Ulepszanie sztucznej inteligencji z wykorzystaniem widzenia komputerowego poprzez świadomość fizyczną

Sztuczna inteligencja niepodważalnie pozostawiła niezatarte piętno na naszym życiu. W pionierskich wysiłkach, aby dalej udoskonalać możliwości sztucznej inteligencji, badacze z UCLA i Laboratorium Badawczego Armii Stanów Zjednoczonych ujawnili unikalne podejście, które łączy świadomość fizyczną z technikami opartymi na danych w technologiach widzenia komputerowego z wykorzystaniem sztucznej inteligencji.

Badanie, opublikowane w Nature Machine Intelligence, proponuje przełomową hybrydową metodologię mającą na celu udoskonalenie sposobu, w jaki maszyny z wykorzystaniem sztucznej inteligencji postrzegają, взаимодействują i reagują na swoje środowisko w czasie rzeczywistym — co jest kluczowe dla pojazdów autonomicznych i robotów precyzyjnych.

Hybrydowe podejście do świadomości fizycznej sztucznej inteligencji

Tradycyjnie, widzenie komputerowe, dziedzina, która umożliwia sztucznej inteligencji zrozumienie i wnioskowanie o właściwościach świata fizycznego z obrazów, koncentrowało się głównie na opartym na danych uczeniu maszynowym. Równocześnie, badania oparte na fizyce dążyły do wyjaśnienia podstawowych zasad fizycznych leżących u podstaw wielu wyzwań związanych z widzeniem komputerowym. Niemniej, włączenie zrozumienia fizyki do sfery sieci neuronowych okazało się wyzwaniem.

W znaczącym przełomie, badanie UCLA ma na celu połączenie głębokiego zrozumienia danych i rzeczywistej wiedzy z fizyki, tworząc w ten sposób hybrydową sztuczną inteligencję z rozszerzonymi możliwościami. Achuta Kadambi, korespondencyjny autor badania i asystent profesora inżynierii elektrycznej i komputerowej w UCLA Samueli School of Engineering, wyjaśnia, “Formy wnioskowania świadomej fizycznie mogą umożliwić samochodom jazdę w sposób bezpieczniejszy lub robotom chirurgicznym być bardziej precyzyjnymi.”

Włączanie fizyki do sztucznej inteligencji widzenia komputerowego

Zespół badawczy przedstawia trzy innowacyjne sposoby na włączenie fizyki do sztucznej inteligencji widzenia komputerowego:

1. Nasycanie fizyką zbiorów danych: Obejmuje to oznaczenie obiektów dodatkowymi informacjami, takimi jak ich potencjalna prędkość lub waga, podobnie jak postacie w grach wideo.
2. Włączanie fizyki do architektur sieci: Ta strategia obejmuje przepuszczanie danych przez filtr sieci, który koduje właściwości fizyczne w tym, co rejestrują kamery.
3. Włączanie fizyki do funkcji straty sieci: Tutaj wykorzystuje się wiedzę opartą na fizyce, aby pomóc sztucznej inteligencji w interpretowaniu danych szkoleniowych na podstawie obserwacji.

Te eksperymentalne linie badań już wykazały obiecujące wyniki w udoskonaleniu widzenia komputerowego. Na przykład, hybrydowe podejście umożliwia sztucznej inteligencji śledzenie i przewidywanie ruchu obiektu z większą precyzją i może tworzyć dokładne, wysokiej rozdzielczości obrazy z scen ukrytych przez niekorzystne warunki pogodowe.

Przyszłość świadomości fizycznej sztucznej inteligencji

Badacze są optymistyczni, że dalsze postępy w tym podwójnym podejściu mogą doprowadzić do tego, że głębokie sieci neuronowe z wykorzystaniem sztucznej inteligencji będą w stanie niezależnie uczyć się praw fizyki. Mogłoby to oznaczać nową granicę w technologiach widzenia komputerowego z wykorzystaniem sztucznej inteligencji, otwierając drogę do bezpieczniejszego i bardziej precyzyjnego zastosowania sztucznej inteligencji w różnych sektorach, w tym w pojazdach autonomicznych i robotyce chirurgicznej.

Badanie, wspierane częściowo przez grant z Laboratorium Badawczego Armii, zostało współautorskie przez komputera naukowego Armii Celso de Melo, oraz członków wydziału UCLA Stefano Soatto, Cho-Jui Hsieh i Mani Srivastava. Dodatkowe finansowanie pochodziło z grantów z Narodowej Fundacji Nauki, Programu Młodych Badaczy Armii, Agencji Zaawansowanych Projektów Badawczych Obrony, Intrinsic, spółki Alphabet (GOOG ) (GOOGL ), oraz Amazon.