Cải thiện tầm nhìn máy tính thông qua sự nhận thức về vật lý

Trí tuệ nhân tạo đã để lại dấu ấn không thể xóa bỏ trong cuộc sống của chúng ta. Trong một nỗ lực tiên phong nhằm nâng cao khả năng của trí tuệ nhân tạo, các nhà nghiên cứu từ UCLA và Phòng thí nghiệm Nghiên cứu Quân đội Hoa Kỳ đã tiết lộ một phương pháp độc đáo kết hợp sự nhận thức về vật lý với các kỹ thuật dựa trên dữ liệu trong các công nghệ tầm nhìn máy tính được hỗ trợ bởi trí tuệ nhân tạo.

Nghiên cứu, được công bố trên Nature Machine Intelligence, đề xuất một phương pháp luận đột phá nhằm tinh chỉnh cách máy móc dựa trên trí tuệ nhân tạo cảm nhận, tương tác và phản ứng với môi trường của nó trong thời gian thực – điều quan trọng cho xe tự hành và rô-bốt hành động chính xác.

Phương pháp kết hợp cho trí tuệ nhân tạo nhận thức về vật lý

Truyền thống, tầm nhìn máy tính, lĩnh vực cho phép trí tuệ nhân tạo hiểu và suy luận các thuộc tính của thế giới vật lý từ hình ảnh, đã tập trung chủ yếu vào học máy dựa trên dữ liệu. Đồng thời, nghiên cứu dựa trên vật lý nhằm mục đích giải mã các nguyên tắc vật lý cơ bản đằng sau nhiều thách thức về tầm nhìn máy tính. Tuy nhiên, việc kết hợp hiểu biết về vật lý vào lĩnh vực mạng nơ-ron đã chứng minh là một thách thức.

Trong một bước đột phá quan trọng, nghiên cứu của UCLA nhằm kết hợp hiểu biết sâu sắc từ dữ liệu và kiến thức thực tế về vật lý, từ đó tạo ra một trí tuệ nhân tạo kết hợp với khả năng tăng cường. Achuta Kadambi, tác giả tương ứng của nghiên cứu và là giáo sư trợ lý về kỹ thuật điện và máy tính tại Trường Kỹ thuật Samueli của UCLA, giải thích: “Các hình thức suy luận nhận thức về vật lý có thể cho phép xe tự hành lái xe an toàn hơn hoặc rô-bốt phẫu thuật chính xác hơn.”

Kết hợp vật lý vào tầm nhìn máy tính trí tuệ nhân tạo

Đội nghiên cứu phác thảo ba cách sáng tạo để tích hợp vật lý vào tầm nhìn máy tính trí tuệ nhân tạo:

1. Đầu vào vật lý vào tập dữ liệu trí tuệ nhân tạo: Điều này liên quan đến việc gắn thẻ các đối tượng với thông tin bổ sung, chẳng hạn như tốc độ hoặc trọng lượng tiềm năng của chúng, tương tự như các nhân vật trong trò chơi điện tử.
2. Tích hợp vật lý vào kiến trúc mạng: Chiến lược này liên quan đến việc chạy dữ liệu qua một bộ lọc mạng mã hóa các thuộc tính vật lý vào những gì máy ảnh chụp.
3. Kết hợp vật lý vào hàm mất mát mạng: Ở đây, kiến thức dựa trên vật lý được sử dụng để hỗ trợ trí tuệ nhân tạo trong việc giải thích dữ liệu đào tạo về quan sát của nó.

Những dòng nghiên cứu thử nghiệm này đã tạo ra những kết quả đầy hứa hẹn trong việc nâng cao tầm nhìn máy tính. Ví dụ, phương pháp kết hợp cho phép trí tuệ nhân tạo theo dõi và dự đoán chuyển động của một đối tượng một cách chính xác hơn và có thể tạo ra hình ảnh chính xác, độ phân giải cao từ các cảnh bị che khuất bởi thời tiết bất lợi.

Tương lai của trí tuệ nhân tạo nhận thức về vật lý

Các nhà nghiên cứu lạc quan rằng những tiến bộ tiếp tục trong cách tiếp cận song phương này có thể dẫn đến các trí tuệ nhân tạo dựa trên học sâu học hỏi độc lập các định luật vật lý. Điều này có thể đánh dấu một biên giới mới trong các công nghệ tầm nhìn máy tính được hỗ trợ bởi trí tuệ nhân tạo, mở đường cho các ứng dụng trí tuệ nhân tạo an toàn và chính xác hơn trong các lĩnh vực khác nhau, bao gồm xe tự hành và rô-bốt phẫu thuật.

Nghiên cứu, được hỗ trợ một phần bởi một khoản tài trợ từ Phòng thí nghiệm Nghiên cứu Quân đội, được đồng tác giả bởi nhà khoa học máy tính Celso de Melo của Phòng thí nghiệm Nghiên cứu Quân đội, và các thành viên giảng viên của UCLA Stefano Soatto, Cho-Jui Hsieh và Mani Srivastava. Tài trợ thêm đến từ các khoản tài trợ từ Quỹ Khoa học Quốc gia, Chương trình Nhà nghiên cứu Trẻ của Quân đội, Cơ quan Nghiên cứu Dự án Nghiên cứu Quốc phòng, Intrinsic, một công ty Alphabet (GOOG ) (GOOGL ), và Amazon.