Nowy model sztucznej inteligencji. Zrewolucjonizuje robotykę, medycynę i inne dziedziny

"Płynne" sieci neuronowe wynalezione przez naukowca z MIT mają znaczną przewagę nad klasycznymi, które leżą u podstaw sztucznej inteligencji. Jego algorytmy są w stanie dynamicznie dostosowywać się do zmian.

To, co dziś nazywamy sztuczną inteligencją, jest tak naprawdę sztucznymi sieciami neuronowymi, które imitują pracę neuronów w mózgu. Aby sztuczne sieci neuronowe działały zgodnie z oczekiwaniami trzeba je najpierw "wytrenować". Polega to na załadowaniu do sieci odpowiedniej liczby danych, które sieć przetworzy i na ich podstawie nauczy się swojego przyszłego zadania.

Jeśli sztuczna sieć neuronowa ma rozpoznawać psy i koty, to dostanie kilkadziesiąt tysięcy zdjęć zwierzaków oraz zadanie przypisania ich do dwóch grup: psy i koty. Naukowcy nie do końca wiedzą, jak sztuczne sieci neuronowe rozróżniają obrazy, ale wiedzą, kiedy efekt zostaje osiągnięty. Tak wytrenowana sztuczna sieć neuronowa może zostać wysłana do "pracy". Chociaż świetnie będzie odróżniać psy od kotów, to nie nauczy się już niczego więcej.

Problem ten dotyczy wszystkich sztucznych sieci neuronowych działających obecnie czy to w wyszukiwarkach obrazów, czy w samochodowych autopilotach, czy w medycynie, itd. Raz nauczona sieć nie nauczy się niczego więcej.

Rozwiązanie tego problemu wymyślił Ramin Hasani z Massachusetts Institute of Technology. Inspirowany mózgiem robaka C. elegans, który ma tylko 302 neurony Ramin stworzył algorytm, który działa zupełnie inaczej niż obecne sztuczne sieci neuronowe.

Po pierwsze, algorytm, który nazwał "płynnymi sieciami neuronowymi" może uczyć się na bieżąco, także po zakończeniu fazy trenowania. Zupełnie, jak człowiek, algorytm Ramina Hasaniego może dostosować się do zmieniających warunków i brać pod uwagę nowe dane w podejmowaniu decyzji.

Po drugie, płynne sieci neuronowe potrzebują zdecydowanie mniej danych do skutecznego działania. Hasani porównał klasyczną sztuczną inteligencję ze swoją na przykładzie parkowania samochodu. "Stary" system potrzebował 943 parametrów, aby skutecznie wykonać manewr parkowania. "Nowy" system Hasaniego mógł wykonać to zadanie z zaledwie 49-oma parametrami.

Po trzecie, płynne sieci neuronowe są "mniejsze", działają szybciej i wymagają mniej obliczeń, przez co zużywają mniej prądu.

Ramin Hasani wraz ze swoim wielonarodowym zespołem planuje stworzyć teraz systemy oparte na jego odkryciu, które będzie można zastosować w realnym świecie. Jak sam twierdzi płynne sieci neuronowe, mogą być przełomem w rozwoju sztucznej inteligencji i znacznie przyśpieszyć proces udoskonalania autopilotów samochodowych, robotów medycznych i innych, inteligentnych urządzeń i procesów.