Видите это изображение? С помощью этого странного изображения нейробиологи Массачусетского технологического института смогли активировать отдельные нейроны мозга. Используя лучшую из доступных модель зрительной нейронной сети мозга, ученые разработали новый способ точного управления отдельными нейронами и их популяциями в середине этой сети. В ходе испытания на животных команда показала, что информация, полученная из вычислительной модели, позволила им создавать изображения, которые сильно активировали определенные нейроны мозга.
Не так давно, ясным утром в Палм-Спрингс, штат Калифорния, Вивьен Се вышла на небольшую сцену, чтобы провести, пожалуй, самую нервную презентацию в своей карьере. Тема была известна ей насквозь. Она должна была рассказать аудитории о чипах, которые разрабатывались в ее лаборатории в MIT и которые обещают принести мощный искусственный интеллект на множество устройств с ограниченным электропитанием. Известно, что большая часть вычислительных задач силами искусственного интеллекта сегодня проводился в огромных дата-центрах. Тем не менее, событие — и аудитория — заставили Се задуматься.
В Сети все больше распространяются ролики, якобы записанные с участием известной личности — однако ей не известные. Поддельные ролики демонстрируют человека в ситуации, которой никогда не существовало, и отличить подделку порой кажется невозможным. Такие ролики создаются с участием нейросетей GAN (генеративно-состязательная сеть) практически из ничего: достаточно фотографии, скачанной в Интернете. Китай решил положить конец распространению таких «дипфейков» (deepfakes).
В попытке «демократизировать ИИ» ученые Массачусетского технологического института нашли способ использовать искусственный интеллект для гораздо более эффективного обучения систем машинного обучения — то есть, нейросетей. Они надеются, что новый алгоритм, позволяющий сэкономить время и средства, позволит ограниченным в ресурсах исследователям и компаниям автоматизировать проектирование нейронных сетей. Другими словами, сокращая время и затраты, они могли бы сделать эту технику ИИ более доступной.
С развитием технологий нейросетей и машинного обучения, расширяется и сфера их применения. Если раньше нейросети использовались исключительно для проведения сложных математических, медицинских, физический, биологических расчетов и прогнозирования, то сейчас эти технологии приобретают широкую популярность в более «приземленной» среде – в сфере развлечений. Делая лишь первые шаги в этом направлении, они уже способны демонстрировать удивительные и порой даже выдающиеся результаты. Сегодня разберем несколько наглядных примеров.
Когда Норберт Винер, отец кибернетики, писал свою книгу «Человеческое использование человеческих существ» в 1950 году, вакуумные трубки все еще были основными электронными строительными блоками, и в работе, по факту, было всего несколько компьютеров. Однако он вообразил будущее, которое мы сейчас наблюдаем, с беспрецедентной точностью, ошибившись лишь в незначительных мелочах.
Искусственный интеллект — самая переломная (во всех смыслах) технология нашего времени. Чипы искусственного интеллекта — самая переломная инфраструктура для искусственного интеллекта. Если исходить из этих двух предпосылок, влияние того, что Graphcore планирует массово выпустить в мир, не поддается описанию. Как будут расширяться границы закона Мура с появлением IPU? Какое аппаратное и программное обеспечение нас ждет? Одно можно сказать наверняка: Nvidia стоит бояться и переживать.
Один из законов Кларка гласит: любая достаточно продвинутая технология неотличима от магии. И если несколько веков назад самым точным способом узнать будущее было обратиться к шаману или предсказателю судьбы, что ничем иным, кроме как колдовством, назвать было нельзя, то в современном мире на помощь могут прийти технологии. К примеру, ученые из Мичиганского университета (США) создали нейронную сеть-экстрасенса, которая буквально способна предсказывать грядущие события.
Слово «нейросети» сегодня является одним из самых модных терминов, и зачастую им злоупотребляют маркетологи в продвижении своих технологических стартапов. Однако нельзя отрицать, что сегодняшний объект нашего рассмотрения представляет собой один из самых важных феноменов, без которых невозможно представить современность.
Сети генов у животных чем-то напоминают сети нейронов в наших мозгах — они тоже могут «обучаться» на ходу. В 1996 году молодой аспирант по имени Ричард Уотсон решил прочитать статью об эволюции. Она была провокационной и затрагивала старую проблему в эволюционной биологии: мы плохо понимаем, как организмы могут так успешно адаптироваться к окружающей среде.
С давних времен ученые, среди которых Паскаль и Лейбниц, грезили о машинах, способных видеть, понимать окружающий мир и взаимодействовать с ним. Писатели и режиссеры, такие как Жюль Верн, Мэри Шелли, Джордж Лукас и Стивен Спилберг, создавали смелые облики таких умных устройств. В этом выпуске мы поговорим о машинном обучении, которое уже успело доказать, что где-то в глубине компьютеры и роботы не очень-то и сильно отличаются от людей.