โนอาห์ ชวาร์ตซ์ ผู้ร่วมก่อตั้งและซีอีโอของ Quorum AI – สัมภาษณ์ ซีรีส์

โนอาห์เป็นนักออกแบบระบบ AI ก่อนที่จะก่อตั้ง Quorum AI โนอาห์ใช้เวลา 12 ปีในการวิจัยทางวิชาการที่มหาวิทยาลัยแคลิฟอร์เนียใต้และมหาวิทยาลัยนอร์ทเวสเทิร์นในตำแหน่งผู้ช่วยประธานสาขาประสาทวิทยา งานของเขาเน้นไปที่การประมวลผลข้อมูลในสมอง และเขาได้นำผลการวิจัยของเขาไปใช้ในการพัฒนาผลิตภัณฑ์ในด้านความเป็นจริงเสริม อินเทอร์เฟซสมองและคอมพิวเตอร์ การมองเห็นคอมพิวเตอร์ และระบบควบคุมหุ่นยนต์แบบฝังตัว

ความสนใจของคุณใน AI และหุ่นยนต์เริ่มต้นตั้งแต่คุณเป็นเด็ก คุณได้รับการแนะนำให้รู้จักกับเทคโนโลยีเหล่านี้อย่างไร?

การเริ่มต้นเกิดขึ้นจากภาพยนตร์แนววิทยาศาสตร์และความชอบในอิเล็กทรอนิกส์ ฉันจำได้ว่าฉันเคยดูภาพยนตร์ Tron เมื่อฉันอายุ 8 ขวบ ตามด้วย Electric Dreams, Short Circuit, DARYL, War Games และอื่นๆ ในช่วงหลายปีต่อมา แม้ว่าจะถูกนำเสนอผ่านเรื่องราวที่ไม่จริง แต่ความคิดของปัญญาประดิษฐ์ทำให้ฉันประทับใจ และแม้ว่าฉันอายุเพียง 8 ขวบ แต่ฉันก็รู้สึกถึงความเชื่อมโยงและดึงดูดที่รุนแรงต่อ AI ที่ไม่เคยลดลงในเวลาต่อมา

ความสนใจของคุณใน AI และหุ่นยนต์เปลี่ยนแปลงไปอย่างไร?

ความสนใจของฉันใน AI และหุ่นยนต์เติบโตขึ้นพร้อมกับความหลงใหลในสมอง พ่อของฉันเป็นครูสอนชีววิทยาและจะสอนฉันเกี่ยวกับร่างกาย วิธีการทำงาน และวิธีการเชื่อมต่อของสิ่งต่างๆ เมื่อมองไปที่ AI และสมอง ฉันรู้สึกว่ามันเป็นปัญหาเดียวกัน – หรืออย่างน้อยก็มีคำถามสุดท้ายเดียวกัน ซึ่งก็คือ “มันทำงานอย่างไร?” ฉันสนใจทั้งสองอย่าง แต่ฉันไม่ได้รับการสัมผัสกับ AI หรือหุ่นยนต์มากนักในโรงเรียน ดังนั้นฉันจึงติดตาม AI ในเวลาว่างและเรียนชีววิทยาและจิตวิทยาในโรงเรียน

เมื่อฉันเข้ามหาวิทยาลัย ฉันค้นพบหนังสือ Parallel Distributed Processing (PDP) ซึ่งเป็นการแนะนำฉันให้รู้จักกับ AI จริงๆ ซึ่งนำฉันไปสู่คลาสสิก เช่น Hebb, Rosenblatt และแม้กระทั่ง McCulloch และ Pitts ฉันเริ่มสร้างเครือข่ายประสาทเทียมตามโครงสร้างของสมองและที่ฉันเรียนรู้จากชีววิทยาและจิตวิทยาคลาสในโรงเรียน หลังจากสำเร็จการศึกษา ฉันทำงานเป็นวิศวกรเครือข่ายคอมพิวเตอร์ โดยสร้างเครือข่ายที่ซับซ้อนและเขียนซอฟต์แวร์เพื่อทำให้การไหลเวียนของข้อมูลในเครือข่ายเป็นไปโดยอัตโนมัติ – เหมือนกับการสร้างสมองขนาดใหญ่ งานนี้ทำให้ความหลงใหลใน AI ของฉันกลับมาอีกครั้ง และกระตุ้นให้ฉันเข้าเรียนสาขา AI และประสาทวิทยาในระดับบัณฑิตศึกษา และส่วนที่เหลือคือประวัติศาสตร์

ก่อนที่คุณจะก่อตั้ง Quorum AI คุณใช้เวลา 12 ปีในการวิจัยทางวิชาการที่มหาวิทยาลัยแคลิฟอร์เนียใต้และมหาวิทยาลัยนอร์ทเวสเทิร์นในตำแหน่งผู้ช่วยประธานสาขาประสาทวิทยา ในช่วงเวลานั้น งานของคุณมุ่งเน้นไปที่การประมวลผลข้อมูลในสมอง คุณสามารถพาเราผ่านการวิจัยบางส่วนได้หรือไม่?

ในแง่กว้างๆ งานวิจัยของฉันพยายามที่จะเข้าใจคำถาม: “สมองทำอะไรได้บ้างโดยใช้เฉพาะสิ่งที่มี?” ฉันไม่เชื่อว่าสมองเป็นคอมพิวเตอร์ (ในความหมายของ von Neumann) ฉันเห็นมันเป็นเครือข่ายขนาดใหญ่ที่ส่วนใหญ่ทำงานแบบกระตุ้น-ตอบสนองและเข้ารหัสสัญญาณ เมื่อเรา zoom ใน เราจะเห็นว่ามีรูปแบบการเชื่อมต่อที่ชัดเจนระหว่างพื้นที่ที่มีหน้าที่เฉพาะ เมื่อเรา zoom ในอีกครั้ง เราจะเห็นว่าเซลล์ประสาทไม่สนใจสัญญาณที่พวกมันกำลังถ่ายทอดหรือส่วนใดของสมองที่พวกมันอยู่ – พวกมันทำงานตามกฎที่คาดการณ์ได้ หากเราต้องการเข้าใจหน้าที่ของพื้นที่เหล่านี้ เราต้องถามคำถามบางคำถาม: (1) เมื่อข้อมูลเข้ามาในเครือข่าย ข้อมูลจะรวมกับข้อมูลอื่นๆ เพื่อสร้างการตัดสินใจอย่างไร? (2) โครงสร้างของพื้นที่เหล่านี้จะก่อตัวขึ้นอย่างไรจากประสบการณ์? และ (3) พวกมันจะเปลี่ยนแปลงอย่างไรเมื่อเราสามารถใช้สมองและเรียนรู้ได้ตลอดเวลา? งานวิจัยของฉันพยายามที่จะตอบคำถามเหล่านี้โดยใช้การวิจัยเชิงทดลองผสมผสานกับทฤษฎีข้อมูลและการสร้างแบบจำลองและจำลอง – ซึ่งสามารถช่วยให้เราสร้างระบบการตัดสินใจที่เป็นเทียมและ AI ได้ ในแง่ของประสาทวิทยา ฉันศึกษาการเปลี่ยนแปลงของสมองและจุลกายวิภาคของพื้นที่ที่มีหน้าที่เฉพาะ เช่น คอร์เทกซ์ภาพ

จากนั้นคุณได้นำงานของคุณไปใช้ในความเป็นจริงเสริมและอินเทอร์เฟซสมองและคอมพิวเตอร์ คุณสามารถบอกเราเกี่ยวกับผลิตภัณฑ์ที่คุณทำงานได้หรือไม่?

ในปี 2008 ฉันทำงานในโครงการที่เราจะเรียกว่าความเป็นจริงเสริม แต่ในสมัยนั้นเป็นระบบสำหรับการติดตามและการคาดการณ์การเคลื่อนไหวของดวงตา และใช้การคาดการณ์เหล่านั้นเพื่อปรับปรุงสิ่งที่อยู่บนหน้าจอ เพื่อให้ระบบทำงานได้แบบเรียลไทม์ ฉันสร้างแบบจำลองที่ได้รับแรงบันดาลใจจากชีววิทยาที่สามารถคาดการณ์ได้ว่าผู้ชมจะดูสิ่งใดโดยอาศัยการเคลื่อนไหวของดวงตาที่เล็กน้อย – การเคลื่อนไหวของดวงตาที่เกิดขึ้นก่อนที่คุณจะย้ายดวงตา เมื่อใช้แบบจำลองนี้ ฉันสามารถคาดการณ์ได้ว่าผู้ชมจะดูสิ่งใด และจากนั้นปรับปรุงเฟรมบัฟเฟอร์ในการ์ดกราฟิกในขณะที่ดวงตายังคงอยู่ในระหว่างการเคลื่อนไหว เมื่อดวงตาของผู้ชมถึงตำแหน่งใหม่บนหน้าจอ ภาพก็ถูกปรับปรุงแล้ว เทคโนโลยีนี้น่าประทับใจ แต่โครงการไม่ได้รับการสนับสนุนในรอบถัดไป ดังนั้นจึงต้องยุติลง

ในปี 2011 ฉันพยายามพัฒนาผลิตภัณฑ์อย่างจริงจังและสร้างเครือข่ายประสาทเทียมที่สามารถทำการค้นพบคุณลักษณะในข้อมูล EEG ที่ส่งจากหนังศีรษะได้ นี่คือหน้าที่หลักของระบบอินเทอร์เฟซสมองและคอมพิวเตอร์ส่วนใหญ่ โครงการนี้ยังเป็นการทดลองในการ “ลดขนาดของฟุตพริ้นท์” ให้เล็กที่สุดเท่าที่จะเป็นไปได้ เรามีหูฟังที่อ่านข้อมูล EEG หลายช่องทางที่ 400Hz ที่ส่งผ่าน Bluetooth ไปยังโทรศัพท์ Android สำหรับการค้นพบคุณลักษณะและการจำแนกประเภท และจากนั้นส่งไปยังตัวควบคุม Arduino ที่เราติดตั้งเข้ากับรถ RC ที่มีจำหน่าย เมื่อใช้งาน ผู้ที่สวมหูฟัง EEG สามารถขับและควบคุมรถได้โดยการเปลี่ยนความคิดของตนเองจากทำคณิตศาสตร์ไปสู่การร้องเพลง อัลกอริทึมทำงานบนโทรศัพท์และสร้าง “ลายนิ้วมือสมอง” ส่วนบุคคลสำหรับผู้ใช้แต่ละคน ทำให้พวกเขาสามารถเปลี่ยนระหว่างอุปกรณ์หุ่นยนต์ต่างๆ ได้โดยไม่ต้องฝึกอบรมใหม่ในแต่ละอุปกรณ์ สโลแกนที่เราคิดค้นขึ้นคือ “Brain Control Meets Plug-and-Play”

ในปี 2012 เราได้ขยายระบบให้ทำงานในลักษณะที่กระจายและใช้ฮาร์ดแวร์ที่เล็กกว่า เราใช้มันเพื่อควบคุมแขนหุ่นยนต์ที่มีหลายส่วนและหลายข้อต่อ โดยแต่ละส่วนถูกควบคุมโดยโปรเซสเซอร์อิสระที่ทำงานอัลกอริทึม AI ที่ฝังตัวแทนของเรา แทนที่จะใช้ตัวควบคุมกลางเพื่อควบคุมแขน เราปล่อยให้ส่วนต่างๆ ของแขนจัดระเบียบและเข้าถึงเป้าหมายในลักษณะที่กระจายและคล้ายกับฝูง

เรายังคงเดินหน้าต่อไปในแนวทางเดียวกันเมื่อเราล่องเรือ Quorum AI – ซึ่งเดิมเรียกว่า Quorum Robotics – ในปี 2013 เราได้เริ่มรู้ว่าระบบนั้นยอดเยี่ยมเนื่องจากอัลกอริทึมและสถาปัตยกรรม ไม่ใช่ฮาร์ดแวร์ ดังนั้นในปี 2014 เราจึงเปลี่ยนไปเป็นซอฟต์แวร์อย่างสมบูรณ์ ตอนนี้ 8 ปีต่อมา Quorum AI กำลังเดินทางกลับไปยังรากฐานของหุ่นยนต์โดยใช้เฟรมเวิร์กของเราในการแข่งขันหุ่นยนต์อวกาศของ NASA

การลาออกจากงานเป็นอาจารย์ในการก่อตั้งบริษัทสตาร์ทอัพต้องเป็นการตัดสินใจที่ยากมาก คุณได้รับแรงบันดาลใจจากอะไรในการตัดสินใจนี้?

มันเป็นก้าวยักษ์สำหรับฉันในหลายๆ ด้าน แต่เมื่อโอกาสมาถึงและเส้นทางกลายเป็นชัดเจน มันคือการตัดสินใจที่ง่าย เมื่อคุณเป็นอาจารย์ คุณคิดในระยะเวลหลายปีและทำงานในเป้าหมายการวิจัยระยะยาว การก่อตั้งบริษัทสตาร์ทอัพเป็นสิ่งที่ตรงกันข้ามกับ điều đó อย่างไรก็ตาม สิ่งหนึ่งที่ชีวิตอาจารย์และชีวิตสตาร์ทอัพมีร่วมกันคือทั้งสองต้องเรียนรู้และแก้ปัญหาอย่างต่อเนื่อง ในสตาร์ทอัพ สิ่งนี้อาจหมายถึงการลองแก้ปัญหาใหม่ๆ เพื่อลดความเสี่ยงในการพัฒนาผลิตภัณฑ์ หรืออาจจะศึกษาสาขาใหม่ที่สามารถใช้เทคโนโลยีของเราได้ การทำงานใน AI คือสิ่งที่ใกล้เคียงกับการ “เรียก” มากที่สุดเท่าที่ฉันเคยรู้สึก ดังนั้น尽管มี挑战และความผันผวน ฉันรู้สึกดีใจที่ได้ทำสิ่งที่ฉันทำ

คุณได้พัฒนา Quorum AI ซึ่งพัฒนา AI ที่กระจายและทำงานแบบเรียลไทม์สำหรับอุปกรณ์และแพลตฟอร์มทุกประเภท คุณสามารถอธิบายได้ว่าแพลตฟอร์ม AI นี้ทำอะไรบ้าง?

แพลตฟอร์มเรียกว่า Environment for Virtual Agents (EVA) และช่วยให้ผู้ใช้สามารถสร้างฝึกอบรมและปรับใช้แบบจำลองโดยใช้ Engram AI Engine ของเรา Engram เป็นตัวหุ้มที่ยืดหยุ่นและพกพาได้ที่เราสร้างขึ้นรอบๆ อัลกอริทึมการเรียนรู้โดยไม่มีการกำกับของเรา อัลกอริทึมเหล่านี้มีประสิทธิภาพมากจนสามารถเรียนรู้ได้แบบเรียลไทม์ขณะที่แบบจำลองกำลังสร้างการคาดการณ์ เนื่องจากอัลกอริทึมเหล่านี้ไม่ขึ้นอยู่กับงานใดๆ จึงไม่มีการเข้าหรือออกของแบบจำลอง ดังนั้นการคาดการณ์จึงสามารถทำได้ในลักษณะแบบเบย์สำหรับขนาดใดๆ โดยไม่ต้องฝึกอบรมและไม่ต้องเสียโอกาสจากความลืมที่รุนแรง แบบจำลองเหล่านี้ยังเป็นแบบโปร่งใสและสามารถแยกออกได้ หมายความว่าสามารถตรวจสอบและแยกออกเป็นส่วนๆ ได้โดยไม่สูญเสียสิ่งที่ได้เรียนรู้

เมื่อสร้างแบบจำลองแล้ว สามารถปรับใช้ได้โดยใช้ EVA ไปยังแพลตฟอร์มใดๆ ตั้งแต่ฮาร์ดแวร์ที่ฝังตัวแบบกำหนดเองไปจนถึงคลาวด์ EVA (และซอฟต์แวร์ฮอสต์ที่ฝังตัว) ยังมีเครื่องมือหลายอย่างเพื่อขยายฟังก์ชันการทำงานของแบบจำลอง ตัวอย่างเช่น แบบจำลองสามารถแบ่งปันระหว่างระบบโดยใช้ระบบเผยแพร่/การสมัครสมาชิก ทำให้ระบบกระจายสามารถบรรลุการเรียนรู้แบบสหพันธ์เหนือเวลาและพื้นที่ แบบจำลองสามารถปรับใช้เป็นตัวแทนอิสระเพื่อทำงาน任意ได้ และเนื่องจากแบบจำลองไม่ขึ้นอยู่กับงานใดๆ งานจึงสามารถเปลี่ยนแปลงได้ระหว่างการทำงานโดยไม่ต้องฝึกอบรมใหม่ ตัวแทนแต่ละตัวสามารถขยายได้ด้วย “เสมือน” EVA ส่วนตัว ทำให้ตัวแทนสามารถจำลองแบบจำลองของตัวแทนอื่นๆ ได้ในลักษณะที่ไม่มีข้อจำกัด สุดท้าย เราได้สร้างตัวหุ้มสำหรับระบบการเรียนรู้แบบลึกและแบบเสริม (แบบ Keras) เพื่อให้แบบจำลองเหล่านี้สามารถทำงานบนแพลตฟอร์มได้พร้อมกับระบบ Engram ที่ยืดหยุ่น

คุณ曾อธิบายอัลกอริทึม Quorum AI ว่าเป็น “กวีนิพนธ์ทางคณิตศาสตร์” คุณหมายถึงอะไร?

เมื่อคุณสร้างแบบจำลอง คุณจะเริ่มต้นด้วยการทำรายการสิ่งที่คุณมี จากนั้นลองใช้แบบจำลองที่รู้จักกันดีเพื่อพยายามเข้าใกล้ระบบ เมื่อความจริงแล้วคุณกำลังสร้างภาพวาดคร่าวๆ ของระบบเพื่อดูว่าสิ่งใดดีที่สุด คุณไม่คาดหวังว่าสิ่งเหล่านั้นจะเหมาะกับข้อมูลมากนัก และมีการทดลองและลองผิดลองถูกเล็กน้อยเมื่อคุณทดสอบสมมติฐานต่างๆ เกี่ยวกับว่าระบบทำงานอย่างไร แต่ด้วยความเชี่ยวชาญเล็กน้อย คุณสามารถจับข้อมูลได้ค่อนข้างดี

เมื่อฉันสร้างแบบจำลองการเปลี่ยนแปลงของสมอง ฉันเริ่มต้นด้วยการทำแผนที่ทั้งหมดของเส้นทางระดับโมเลกุล สภาวะการเปลี่ยนแปลง และพลวัตที่ฉันคิดว่ามีความสำคัญ แต่ฉันพบว่าเมื่อฉัน ลด ระบบลงเหลือส่วนประกอบพื้นฐานและจัดเรียงส่วนประกอบเหล่านั้นในลักษณะเฉพาะ แบบจำลองก็แม่นยำมากขึ้นจนกระทั่งเข้ากับข้อมูลได้อย่างสมบูรณ์แบบ มันเหมือนกับว่าทุกตัวดำเนินการและตัวแปรในสมการเป็นสิ่งที่จำเป็นและไม่มีสิ่งใดที่ไม่จำเป็น และทุกอย่างล้วนจำเป็นต่อการเข้ากับข้อมูล

เมื่อฉันเสียบแบบจำลองเข้ากับการจำลองที่ใหญ่ขึ้น เช่น การพัฒนาระบบการมองเห็นหรือการรู้จับใบหน้า แบบจำลองสามารถสร้างรูปแบบการเชื่อมต่อที่ซับซ้อนได้ซึ่งตรงกับสิ่งที่เราเห็นในสมอง เนื่องจากแบบจำลองเป็นทางคณิตศาสตร์ รูปแบบเหล่านั้นจึงสามารถเข้าใจได้โดยใช้การวิเคราะห์ทางคณิตศาสตร์ ซึ่งให้ข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับสิ่งที่สมองกำลังเรียนรู้ ตั้งแต่นั้นมา เราได้แก้ไขและทำให้สมการเชิงอนุพันธ์ที่ประกอบเป็นแบบจำลองให้ง่ายขึ้น โดยปรับปรุงประสิทธิภาพการคำนวณหลายอันดับของขนาด มันอาจจะไม่ใช่กวีนิพนธ์จริงๆ แต่มันรู้สึกเหมือนกัน!

แพลตฟอร์ม Quorum AI ช่วยให้อุปกรณ์ต่างๆ สามารถเชื่อมต่อกันเพื่อเรียนรู้และแบ่งปันข้อมูลโดยไม่ต้องส่งผ่านเซิร์ฟเวอร์คลาวด์ มีอะไรดีเกี่ยวกับการทำแบบนี้มากกว่าการใช้คลาวด์?

เรามอบให้ผู้ใช้สามารถวาง AI ใดๆ ที่ต้องการโดยไม่กระทบต่อฟังก์ชันการทำงานของ AI สถานะปัจจุบันในการพัฒนา AI คือบริษัทต่างๆ มักถูกบังคับให้ประนีประนอมด้านความปลอดภัย ความเป็นส่วนตัว หรือฟังก์ชันการทำงาน เนื่องจากทางเลือกเดียวของพวกเขาคือการใช้บริการ AI บนคลาวด์ หากบริษัทต่างๆ พยายามสร้าง AI ในบ้านของตนเอง มักจะต้องใช้เงินและเวลาอย่างมาก และผลตอบแทนมักไม่คุ้มค่ากับความเสี่ยง หากบริษัทต่างๆ ต้องการปรับใช้ AI ไปยังอุปกรณ์ที่ไม่เชื่อมต่อกับคลาวด์ โครงการนั้นจะกลายเป็นไปไม่ได้ ดังนั้นการนำ AI ไปใช้จึงกลายเป็นความฝัน

แพลตฟอร์มของเราทำให้ AI เข้าถึงได้และราคาไม่แพง โดยให้บริษัทต่างๆ มีทางเลือกในการพัฒนาและนำ AI ไปใช้โดยไม่ต้องมีภาระทางเทคนิคหรือทางการเงิน แพลตฟอร์มของเรายังช่วยให้ผู้ใช้สามารถไปจากขั้นตอนพัฒนาไปสู่การปรับใช้ได้ในขั้นตอนเดียว

แพลตฟอร์มของเรายังรวมเข้ากับและขยายอายุการใช้งานของแบบจำลอง “มรดก” เช่น การเรียนรู้แบบลึกและการเสริม (แบบ Keras) เพื่อให้แบบจำลองเหล่านี้สามารถทำงานบนแพลตฟอร์มได้พร้อมกับแบบจำลอง Engram ที่ยืดหยุ่น

บางคนเชื่อว่า AI ที่กระจาย (DAI) อาจเป็นทางไปสู่การบรรลุ AI ทั่วไป (AGI) คุณเชื่อในทฤษฎีนี้หรือไม่?

ฉันเชื่อ และไม่ใช่แค่เพราะว่านั่นคือเส้นทางที่เราได้กำหนดไว้สำหรับตัวเอง เมื่อคุณมองไปที่สมอง มันไม่ใช่ระบบที่รวมเป็นหนึ่งเดียว มันประกอบด้วยระบบที่กระจายและแต่ละระบบมีหน้าที่เฉพาะ เราอาจไม่ทราบว่าระบบใดๆ ทำอะไร แต่เรารู้ว่าการตัดสินใจของระบบเหล่านั้นขึ้นอยู่กับข้อมูลที่ระบบเหล่านั้นได้รับและวิธีการเปลี่ยนแปลงของข้อมูลนั้นเมื่อเวลาผ่านไป (นี่คือเหตุผลที่หัวข้อเช่น connectome เป็นที่นิยม)

ในความคิดของฉัน หากเราต้องการสร้าง AI ที่ยืดหยุ่นและทำงานเหมือนสมอง มันสมเหตุสมผลที่จะพิจารณาสถาปัตยกรรมที่กระจาย เช่นเดียวกับที่เราเห็นในสมอง บางคนอาจแย้งว่าสถาปัตยกรรมการเรียนรู้แบบลึก เช่น โครงข่ายประสาทเทียมหลายชั้นหรือ CNN สามารถพบได้ในสมอง และสิ่งนี้เป็นความจริง แต่สถาปัตยกรรมเหล่านี้อิงจากสิ่งที่เรารู้เกี่ยวกับสมองเมื่อ 50 ปีที่แล้ว

ทางเลือกอื่นของ DAI คือการดำเนินการต่อด้วยสถาปัตยกรรมที่รวมเป็นหนึ่งเดียวและไม่ยืดหยุ่นซึ่งเชื่อมต่อกับพื้นที่การตัดสินใจเดียว เช่นเดียวกับที่เราเห็นในแบบเรียนรู้แบบลึกหรือการเรียนรู้แบบเสริม (หรือวิธีการเรียนรู้แบบกำกับใดๆ) ฉันจะแนะนำว่าข้อจำกัดเหล่านี้ไม่ใช่แค่เรื่องการปรับพารามิเตอร์หรือการเพิ่มชั้นหรือการปรับข้อมูล แต่เป็นปัญหาพื้นฐานของการเรียนรู้แบบลึกและการเรียนรู้แบบเสริมอย่างน้อยก็ในแบบที่เรากำหนดไว้ในปัจจุบัน ดังนั้นจึงต้องมีการเข้าถึงใหม่ๆ หากเราต้องการที่จะสร้าง AI ของอนาคต

คุณเชื่อว่าการบรรลุ AGI โดยใช้ DAI น่าจะเป็นไปได้มากกว่าการใช้การเรียนรู้แบบเสริมและการเรียนรู้แบบลึกที่บริษัทต่างๆ เช่น OpenAI และ DeepMind กำลังพัฒนาหรือไม่?

ใช่ แม้ว่าจากสิ่งที่พวกเขาบล็อก ฉันสงสัยว่า OpenAI และ DeepMind กำลังใช้สถาปัตยกรรมที่กระจายมากกว่าที่พวกเขาบอก เราเริ่มได้ยินเกี่ยวกับความท้าทายของระบบหลายระบบ เช่น การเรียนรู้แบบถ่ายโอนหรือการเรียนรู้แบบสหพันธ์/กระจาย และเกี่ยวกับวิธีการเรียนรู้แบบลึกและการเรียนรู้แบบเสริมไม่ได้ผลสำหรับความท้าทายเหล่านั้น เราเริ่มได้ยินจากผู้บุกเบิก เช่น Yoshua Bengio เกี่ยวกับว่าสถาปัตยกรรมที่ได้รับแรงบันดาลใจจากชีววิทยาอาจเป็นสะพานเชื่อมระหว่างช่องว่างนั้นได้ ฉันทำงานเกี่ยวกับ AI ที่ได้รับแรงบันดาลใจจากชีววิทยามาเกือบ 20 ปีแล้ว ดังนั้นฉันจึงรู้สึกดีเกี่ยวกับสิ่งที่เราได้เรียนรู้ที่ Quorum AI และวิธีที่เรากำลังใช้มันเพื่อสร้าง AI รุ่นต่อไปที่จะเอาชนะข้อจำกัดเหล่านั้น

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Quorum AI?

เราจะแสดงตัวอย่างแพลตฟอร์มใหม่ของเราสำหรับ AI ที่กระจายและอาศัยตัวแทนในงาน Federated และ Distributed Machine Learning Conference ในเดือนมิถุนายน 2020 ระหว่างการนำเสนอ ฉันจะนำเสนอข้อมูลล่าสุดเกี่ยวกับหัวข้อต่างๆ รวมถึงการวิเคราะห์ความรู้สึกเป็นสะพานเชื่อมในการบรรลุ AI ที่เห็นอกเห็นใจ

ฉันต้องการขอบคุณโนอาห์สำหรับคำตอบที่น่าประทับใจเหล่านี้ และฉันขอแนะนำให้คุณเยี่ยมชม Quorum เพื่อเรียนรู้เพิ่มเติม