအသုံးချခြင်းဖြင့် စက်ရုပ်အမြစ်များဆီသို့ ပြန်လည်ရောက်ရှိနေပြီဖြစ်သည်။ NASA အာကာသစက်ရုပ်စိန်ခေါ်မှု.

start-up တစ်ခုစတင်ရန် ပါမောက္ခအဖြစ်မှ သင်၏အလုပ်မှနုတ်ထွက်ခြင်းသည် ခက်ခဲသောဆုံးဖြတ်ချက်တစ်ခုဖြစ်သည်။ ဒါကိုလုပ်ဖို့ မင်းဘာက လှုံ့ဆော်ပေးတာလဲ။

နည်းလမ်းများစွာဖြင့် ကျွန်တော့်အတွက် ကြီးမားသော ခုန်ကျော်မှုတစ်ခု ဖြစ်ခဲ့သော်လည်း အခွင့်အလမ်းပေါ်လာပြီး လမ်းကြောင်းပေါ်လွင်လာသောအခါတွင် လွယ်ကူသောဆုံးဖြတ်ချက်တစ်ခုဖြစ်သည်။ သင် ပါမောက္ခတစ်ဦးဖြစ်သောအခါ၊ သင်သည် နှစ်ပေါင်းများစွာ အချိန်ကာလအပိုင်းအခြားများအတွင်း တွေးတောပြီး အလွန်ရှည်လျားသော သုတေသန ပန်းတိုင်များကို လုပ်ဆောင်သည်။ start-up ကိုစတင်ခြင်းသည်၎င်းနှင့်ဆန့်ကျင်ဘက်ဖြစ်သည်။ သို့သော်လည်း ပညာရေးဘဝနှင့် start-up life တူညီသည့်အချက်မှာ နှစ်ခုစလုံးသည် ပြဿနာများကို အဆက်မပြတ်လေ့လာသင်ယူရန်နှင့် ဖြေရှင်းရန် လိုအပ်သည်။ စတင်တည်ထောင်ခြင်းတွင်၊ ထုတ်ကုန်ဖွံ့ဖြိုးတိုးတက်မှုအန္တရာယ်ကို လျှော့ချရန် ဖြေရှင်းချက်တစ်ခုအား ပြန်လည်အင်ဂျင်နီယာချုပ်လုပ်ရန် ကြိုးစားခြင်း သို့မဟုတ် ကျွန်ုပ်တို့၏နည်းပညာမှအကျိုးရှိနိုင်သည့် ဒေါင်လိုက်အသစ်တစ်ခုကို လေ့လာခြင်းဖြစ်နိုင်သည်။ AI တွင်အလုပ်လုပ်ခြင်းသည်ကျွန်ုပ်ခံစားဖူးသမျှအတိုင်း "ခေါ်ဆိုခြင်း" နှင့်အနီးစပ်ဆုံးအရာဖြစ်သည်၊ ထို့ကြောင့်စိန်ခေါ်မှုများနှင့်အတက်အကျများရှိနေသော်လည်းကျွန်ုပ်လုပ်သည့်အလုပ်ကိုလုပ်ဆောင်ရခြင်းအတွက်အလွန်ကံကောင်းသည်ဟုခံစားရသည်။

ထိုအချိန်မှစ၍ သင်သည် စက်ပစ္စည်းများနှင့် ပလက်ဖောင်းအားလုံးအတွက် အချိန်နှင့်တပြေးညီ ဉာဏ်ရည်တုကို ဖြန့်ဝေပေးသည့် Quorum AI ကို တီထွင်ခဲ့သည်။ ဒီ AI ပလပ်ဖောင်းက ဘာအတိအကျလုပ်လဲဆိုတာ အသေးစိတ်ရှင်းပြနိုင်မလား။

ပလက်ဖောင်းကို Environment for Virtual Agents (EVA) ဟုခေါ်ပြီး ၎င်းသည် အသုံးပြုသူများအား ကျွန်ုပ်တို့၏ Engram AI Engine ကို အသုံးပြု၍ မော်ဒယ်များကို တည်ဆောက်ခြင်း၊ လေ့ကျင့်ပေးခြင်း၊ အသုံးချနိုင်စေပါသည်။ Engram သည် ကျွန်ုပ်တို့၏ ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ ပတ်လည်တွင် တည်ဆောက်ထားသော ပြောင်းလွယ်ပြင်လွယ်နှင့် သယ်ဆောင်ရလွယ်ကူသော ထုပ်ပိုးမှုတစ်ခုဖြစ်သည်။ မော်ဒယ်သည် ခန့်မှန်းချက်များကို ထုတ်ပေးနေသောကြောင့် algorithms များသည် အချိန်နှင့်တပြေးညီ သင်ယူနိုင်သောကြောင့် အလွန်ထိရောက်ပါသည်။ အယ်လဂိုရီသမ်များသည် အလုပ်မရှိသော ဖြစ်သောကြောင့်၊ မော်ဒယ်အတွက် တိကျပြတ်သားသော ထည့်သွင်းမှု သို့မဟုတ် အထွက်များ မပါရှိသောကြောင့် မည်သည့်အတိုင်းအတာအတွက် Bayesian ပုံစံဖြင့် ကြိုတင်ခန့်မှန်းမှုများ ပြုလုပ်နိုင်ပြီး ကပ်ဘေးမေ့ပျောက်ခြင်းမှ ကင်းဝေးနိုင်မည်ဖြစ်သည်။ မော်ဒယ်များသည်လည်း ပွင့်လင်းမြင်သာပြီး ပြိုကွဲပျက်စီးနိုင်သောကြောင့် ၎င်းတို့ကို လေ့လာသင်ယူထားသည်များကို မဆုံးရှုံးဘဲ တစ်ဦးချင်းအတိုင်းအတာအဖြစ် ခွဲခြမ်းစိပ်ဖြာနိုင်သည်။

တည်ဆောက်ပြီးသည်နှင့်၊ မော်ဒယ်များကို စိတ်ကြိုက်ထည့်သွင်းထားသော ဟာ့ဒ်ဝဲမှ သို့မဟုတ် တိမ်တိုက်အထိ အပါအဝင် မည်သည့်ပလပ်ဖောင်းအမျိုးအစားမဆို EVA မှတစ်ဆင့် အသုံးချနိုင်သည်။ EVA (နှင့် embeddable host software) သည်လည်း မော်ဒယ်တစ်ခုစီ၏ လုပ်ဆောင်နိုင်စွမ်းကို တိုးချဲ့ရန် ကိရိယာများစွာ ပါဝင်ပါသည်။ အမြန်ဥပမာအချို့- ထုတ်ဝေမှု/စာရင်းသွင်းမှုစနစ်မှတစ်ဆင့် စနစ်များကြားတွင် မော်ဒယ်များကို အချိန်နှင့်နေရာနှစ်ခုလုံးတွင် ဖက်ဒရယ်စနစ်ဖြင့် သင်ယူမှုအောင်မြင်စေရန် ဖြန့်ဝေသည့်စနစ်များကို အသုံးပြုနိုင်မည်ဖြစ်သည်။ မော်ဒယ်များကို မတရားလုပ်ဆောင်မှုများလုပ်ဆောင်ရန် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရအေးဂျင့်များအဖြစ်လည်း အသုံးပြုနိုင်ပြီး၊ မော်ဒယ်သည် အလုပ်မရှိသောအလုပ်ဖြစ်သောကြောင့်၊ အလုပ်အား ပြန်လည်လေ့ကျင့်ခြင်းမပြုဘဲ လုပ်ဆောင်ချိန်အတွင်း ပြောင်းလဲနိုင်သည်။ အေးဂျင့်တစ်ခုစီတိုင်းကို သီးသန့် "virtual" EVA ဖြင့် တိုးချဲ့နိုင်ပြီး၊ အေးဂျင့်သည် အခြားအေးဂျင့်များ၏ မော်ဒယ်များကို အတိုင်းအတာမဲ့ပုံစံဖြင့် အတုယူနိုင်စေပါသည်။ နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် ပိုမိုပြောင်းလွယ်ပြင်လွယ်ရှိသော Engram-based စနစ်များဖြင့် ဤမော်ဒယ်များကို ပလပ်ဖောင်းပေါ်တွင် လည်ပတ်နိုင်စေရန်အတွက် နက်နဲသောသင်ယူမှုနှင့် အားဖြည့်သင်ကြားမှု (Keras-based) စနစ်များအတွက် ခြုံငုံသုံးသပ်ချက်အချို့ကို ဖန်တီးထားပါသည်။

သင်သည် Quorum AI algorithms ကို "သင်္ချာကဗျာ" အဖြစ် ယခင်က ဖော်ပြခဲ့ဖူးသည်။ ဒါက ဘာကိုဆိုလိုတာလဲ။

မော်ဒယ်တစ်ခုကို သင်တည်ဆောက်နေချိန်၊ ဦးနှောက်ကို မော်ဒယ်လုပ်သည်ဖြစ်စေ သို့မဟုတ် သင့်လုပ်ငန်းအတွက် အရောင်းဒေတာကို မော်ဒယ်လုပ်နေသည်ဖြစ်စေ သင့်ဒေတာစာရင်းကို ရယူခြင်းဖြင့် စတင်ပြီး၊ ထို့နောက် စနစ်နှင့် အနီးစပ်ဆုံးကြိုးစားရန် လူသိနည်းသော မော်ဒယ်များကို စမ်းသုံးကြည့်ပါ။ . အနှစ်သာရအားဖြင့် သင်သည် အကောင်းဆုံးပုံများကိုကြည့်ရန် စနစ်၏ကြမ်းတမ်းသော ပုံကြမ်းများကို ဖန်တီးနေပါသည်။ ဒေတာနှင့် အလွန်အံဝင်ခွင်ကျဖြစ်ရန် အရာများကို သင်မမျှော်လင့်ဘဲ၊ စနစ်အလုပ်လုပ်ပုံနှင့် ပတ်သက်၍ မတူညီသော ယူဆချက်များကို သင်စမ်းသပ်ရာတွင် စမ်းသပ်မှု နှင့် အမှားအယွင်းအချို့ရှိသော်လည်း အချို့သော တိကျမှုဖြင့် သင်သည် ဒေတာကို ကောင်းစွာဖမ်းယူနိုင်မည်ဖြစ်သည်။

ဦးနှောက်အတွင်းရှိ neuroplasticity ကို မော်ဒယ်လုပ်နေစဉ်တွင်၊ ကျွန်ုပ်သည် အရေးကြီးမည်ဟု ထင်ခဲ့သော မော်လီကျူးလမ်းကြောင်းများ၊ အသွင်ကူးပြောင်းမှု အခြေအနေများနှင့် ဒိုင်နမစ်များကို ပုံဖော်ခြင်း၏ ပုံမှန်ချဉ်းကပ်နည်းဖြင့် စတင်ခဲ့သည်။ ဒါ​ပေမယ့်​ ကျွန်​​တော်​​တွေ့တုန်းက လျှော့ချ စနစ်သည် ၎င်း၏ အခြေခံအကျဆုံး အစိတ်အပိုင်းများ နှင့် ထိုအစိတ်အပိုင်းများကို သီးခြားနည်းလမ်းဖြင့် စီစဉ်ပေးသည်၊၊ မော်ဒယ်သည် ဒေတာများ ပြီးပြည့်စုံလုနီးပါး ကိုက်ညီသည်အထိ ပိုမို၍ တိကျလာသည်။ ၎င်းသည် ညီမျှခြင်းရှိ အော်ပရေတာတိုင်းနှင့် variable များသည် ၎င်းတို့ဖြစ်ရန် လိုအပ်သည့်အရာဖြစ်သည်၊ အပိုဘာမျှမရှိသည့်အပြင် ဒေတာနှင့်ကိုက်ညီရန် အရာအားလုံးသည် မရှိမဖြစ်လိုအပ်ပါသည်။

မော်ဒယ်ကို အမြင်အာရုံစနစ် ဖွံ့ဖြိုးတိုးတက်မှု သို့မဟုတ် မျက်နှာမှတ်မိခြင်းကဲ့သို့သော ပိုကြီး၍ ကြီးမားသော တူညီသည့် တူညီချက်တွင် ကျွန်ုပ် ပလပ်ထိုးလိုက်သောအခါ၊ ဥပမာအားဖြင့်၊ ၎င်းသည် ကျွန်ုပ်တို့မြင်နေရသည့် ဦးနှောက်အတွင်းရှိ အလွန်ရှုပ်ထွေးသော ဆက်သွယ်မှုပုံစံများကို ဖန်တီးနိုင်ခဲ့ပါသည်။ မော်ဒယ်သည် သင်္ချာဖြစ်သောကြောင့်၊ အဆိုပါ ဦးနှောက်ပုံစံများကို သင်္ချာခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် နားလည်နိုင်ပြီး ဦးနှောက်က သင်ယူနေသောအရာများကို ထိုးထွင်းသိမြင်မှုအသစ်များပေးသည်။ ထိုအချိန်မှစ၍၊ ကျွန်ုပ်တို့သည် ပမာဏအမြောက်အမြားဖြင့် တွက်ချက်မှုဆိုင်ရာ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးကာ မော်ဒယ်တွင်ပါဝင်သည့် ကွဲပြားသောညီမျှခြင်းများကို ရိုးရှင်းအောင်ဖြေရှင်းပြီး ရိုးရှင်းစေသည်။ ကဗျာအစစ်မဟုတ်ပေမယ့် ကြိုက်မှာသေချာပါတယ်။

Quorum AI ၏ပလပ်ဖောင်းတူးလ်အစုံသည် cloud-based ဆာဗာများမှတစ်ဆင့် ဆက်သွယ်ရန်မလိုအပ်ဘဲ ဒေတာသင်ယူရန်နှင့် မျှဝေရန် စက်ပစ္စည်းများကို အချင်းချင်းချိတ်ဆက်နိုင်စေပါသည်။ ဤနည်းဖြင့် Cloud ကိုအသုံးပြုခြင်းထက် အားသာချက်များကား အဘယ်နည်း။

ကျွန်ုပ်တို့သည် သုံးစွဲသူများအား AI ၏လုပ်ဆောင်နိုင်စွမ်းကို အလျှော့မပေးဘဲ ၎င်းတို့အလိုရှိသည့်နေရာတိုင်းတွင် ထားရှိရန် ရွေးချယ်ခွင့်ကို ပေးပါသည်။ AI ဖွံ့ဖြိုးတိုးတက်မှုတွင် လက်ရှိအခြေအနေမှာ ကုမ္ပဏီများသည် cloud-based AI ဝန်ဆောင်မှုများကိုအသုံးပြုရန် တစ်ခုတည်းသောရွေးချယ်ခွင့်ဖြစ်သောကြောင့် လုံခြုံရေး၊ လျှို့ဝှက်ရေး သို့မဟုတ် လုပ်ဆောင်နိုင်စွမ်းများကို အလျှော့အတင်းလုပ်ခိုင်းခြင်းပင်ဖြစ်သည်။ ကုမ္ပဏီများသည် ၎င်းတို့၏ ကိုယ်ပိုင် AI ကို အိမ်တွင်း၌ တည်ဆောက်ရန် ကြိုးစားပါက၊ ၎င်းသည် မကြာခဏ ငွေနှင့် အချိန်များစွာ လိုအပ်ပြီး ROI သည် စွန့်စားရခဲလှပါသည်။ ကုမ္ပဏီများသည် Cloud ချိတ်ဆက်မှုမရှိသော စက်ပစ္စည်းတစ်ခုစီတွင် AI ကို အသုံးချလိုပါက ပရောဂျက်သည် လျင်မြန်စွာ မဖြစ်နိုင်တော့ပါ။ ရလဒ်အနေဖြင့် AI ကို မွေးစားခြင်းသည် စိတ်ကူးယဉ်မှုတစ်ခု ဖြစ်လာသည်။

ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် AI ကို အသုံးပြု၍ တတ်နိုင်စေပြီး ကုမ္ပဏီများအား နည်းပညာပိုင်းဆိုင်ရာ သို့မဟုတ် ငွေကြေးဆိုင်ရာ အပိုပစ္စည်းများမပါဘဲ AI ဖွံ့ဖြိုးတိုးတက်မှုနှင့် မွေးစားခြင်းကို စူးစမ်းရန် နည်းလမ်းတစ်ခုပေးသည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် သုံးစွဲသူများအား ဖွံ့ဖြိုးတိုးတက်မှုမှ ဖြန့်ကျက်ခြင်းသို့ ချောမွေ့စွာ ခြေလှမ်းတစ်လှမ်း လှမ်းနိုင်စေပါသည်။

ကျွန်ုပ်တို့၏ပလပ်ဖောင်းသည် နက်ရှိုင်းသောသင်ယူမှု သို့မဟုတ် အားဖြည့်သင်ယူမှုကဲ့သို့သော အခြား "အမွေအနှစ်" မော်ဒယ်များ၏ သိုလှောင်မှုသက်တမ်းကို ပေါင်းစပ်ပြီး သက်တမ်းတိုးပေးကာ ကုမ္ပဏီများကို လက်ရှိစနစ်များကို အသစ်သောအပလီကေးရှင်းများအဖြစ် ပြန်လည်အသုံးချကာ ပေါင်းစည်းရန် ကူညီပေးသည်။ အလားတူပင်၊ ကျွန်ုပ်တို့၏ အယ်လဂိုရီသမ်များနှင့် ဗိသုကာလက်ရာများသည် ထူးခြားသောကြောင့်၊ ကျွန်ုပ်တို့၏ မော်ဒယ်များသည် အနက်ရောင်သေတ္တာများမဟုတ်သောကြောင့် စနစ်လေ့လာသိရှိလာသမျှကို လူသားများက စူးစမ်းပြီး အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်ကာ အခြားစီးပွားရေးနယ်ပယ်များသို့ တိုးချဲ့သွားနိုင်သည်။

Distributed Artificial Intelligence (DAI) သည် Artificial General Intelligence (AGI) သို့ ဦးတည်သွားနိုင်သည်ဟု အချို့က ယုံကြည်ကြသည်။ သင်သည် ဤသီအိုရီကို စာရင်းသွင်းပါသလား။

ငါလုပ်တယ်၊ အဲဒါက ငါတို့ကိုယ်တိုင် ချမှတ်ထားတဲ့ လမ်းကြောင်းကြောင့် မဟုတ်ဘူး။ ဦးနှောက်ကိုကြည့်သောအခါ၊ ၎င်းသည် monolithic စနစ်မဟုတ်ပါ။ ၎င်းသည် ကျဉ်းမြောင်းသော ဦးနှောက်လုပ်ဆောင်ချက်များကို အထူးပြုသည့် သီးခြားခွဲဝေစနစ်များဖြင့် ဖွဲ့စည်းထားသည်။ စနစ်တစ်ခု၏ လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ မသိနိုင်သော်လည်း ၎င်း၏ ဆုံးဖြတ်ချက်များသည် ၎င်းရရှိသည့် သတင်းအချက်အလက် အမျိုးအစားနှင့် အချိန်နှင့်အမျှ ယင်းအချက်အလက်များ ပြောင်းလဲပုံတို့အပေါ် သိသိသာသာ မူတည်နေကြောင်း ကျွန်ုပ်တို့ သိပါသည်။ (ဒါကြောင့်မို့လို့ အာရုံကြောသိပ္ပံဆိုင်ရာ ခေါင်းစဉ်တွေလိုမျိုးပေါ့။ ချိတ်ဆက်မှု အရမ်းနာမည်ကြီးတယ်။)

ကျွန်တော့်အမြင်အရ၊ ကျွန်ုပ်တို့သည် လိုက်လျောညီထွေရှိသော AI ကို တည်ဆောက်လိုပါက ၎င်းသည် ဦးနှောက်ကဲ့သို့ ပြုမူပြီး စွမ်းဆောင်နိုင်စေလိုပါက ဦးနှောက်အတွင်းရှိ ကျွန်ုပ်တို့မြင်နေရသော ဖြန့်ဝေထားသော ဗိသုကာလက်ရာများကို ထည့်သွင်းစဉ်းစားရန် သင့်လျော်ပါသည်။ Multi-layer networks သို့မဟုတ် CNNs ကဲ့သို့သော နက်နဲသော သင်ယူမှု ဗိသုကာလက်ရာများကို ဦးနှောက်ထဲတွင် တွေ့ရှိနိုင်သည်ဟု စောဒကတက်နိုင်သည်မှာ မှန်သော်လည်း ထိုဗိသုကာလက်ရာများသည် ဦးနှောက်နှင့်ပတ်သက်သည့် သိထားသောအရာများအပေါ် အခြေခံထားခြင်းဖြစ်သည် 50 လွန်ခဲ့တဲ့နှစ်ပေါင်း.

DAI ၏အခြားရွေးချယ်စရာမှာ နက်ရှိုင်းသောသင်ယူမှု သို့မဟုတ် အားဖြည့်သင်ယူမှုတွင်ကျွန်ုပ်တို့တွေ့မြင်ရသည့် တစ်ခုတည်းသောဆုံးဖြတ်ချက်နေရာတစ်ခုနှင့် တင်းကျပ်စွာပေါင်းစပ်ထားသည့် monolithic၊ မပြောင်းလဲနိုင်သောဗိသုကာများကိုဆက်လက်လုပ်ဆောင်ရန်ဖြစ်သည်။ ဤကန့်သတ်ချက်များသည် ပါရာမီတာကို ပြုပြင်ပြောင်းလဲခြင်း သို့မဟုတ် အလွှာများထပ်ထည့်ခြင်း သို့မဟုတ် ဒေတာအေးစက်ခြင်းကိစ္စမျှသာမဟုတ်ပါ - ဤပြဿနာများသည် နက်ရှိုင်းသောသင်ယူမှုနှင့် အားဖြည့်သင်ကြားခြင်းအတွက် အခြေခံအချက်များဖြစ်သည်၊ အနည်းဆုံး ယနေ့ကျွန်ုပ်တို့သတ်မှတ်ထားသည့်အတိုင်း ချဉ်းကပ်မှုအသစ်များ လိုအပ်သည် မနက်ဖြန်၏ AI ကို ဆန်းသစ်တီထွင်ပြီး ဆက်လက်တည်ဆောက်ရန်။

DAI ကို အသုံးပြု၍ AGI အောင်မြင်မှုသည် OpenAI နှင့် DeepMind ကဲ့သို့သော ကုမ္ပဏီများမှ လက်ရှိလိုက်စားနေသော အားဖြည့်သင်ကြားမှုနှင့်/သို့မဟုတ် နက်နဲသောသင်ယူမှုနည်းလမ်းများထက် ပိုများသည်ဟု သင်ယုံကြည်ပါသလား။

ဟုတ်တယ်၊ သူတို့ဘလော့ဂ်ရေးနေပေမယ့် OpenAI နဲ့ DeepMind က သူတို့ခွင့်ပြုထားတာထက် ပိုဖြန့်ဝေနေတဲ့ ဗိသုကာတွေကို အသုံးပြုနေတယ်လို့ သံသယရှိမိပါတယ်။ လွှဲပြောင်းသင်ယူခြင်း သို့မဟုတ် ဖက်ဒရယ်/ဖြန့်ဝေသင်ကြားခြင်းကဲ့သို့သော စနစ်ပေါင်းစုံစိန်ခေါ်မှုများအကြောင်း ပိုမိုကြားသိရပြီး၊ နက်နဲသောသင်ယူမှုနှင့် အားဖြည့်သင်ယူမှုချဉ်းကပ်မှုများသည် အဆိုပါစိန်ခေါ်မှုများအတွက် မည်သို့မျှ အလုပ်မဖြစ်တော့ကြောင်းနှင့် တိုက်ဆိုင်ပါသည်။ Yoshua Bengio ကဲ့သို့သော ရှေ့ဆောင်များထံမှ ဇီဝဗေဒဆိုင်ရာ မှုတ်သွင်းခံ ဗိသုကာလက်ရာများသည် ကွာဟချက်ကို မည်ကဲ့သို့ ပေါင်းကူးပေးနိုင်ကြောင်းကိုလည်း ကျွန်ုပ်တို့ ကြားနေရပါသည်။ ကျွန်ုပ်သည် ဇီဝဗေဒဆိုင်ရာ မှုတ်သွင်းခံ AI ကို အနှစ် 20 နီးပါး လုပ်ကိုင်ခဲ့ပြီး၊ ထို့ကြောင့် Quorum AI တွင် ကျွန်ုပ်တို့ သင်ယူခဲ့ရာများနှင့် ကျွန်ုပ်တို့ ယုံကြည်ထားသည်များကို ကျော်လွှားမည့် AI မျိုးဆက်သစ်များ တည်ဆောက်ရန် ၎င်းကို မည်သို့အသုံးပြုနေပုံနှင့် ပတ်သက်၍ အလွန်ကောင်းမွန်ပါသည်။ ဤကန့်သတ်ချက်များ။

Quorum AI အကြောင်း သင်မျှဝေလိုသည့် အခြားအရာများ ရှိပါသလား။

ကျွန်ုပ်တို့သည် ဖြန့်ဝေခြင်းနှင့် အေးဂျင့်အခြေပြု AI အတွက် ကျွန်ုပ်တို့၏ပလပ်ဖောင်းအသစ်ကို အကြိုကြည့်ရှုပါမည်။ Federated and Distributed Machine Learning Conference 2020 ခုနှစ် ဇွန်လတွင် ဟောပြောချက်အတွင်း၊ စာနာနားလည်မှုဆိုင်ရာ AI ကိုရရှိရန် ပေါင်းကူးအဖြစ် သဘောထားခွဲခြမ်းစိတ်ဖြာခြင်းအပါအဝင် အကြောင်းအရာများစွာအတွက် မကြာသေးမီက အချက်အလက်အချို့ကို တင်ပြရန် စီစဉ်ထားပါသည်။

ဤအံ့သြဖွယ်အဖြေများအတွက် နောဧအား အထူးကျေးဇူးတင်ရှိလိုပြီး ထိုနေရာကို သွားရောက်ကြည့်ရှုရန် အကြံပြုလိုပါသည်။ quorum ပိုမိုလေ့လာသင်ယူရန်။