الگوریتم های هوش مصنوعی در حال کوچک شدن هستند تا در یخچال شما جا بیفتند


هوش مصنوعی قدم های خیره کننده ای برداشته است ، اما اغلب برای رسیدن به آنجا به داده ها و قدرت محاسباتی بی معنی نیاز دارد. اکنون برخی از محققان هوش مصنوعی بر روی کارآمد ساختن این فناوری متمرکز شده اند.

هفته گذشته ، محققان نشان دادند كه ممكن است الگوریتمی قدرتمند برای دید AI بر روی یك تراشه رایانه ای كم مصرف كه ممكن است ماهها با باتری كار كند ، فشرده شود. این ترفند می تواند به همراه داشتن ابزارهای پزشکی و سنسورهای صنعتی ، به قابلیت های پیشرفته هوش مصنوعی مانند تشخیص تصویر و صدا در لوازم خانگی و پوشیدنی کمک کند. این همچنین می تواند با کاهش نیاز به ارسال هر چیزی به ابر ، به حفظ داده ها و امنیت شخصی کمک کند.

سون خان ، دستیار MIT که پروژه را هدایت می کند ، گفت: “این نتیجه برای ما کاملاً هیجان انگیز است.” هان گفت ، اگرچه این اثر در حال حاضر یک آزمایش آزمایشگاهی است ، “اما می تواند به سرعت به دستگاه های واقعی منتقل شود.”

میکروکنترلرها تراشه های رایانه ای نسبتاً ساده ، ارزان و کم مصرف هستند که در میلیاردها محصول از جمله موتور اتومبیل ، ابزار برقی ، ریموت تلویزیون و ایمپلنت های پزشکی یافت می شوند.

تصویر یک مورد

راهنمای Wired هوش مصنوعی

الگوریتم های Supermart همه وظایف را بر عهده نخواهند گرفت ، اما آنها سریعتر از هر زمان دیگری یاد می گیرند ، از تشخیص پزشکی تا تبلیغات همه کارها را انجام می دهند.

در حقیقت ، محققان روشی را برای از بین بردن الگوریتم های یادگیری عمیق ، برنامه های بزرگ شبکه عصبی که از نحوه اتصال و پرتاب نورونها به مغز تقلید می کنند ، ابداع کرده اند. در طول دهه گذشته ، آموزش های عمیق منجر به پیشرفت فوق العاده ای در هوش مصنوعی شده است و این اساس شکوفایی فعلی هوش مصنوعی است.

الگوریتم های آموزش عمیق معمولاً روی تراشه های رایانه ای تخصصی اجرا می شوند که محاسبات موازی مورد نیاز برای آموزش و مدیریت کارآمدتر شبکه را جدا می کنند. آموزش در یک مدل زبانی معروف به GPT-3 ، که در صورت درخواست می تواند زبانی جذاب ایجاد کند ، به تراشه های پیشرفته هوش مصنوعی معادل 355 سال با شیب کامل نیاز دارد. چنین برنامه هایی منجر به رونق فروش پردازنده های گرافیکی ، تراشه های مناسب برای آموزش های عمیق و همچنین افزایش تعداد تراشه های مخصوص هوش مصنوعی برای تلفن های هوشمند و سایر ابزارها شده است.

رویکرد تحقیق جدید دو بخش دارد. ابتدا محققان از الگوریتمی برای مطالعه معماری احتمالی شبکه عصبی استفاده می کنند و بدنبال یکی از محدودیت های محاسباتی میکروکنترلر هستند. قسمت دیگر یک کتابخانه نرم افزار مدیریت شبکه جمع و جور و با کارایی حافظه است. این کتابخانه همراه با معماری شبکه برای از بین بردن افزونگی و در نظر گرفتن کمبود حافظه میکروکنترلر طراحی شده است. هان می گوید: “کاری که ما انجام می دهیم مانند یافتن سوزن در انبار کاه است.”

محققان یک الگوریتم دید رایانه ای ایجاد کرده اند که قادر به شناسایی 1000 نوع شی در تصاویر با دقت 70 درصد است. بهترین الگوریتم های کم مصرف قبلی تنها حدود 54 درصد دقت داشتند. همچنین به 21 درصد حافظه و تاخیر 67 درصدی نسبت به روش های موجود نیاز داشت. این تیم عملکرد مشابهی را برای یک الگوریتم یادگیری عمیق نشان می دهد که در یک نمایش صوتی به “تماس بیدار” خاص گوش می دهد. خان می گوید با بهبود روش های به کار رفته ، پیشرفت های بیشتر باید امکان پذیر باشد.

شبح کارتهای بازی یک مرد و یک روبات

راز یادگیری ماشینی؟ معلمان انسانی

جائه سون سئو ، دانشیار دانشگاه ایالتی آریزونا که در زمینه یادگیری ماشین با محدودیت منابع کار می کند ، گفت: “این کاملا چشمگیر است.”

سئو می گوید: “برنامه های تجاری می توانند شامل عینک های هوشمند ، دستگاه های واقعیت افزوده باشند که به طور مداوم تشخیص اشیا را انجام می دهند.” “و دستگاهها را با تشخیص گفتار روی دستگاه بدون اتصال به ابر خاتمه دهید.”

جان کوه ، محقق در گروه تحقیقاتی AI MIT-IBM Watson و بخشی از تیم عامل این کار ، می گوید برخی از مشتریان IBM علاقه مند به استفاده از این فناوری هستند. او می گوید یکی از کاربردهای آشکار سنسورهای طراحی شده برای پیش بینی مشکلات ماشین آلات صنعتی است. در حال حاضر ، این سنسورها باید به صورت بی سیم به یک شبکه متصل شوند تا بتوان محاسبات را از راه دور بر روی یک سیستم قدرتمندتر انجام داد.

کاربرد مهم دیگر ممکن است در دستگاه های پزشکی باشد. خان می گوید که کار با همکاران MIT را در دستگاههایی که از یادگیری ماشین برای کنترل مستمر فشار خون استفاده می کنند آغاز کرده است.


داستان های WIRED عالی


منبع: sadeh-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>