Key takeaways
- En ny typ av datorhårdvara kan tillåta artificiell intelligens att lära sig kontinuerligt som den mänskliga hjärnan.
- Forskare vid Purdue University säger att deras enhet kan programmeras om på begäran genom elektriska pulser.
- Även om ett AI-system som lär sig helt av sig självt fortfarande huvudsakligen är ett koncept, finns det många exempel som kommer nära.
Artificiell intelligens (AI) kan snart få ett uppsving från en ny typ av datorchips inspirerade av den mänskliga hjärnan.
Forskare vid Purdue University har byggt en ny maskinvara som kan programmeras om på begäran genom elektriska pulser. Teamet hävdar att denna anpassningsförmåga skulle tillåta enheten att ta på sig alla nödvändiga funktioner för att bygga en hjärninspirerad dator. Det är en del av ett pågående arbete med att bygga AI-system som kan lära sig kontinuerligt.
"När AI-system lär sig kontinuerligt i miljön kan de anpassa sig till en värld som förändras över tid", sa Stevens Institute of Technology AI-expert Jordan Suchow till Lifewire i en e-postintervju. "Vi ser detta till exempel när ett system för att upptäcka bedrägerier upptäcker ett tidigare oobserverat mönster av bedrägliga köp eller när ett ansiktsigenkänningssystem stöter på en person som det aldrig tidigare har sett."
Life-Long Learners
Purdue-forskarna publicerade nyligen artikeln i tidskriften Science. Den beskriver hur datorchips dynamiskt kunde koppla om sig själva för att ta in ny data på samma sätt som hjärnan gör. Tillvägagångssättet kan hjälpa AI att fortsätta lära sig över tid.
"Hjärnorna hos levande varelser kan kontinuerligt lära sig under hela sin livstid. Vi har nu skapat en konstgjord plattform för maskiner att lära sig under hela deras livstid", sa en av tidningens författare, Shriram Ramanathan, i ett pressmeddelande.
Hårdvaran som tagits fram av Ramanathans team är en liten, rektangulär enhet gjord av ett material som kallas perovskitnickelat, som är mycket känsligt för väte. Genom att applicera elektriska pulser vid olika spänningar kan enheten blanda en koncentration av vätejoner på några nanosekunder, vilket skapar tillstånd som forskarna fann kunde kartläggas till motsvarande funktioner i hjärnan.
När enheten har mer väte nära sitt centrum, till exempel, kan den fungera som en neuron, en enda nervcell. Med mindre väte på den platsen fungerar enheten som en synaps, en koppling mellan neuroner, vilket är vad hjärnan använder för att lagra minne i komplexa neurala kretsar.
"Om vi vill bygga en dator eller en maskin som är inspirerad av hjärnan, så vill vi ha förmågan att kontinuerligt programmera, omprogrammera och ändra chipet", sa Ramanathan.
Thinking Machines?
Många moderna AI-system anpassar sig till ny information när de omskolas, sa David Kanter, verkställande direktören för MLCommons, ett öppet ingenjörskonsortium dedikerat till att förbättra maskininlärning, i ett e-postmeddelande.
"Världen är en inneboende dynamisk plats, och i slutändan måste maskininlärning och AI anpassa sig till detta", sa Kanter. "Till exempel, ett taligenkänningssystem 2022 som inte "vet" om covid-19 eller coronavirus skulle sakna en stor aspekt av den moderna världen. På samma sätt bör ett autonomt fordon anpassa sig till förändringar i gator, brostängningar, eller även låga temperaturer gör vägen isig."
Även om ett AI-system som lär sig helt av sig självt fortfarande mestadels är ett koncept, kommer många exempel nära, sa Sameer Maskey, VD för AI-företaget Fusemachines, i en e-postintervju. Ett av dessa självlärande system kom till nyheten när ett AI-system slog en människa i en omgång Go.
"AlphaGo var DeepMinds första AI som besegrade en professionell Go-spelare", tillade Maskey. "Deras spelserier har blivit språngbrädor med varje nytt tillskott som antar framsteg mot en AI som fortsätter att lära sig."
Framtidens AI-system kommer att söka den information de behöver för att fatta bra beslut och vidta lämpliga åtgärder, förutspådde Suchow. Dessa avancerade datorer kommer att undvika kostsamma misstag genom att lära sig av sina egna simuleringar av erfarenhet, till exempel genom "självspel", där AI:n föreställer sig resultatet av interaktioner den har med kopior av sig själv.
"Detta liknar hur människor kan lära sig genom fantasi och förutse ett dåligt resultat utan att behöva uppleva det direkt", tillade Suchow. "AI-system kommer att lära sig mer effektiva strategier för inlärning, mycket på det sätt som en student kan rikta sin tid och uppmärksamhet inte bara på det materiella innehållet i det de studerar, utan också till själva inlärningsprocessen."
