Blog TSK

Đây là những gì một AI phân tích xu hướng cho rằng sẽ là điều quan trọng tiếp theo trong lĩnh vực công nghệ

Thực tế ảo và thực tế tăng cường. in 3d. Xử lý ngôn ngữ tự nhiên. Học kĩ càng. Ngôi nhà thông minh. Phương tiện không người lái. Công nghệ sinh trắc học. Vật biến đổi gen. Giao diện não-máy tính.

Đây, theo thứ tự giảm dần, là 10 công nghệ mới nổi được đầu tư nhiều nhất ở Hoa Kỳ, được xếp hạng theo số lượng giao dịch. Nếu bạn muốn biết công nghệ nào sẽ định hình tương lai của chúng ta trong những năm tới, đây có lẽ không phải là một điểm khởi đầu tồi.

Các số liệu đến từ một công cụ dự báo trí tuệ nhân tạo mới khổng lồ do công ty tình báo Pháp xây dựng L’Atelier . Trang web của công ty nhỏ này tuyên bố: “Chúng tôi có ý nghĩa về ngày mai, ngày hôm nay,” tuyên bố trên trang web của công ty nhỏ, công ty đã thực hiện phỏng đoán công nghệ thông minh (với con người thay vì AI) kể từ năm 1978.

Chris DeGraw / Xu hướng kỹ thuật số, Hình ảnh Getty

Gio Tarraf, người đàn ông 33 tuổi, người đã chế tạo mô hình mới, cho biết: “Tôi gọi nó là động cơ trí tuệ công nghệ. “Tôi nghĩ đó là một cái tên khủng khiếp, nhưng bây giờ nó sẽ phải làm.”

Nó chắc chắn không thể tồi tệ hơn nhiều so với những gì chúng ta có ngày hôm nay. Không có gì bí mật khi hầu hết các dự đoán đều khủng khiếp. Một nghiên cứu nổi tiếng kéo dài 20 năm của các chuyên gia, bao gồm 82.361 ước tính xác suất về tương lai, hầu như đều sai. Như bài báo năm 2019 của David Epstein cho The Atlantic , “ Sự mù quáng kỳ lạ của các chuyên gia ”, ghi chú về nghiên cứu: “Khi các chuyên gia tuyên bố rằng các sự kiện trong tương lai là không thể hoặc gần như không thể xảy ra, thì 15% trong số đó đã xảy ra. Khi họ tuyên bố các sự kiện là một điều chắc chắn, hơn một phần tư trong số đó không thể chuyển tải. ”

Geoff Hinton, một trong những người tiên phong đoạt giải Nobel về mạng nơ-ron nhân tạo , từng mô tả tương lai đối với tôi giống như nhìn xuyên qua sương mù. “Khi bạn ở trong sương mù, bạn có thể nhìn thấy những khoảng cách ngắn khá rõ ràng,” anh nói. “Khi bạn nhìn xa hơn một chút, nó mờ hơn. Nhưng sau đó nếu bạn muốn nhìn xa gấp đôi, bạn không thể nhìn thấy gì cả. Đó là bởi vì sương mù là cấp số nhân. Mỗi đơn vị khoảng cách bạn nhìn qua sương mù, nó sẽ mất đi một phần ánh sáng nhất định ”.

Công nghệ không có gì khác biệt. Chúng tôi có thể có một ý tưởng hợp lý về những gì sáu tháng tới sẽ giữ cho công nghệ, nhưng điều này trở nên sơ sài hơn khi chúng tôi dự đoán cả năm 2022. Nhảy về phía trước 5, 10, 15, 25 năm và đó là tất cả nhưng không thể. Các nhà đầu tư mạo hiểm từ lâu đã săn lùng những con kỳ lân, có nghĩa là những công ty lớn hàng tỷ đô la, không chỉ vì họ sinh lời lớn, mà vì họ bù đắp tất cả những sai lầm khác mà họ mắc phải. Bạn chỉ cần một Google hoặc Facebook, hoặc đoán đúng về tiềm năng của điện thoại thông minh vào năm 2000, để tất cả những dự đoán không chính xác tan thành mây khói.

Xây dựng trở lại tốt hơn

Tarraf đã chán ngấy với những dự đoán không chính xác. Ông muốn có một cách tiếp cận dựa trên dữ liệu hơn để dự báo có thể giúp các nhà đầu tư, chính phủ, các chuyên gia và bất kỳ ai khác có được bức tranh chính xác hơn về hình dạng của công nghệ chưa ra đời. Ông gợi ý, điều này không chỉ có thể giúp kiếm tiền cho công ty của ông mà còn có thể soi sáng một số điểm mù mà mọi người có thể dẫn đến sự thiên vị.

Công cụ thông minh công nghệ của Tarraf sử dụng xử lý ngôn ngữ tự nhiên (NLP) để sàng lọc qua hàng trăm triệu tài liệu – từ các bài báo học thuật và tài trợ nghiên cứu đến chi tiết tài trợ khởi nghiệp, bài đăng trên mạng xã hội và tin bài – bằng hàng chục ngôn ngữ khác nhau. Nhà tương lai học và nhà văn khoa học viễn tưởng William Gibson nổi tiếng nhận định rằng tương lai đã ở đây, chỉ là nó không được phân bổ đồng đều. Nói cách khác, công nghệ của ngày mai đã được phát minh, nhưng hiện tại nó đang ẩn mình trong các phòng nghiên cứu, các đơn xin cấp bằng sáng chế và vô số các silo khác trên khắp thế giới. Bộ máy trí tuệ công nghệ tìm cách khai quật và tổng hợp chúng.

Tarraf nói với Digital Trends: “Chúng tôi có 100 triệu ấn phẩm từ khắp nơi trên thế giới đến từ hàng chục tạp chí. “Chúng tôi đã có hơn một nghìn tỷ đô la tiền tài trợ. Chúng tôi có 14 triệu bằng sáng chế. Trong phiên bản tiếp theo, bạn sẽ có hơn 100 triệu, tập trung lớn vào các bằng sáng chế của Trung Quốc. Và chúng tôi có dữ liệu đầu tư giai đoạn đầu của các công ty khởi nghiệp công nghệ từ năm 2015 đến nay ”.

Ý tưởng về việc có tất cả các số liệu khác nhau để đánh giá tương lai là mỗi số liệu đưa ra một quan điểm khác nhau – và một mốc thời gian khác nhau. Ví dụ, tài trợ cho khởi nghiệp thường tập trung vào hai hoặc ba năm tới. Đó là bởi vì đó là tốc độ mà các nhà đầu tư muốn thấy một dòng tiền tích cực và có thể là một lối ra. Tất nhiên, không phải mọi công ty khởi nghiệp đều sẽ thành công, nhưng các xu hướng tài trợ rộng rãi có thể cho thấy các lĩnh vực được quan tâm ở đâu.

Trong khi đó, các khoản tài trợ nghiên cứu gần với tầm nhìn từ 5 đến 10 năm trong tương lai. Các bài báo học thuật, đặc biệt là những bài lý thuyết, cung cấp cái nhìn dài nhất về chúng, trải dài đến chân trời công nghệ. Như Tarraf đã chỉ ra, có rất nhiều bài báo trên tạp chí về điện toán lượng tử được xuất bản vào những năm 1990, nhưng lĩnh vực này mới chỉ bắt đầu cất cánh (hoặc ít nhất là ầm ầm trên bệ phóng) ngày nay.

Cũng có những công nghệ nhận được sự chú ý lớn trên các phương tiện truyền thông tin tức, nhưng có lẽ nhỏ hơn rất nhiều so với tiêu đề lớn của chúng. Ông nói: “Công nghệ trong mơ thu hút rất nhiều sự chú ý. “Kính áp tròng điện tử thu hút rất nhiều sự chú ý. Nhưng chúng tôi không thấy họ thu hút được nhiều sự chú ý của giới học thuật. Chúng chỉ là những [công nghệ] rất tuyệt. Tất cả chúng ta đều muốn tưởng tượng về một thế giới nơi chúng ta có thể kiểm soát giấc mơ của mình khi đeo những chiếc kính áp tròng ngộ nghĩnh này ”.

Một khía cạnh khác của động cơ thông minh công nghệ là nhìn rộng hơn vào công nghệ từ khắp nơi trên thế giới. Tarraf nói: “Mọi người đều bị ám ảnh bởi Mỹ hoặc Trung Quốc. “Chúng tôi nhận thấy rằng có sự đổi mới đang diễn ra trên khắp thế giới.” Ví dụ, hãy xem xét Ấn Độ. Tarraf nói: “Không ai nói về sự phát triển của Ấn Độ trong lĩnh vực công nghệ mới nổi. “Nó rất lớn. Không thể tin được. Nó phải được ăn mừng. Chúng ta nên tập trung vào công việc tuyệt vời đang được thực hiện bởi các học giả ở đó. Nhưng họ không nhận được tài trợ, họ không gây được sự chú ý. Đây là những gì động cơ có thể làm. Nó có thể đưa bạn ra khỏi cuộc trò chuyện toàn cầu mà chúng ta đang có, và vào cuộc trò chuyện toàn cầu mà có lẽ chúng ta nên có. ”

Công nghệ của ngày mai để theo dõi

Dựa trên những phát hiện của công cụ trí tuệ công nghệ, không thiếu những thông tin chi tiết hấp dẫn. Ví dụ, Mỹ chiếm ưu thế trong hầu hết các công nghệ mới nổi, mặc dù Canada dẫn đầu về số lượng các thương vụ liên quan đến thu giữ carbon. Đã có 2.000 giao dịch về công nghệ thực tế ảo, tăng cường và hỗn hợp trong 5 năm qua – với số vốn đầu tư gần 2 tỷ USD. Trong cùng khoảng thời gian đó, 1,1 tỷ đô la đã được đầu tư vào công nghệ máy bay không người lái, trong khi công nghệ AI đã thu được 3 tỷ đô la đầu tư.

Còn những công nghệ hot của ngày mai thì sao? Cryonics , hay còn gọi là công nghệ cho phép lưu trữ siêu lạnh, rất lớn. Từ lâu được coi là một công nghệ thích hợp, đã có một cú hích lớn được quan tâm trong hai năm qua. Công nghệ liên quan đến mật mã là cần thiết để vận chuyển và lưu trữ một số vắc xin mRNA COVID-19, nhấn mạnh tính hữu dụng trong thế giới thực của nó.

Thư viện ảnh khoa học / Getty Images

Mã hóa hậu lượng tử cũng rất quan trọng, đề cập đến các cách mã hóa dữ liệu mới cho thế giới lượng tử. Trong năm 2019, gần 50 triệu đô la đã được phân bổ cho chủ đề trong quỹ tài trợ nghiên cứu toàn cầu – nhiều hơn gấp đôi tổng số của năm trước.

Và ai có thể quên giao diện não-máy tính, được hưởng lợi từ sự tăng trưởng tổng vốn đầu tư lớn thứ hai vào năm 2020, sau các chòm sao vệ tinh. Một lần nữa, Mỹ thống trị lĩnh vực này về bằng sáng chế, chiếm gần một nửa trong số gần 200.000 bằng sáng chế BCI được cấp kể từ năm 2015. Trung Quốc đứng thứ hai, với 35.000 bằng sáng chế tương đối nhỏ.

Máy tính cảm ứng, có nghĩa là máy tính hiểu được cảm xúc của con người, đang có nhu cầu trên toàn thế giới – mặc dù Mỹ đang theo sau Trung Quốc và Ấn Độ với tư cách là các nhà nghiên cứu trong lĩnh vực này. Năm 2020, Trung Quốc đã nộp 589 bằng sáng chế về máy tính cảm ứng, so với 37 bằng sáng chế được nộp ở Hoa Kỳ. Tuy nhiên, Mỹ đang dẫn đầu về số lượng các khoản đầu tư liên quan đến lĩnh vực này.

Thoải mái như Gio Tarraf đang nói về tương lai, nhưng anh ấy vẫn chưa thể chia sẻ về tương lai của động cơ trí tuệ công nghệ. Phiên bản tôi thấy được đánh dấu rõ ràng là “demo” và Tarraf lưu ý rằng nó vẫn đang trong quá trình hoàn thiện. Về cách chính xác làm thế nào điều này sẽ được cung cấp như một công cụ công khai (giả sử rằng nó sẽ) vẫn chưa được công bố. Tuy nhiên, có một điều chắc chắn: Anh ấy dự đoán nó sẽ lớn.

“Tôi coi đây là một cách để mở rộng tầm nhìn của bạn về thế giới, giảm sự thiên vị và đưa ra cái nhìn công bằng hơn về những công nghệ thường bị bỏ qua, nhưng điều đó có thể có tác động đáng kể đến cuộc sống của chúng ta,” ông lưu ý.

Phương pháp chính là biểu hiện của trí tuệ. Ai ai cũng có sẵn tiềm năng sử dụng trí tuệ của mình để vận hành công việc, cuộc sống. Những công cụ mạnh để hỗ trợ chúng ta đưa ra các giải pháp tối ưu cho các khó khăn đã được xây dựng từ rất lâu bởi nhà khoa học người Nga. Nếu bạn quan tâm đến việc cải thiện khả năng giải quyết vấn đề và ra quyết định một cách mới mẻ, nhanh chóng thì khóa học PHƯƠNG PHÁP LUẬN SÁNG TẠO và ĐỔI MỚI tại Trung tâm Sáng tạo Khoa học–kỹ thuật (TSK) thuộc trường Khoa Học Tự Nhiên là một lựa chọn phù hợp. Bạn có thể điền thông tin tại đây hoặc liên hệ số điện thoại: (028) 38 301 743; 089 668 36 31 để thực hiện đăng ký.

Nguồn: DigitalTrends

AI nhận dạng hình ảnh mới của Facebook được đào tạo trên 1 tỷ bức ảnh Instagram

Nếu Facebook có một khẩu hiệu không chính thức, tương đương với “Đừng trở nên xấu xa” của Google hoặc “Hãy suy nghĩ khác biệt” của Apple, thì đó là “Di chuyển nhanh và phá vỡ mọi thứ”. Nó có nghĩa là, ít nhất về lý thuyết, người ta nên lặp đi lặp lại để thử những thứ tin tức và không sợ khả năng thất bại. Tuy nhiên, vào năm 2021, với phương tiện truyền thông xã hội hiện đang bị đổ lỗi cho rất nhiều tệ nạn xã hội, cụm từ có lẽ nên được sửa đổi thành: “Di chuyển nhanh và sửa chữa mọi thứ”.

Một trong những lĩnh vực truyền thông xã hội, không chỉ Facebook, đã bị ảnh hưởng bởi sự lan truyền của một số hình ảnh trực tuyến. Đó là một vấn đề đầy thách thức đối với bất kỳ trí tưởng tượng nào: Khoảng 4.000 lượt tải ảnh lên Facebook mỗi giây. Điều đó tương đương với 14,58 triệu hình ảnh mỗi giờ, hoặc 350 triệu bức ảnh mỗi ngày. Xử lý công việc này theo cách thủ công sẽ yêu cầu mọi nhân viên Facebook phải làm việc theo ca 12 giờ, phê duyệt hoặc phủ quyết một hình ảnh đã tải lên cứ sau chín giây.

Đồ họa xu hướng kỹ thuật số

Điều đó không có khả năng xảy ra sớm. Đây là lý do tại sao công việc phân loại hình ảnh được giao cho hệ thống trí tuệ nhân tạo. Một nghiên cứu mới của Facebook, được công bố hôm nay, mô tả một mô hình thị giác máy tính mới, quy mô lớn được gọi là SEER (đó là “SElf-supERvised” trong truyền thống viết tắt vô vọng mà dân công nghệ thích nắm bắt). Được đào tạo trên hơn 1 tỷ hình ảnh công khai trên Instagram, nó có thể hoạt động tốt hơn hệ thống nhận dạng hình ảnh tự giám sát tiên tiến nhất, ngay cả khi hình ảnh có chất lượng thấp và do đó khó đọc.

Đó là một sự phát triển có thể, những người tạo ra nó tuyên bố, “[mở đường] cho các mô hình thị giác máy tính linh hoạt, chính xác và thích ứng hơn”. Nó có thể được sử dụng để ngăn chặn tốt hơn “hình ảnh hoặc meme có hại khỏi nền tảng của chúng tôi.” Nó có thể hữu ích không kém khi tự động tạo hình ảnh mô tả văn bản thay thế cho người khiếm thị, phân loại tự động vượt trội các mặt hàng được bán trên Marketplace hoặc Cửa hàng trên Facebook và vô số ứng dụng khác yêu cầu cải thiện thị giác máy tính.

Chào mừng bạn đến với cuộc cách mạng tự giám sát

: “Sử dụng tính năng tự giám sát, chúng tôi có thể đào tạo trên bất kỳ hình ảnh ngẫu nhiên nào Priya Goyal , kỹ sư phần mềm tại Facebook AI Research (FAIR), nơi công ty đang thực hiện nhiều nghiên cứu nhận dạng hình ảnh sáng tạo , nói với Digital Trends . “[Điều đó] có nghĩa là, khi nội dung có hại phát triển, chúng tôi có thể nhanh chóng đào tạo một mô hình mới về dữ liệu đang phát triển và do đó, phản ứng nhanh hơn với các tình huống.”

Tính năng tự giám sát mà Goyal đề cập đến là một thương hiệu máy học đòi hỏi ít hơn trong cách nhập liệu của con người. Học bán giám sát là một cách tiếp cận học máy nằm ở đâu đó giữa học tập có giám sát và không giám sát. Trong học tập có giám sát, dữ liệu đào tạo được dán nhãn đầy đủ. Trong học tập không có giám sát, không có dữ liệu đào tạo được gắn nhãn. Trong học tập bán giám sát… tốt, bạn sẽ có được ý tưởng. Đó là, đối với học máy, điều gì để mắt đến con bạn trong khi chúng tự động tính tiền xung quanh công viên là việc nuôi dạy con cái. Học tự giám sát đã được sử dụng để tạo ra các hiệu ứng biến đổi trong thế giới xử lý ngôn ngữ tự nhiên cho mọi thứ, từ dịch máy đến trả lời câu hỏi. Bây giờ, nó cũng đang được áp dụng cho nhận dạng hình ảnh.

Chris DeGraw / Xu hướng kỹ thuật số, Hình ảnh Getty

“Học tập không giám sát là một thuật ngữ rất rộng cho thấy rằng việc học tập không sử dụng sự giám sát nào cả,” Goyal nói. “Học tập tự giám sát là một tập hợp con – hoặc trường hợp cụ thể hơn – của học tập không có giám sát, vì tự giám sát lấy các tín hiệu giám sát tự động từ dữ liệu đào tạo.”

Học tự giám sát có ý nghĩa như thế nào đối với Facebook là các kỹ sư của Facebook có thể đào tạo các mô hình trên các hình ảnh ngẫu nhiên và thực hiện nhanh chóng trong khi vẫn đạt được hiệu suất tốt trong nhiều nhiệm vụ.

Goyal nói: “Có thể đào tạo trên bất kỳ hình ảnh internet ngẫu nhiên nào cho phép chúng tôi nắm bắt được sự đa dạng về hình ảnh của thế giới. “Mặt khác, học có giám sát yêu cầu chú thích dữ liệu, điều này hạn chế sự hiểu biết trực quan về thế giới vì mô hình được đào tạo để chỉ học các khái niệm được chú thích bằng hình ảnh rất hạn chế. Ngoài ra, việc tạo tập dữ liệu có chú thích giới hạn lượng dữ liệu mà hệ thống của chúng tôi có thể được đào tạo, do đó, các hệ thống được giám sát có thể sẽ bị sai lệch hơn. ”

Điều này có nghĩa là các hệ thống AI có thể học hỏi tốt hơn từ bất kỳ thông tin nào chúng được cung cấp mà không cần phải dựa vào các bộ dữ liệu được quản lý và gắn nhãn để dạy chúng cách nhận ra các đối tượng cụ thể trong một bức ảnh. Trong một thế giới phát triển nhanh như thế giới trực tuyến, đó là điều cần thiết. Nó có nghĩa là nhận dạng hình ảnh thông minh hơn, hoạt động nhanh hơn.

Các ứng dụng khả thi khác

“Chúng tôi có thể sử dụng các mô hình tự giám sát để giải quyết các vấn đề trong các lĩnh vực có dữ liệu rất hạn chế hoặc không có siêu dữ liệu, chẳng hạn như hình ảnh y tế Goyal cho biết: . “Có thể đào tạo các mô hình chất lượng cao, tự giám sát chỉ từ các hình ảnh ngẫu nhiên, không gắn nhãn và không bão hòa, chúng tôi có thể đào tạo các mô hình trên bất kỳ hình ảnh internet nào và điều này cho phép chúng tôi nắm bắt sự đa dạng của nội dung trực quan và giảm thiểu các thành kiến ​​do quản lý dữ liệu. Vì chúng tôi không yêu cầu nhãn hoặc quản lý dữ liệu để đào tạo một mô hình tự giám sát, chúng tôi có thể nhanh chóng tạo và triển khai các mô hình mới để giải quyết vấn đề ”.

Như với tất cả các công việc của FAIR, hiện tại điều này chắc chắn đang trong giai đoạn nghiên cứu, chứ không phải là công nghệ sẽ ra mắt trên nguồn cấp dữ liệu Facebook của bạn trong vài tuần tới. Điều đó có nghĩa là điều này sẽ không được triển khai ngay lập tức để giải quyết vấn đề hình ảnh độc hại lan truyền trên mạng. Đồng thời, điều đó có nghĩa là các cuộc trò chuyện về việc sử dụng AI để xác định thêm các chi tiết nhỏ trong hình ảnh tải lên là quá sớm.

Dù muốn hay không, các công cụ AI phân loại hình ảnh ngày càng thông minh hơn. Câu hỏi lớn là liệu chúng có được sử dụng để phá vỡ mọi thứ thêm hay bắt đầu sửa chữa chúng sao lưu lại.

Nguồn: DigitalTrends

Tại sao chúng ta sử dụng trò chơi Cờ vua làm chuẩn mực cho AI?

Lớn lên, nhiều người trong chúng ta được cho rằng chơi máy tính hoặc trò chơi điện tử là lãng phí thời gian. Tuy nhiên, khi nói đến việc đào tạo trí tuệ nhân tạo, không những không lãng phí thời gian mà còn có thể là chìa khóa để phát triển các tác nhân thông minh của tương lai.

Vài năm trước, các nhà nghiên cứu từ Google DeepMind đã chứng minh một cách ấn tượng rằng AI tiên tiến có thể được sử dụng để làm chủ một số trò chơi Atari cổ điển mà không cần được dạy cách chơi chúng một cách rõ ràng. Kể từ đó, nhiều nhà nghiên cứu đã thử nghiệm các hệ thống học tập củng cố sử dụng phương pháp thử và sai để học cách làm chủ trò chơi.

Giờ đây, các nhà nghiên cứu từ Uber AI Labs và OpenAI đã tìm ra cách để tinh chỉnh các công cụ này hơn nữa để cho phép chúng thể hiện mức hiệu suất cao ở các trò chơi phức tạp hơn mà các nhân viên AI chơi game trước đây đã phải vật lộn.

“Các thuật toán mới mà chúng tôi phát triển, Go-Khám phá, nhanh hơn so với thuật toán học máy trước trên nhiều trò chơi Atari, bao gồm các trò chơi thám hiểm nổi tiếng là cứng Revenge Montezuma của và Pitfall ,” Joost Huizinga , một nhà khoa học nghiên cứu tại OpenA.I., Nói với Digital Trends.

Nó không chỉ “vượt trội” các hệ thống trước đó, mà Go-Explore là thuật toán đầu tiên đánh bại tất cả các cấp độ của cực kỳ khó Montezuma’s Revenge và giành được điểm số gần như hoàn hảo trên Pitfall .

Uber AI Labs / OpenAI

Nó thực hiện điều này bằng cách ghi nhớ những cách tiếp cận thành công trước đây mà nó đã thử và quay lại những khoảnh khắc ghi điểm cao này, thay vì luôn bắt đầu từ đầu trò chơi. Vì các trò chơi Atari thường không cho phép điều này (những người lớn lên với các trò chơi cho phép điểm lưu thông thường không nhận ra họ may mắn như thế nào!), Các nhà nghiên cứu đã sử dụng một trình giả lập cho phép họ lưu số liệu thống kê và tải lại chúng bất cứ lúc nào.

Chơi qua bộ sưu tập 55 trò chơi Atari – đại diện cho một tiêu chuẩn ngày càng tiêu chuẩn cho các thuật toán học tăng cường – Go-Explore có thể đánh bại các hệ thống hiện đại khác ở những tựa game này 85,5% thời gian.

Đó là một minh chứng ấn tượng về trí tuệ nhân tạo đang hoạt động. Và, mặc dù chỉ là một trò chơi, nó có thể có các ứng dụng thú vị trong thế giới thực.

Người kiểm tra và lãnh chúa robot

Ngay từ khi bắt đầu – trước khi trí tuệ nhân tạo thậm chí còn được đặt làm tên chính thức của ngành học – các nhà nghiên cứu trong lĩnh vực này đã quan tâm đến trò chơi. Năm 1949, Claude Shannon, một trong những nhân vật sáng lập AI, đã đưa ra lời giải thích của mình về lý do tại sao việc tạo ra một chiếc máy tính chơi cờ vua lại là một nỗ lực xứng đáng.

Các trò chơi như cờ vua, Shannon viết, đưa ra một vấn đề được xác định rõ ràng, có cả hoạt động được phép và mục tiêu cuối cùng. Chúng không phải là một thách thức quá khó để giải quyết một cách khả thi, nhưng vẫn đòi hỏi trí thông minh để vượt trội, đồng thời sở hữu cấu trúc rời rạc (có nghĩa là không liên tục) theo cách thức từng bước trong đó máy tính giải quyết vấn đề.

Trong khi công nghệ thúc đẩy các hệ thống này đã thay đổi rất nhiều trong hơn 70 năm qua, nhiều ý tưởng trong số đó vẫn là điều thúc đẩy việc sử dụng trò chơi để phát triển và thử nghiệm trí tuệ nhân tạo. Trò chơi cung cấp một phiên bản trừu tượng, đơn giản hóa của thế giới thực, trong đó sự phức tạp của các vấn đề được chắt lọc thành các hành động, trạng thái, phần thưởng và kẻ thắng người thua rõ ràng.

Mặc dù Shannon, Alan Turing và nhiều nhà sáng tạo AI ban đầu khác đã làm việc với thách thức của cờ máy tính, và đã có một số thành công đáng chú ý trong suốt chặng đường – chẳng hạn như của nhà lập trình của Viện Công nghệ Massachusetts Richard Greenblatt MacHack vào những năm 1960 – thì không thực sự cho đến tháng 5 năm 1997 rằng cờ vua máy tính thực sự thu hút sự chú ý của thế giới.

Đó là tháng và năm mà hệ thống “Deep Blue” của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov trong một trận đấu sáu ván. Deep Blue là một ví dụ đáng kinh ngạc về tính toán bạo lực trong hoạt động. Nó sử dụng phần cứng song song khổng lồ, bao gồm 30 bộ vi xử lý cao cấp nhất, để kiểm tra sự phân nhánh của 200 triệu vị trí bo mạch mỗi giây. Siêu máy tính chơi cờ của IBM được trang bị một ngân hàng bộ nhớ, bao gồm hàng trăm nghìn trò chơi cấp bậc thầy trước đó mà nó có thể vẽ. (Trớ trêu thay, nước đi chiến thắng Deep Blue trong trận đấu đầu tiên thực sự là một thất bại trong một phần của hệ thống, trong đó nó mặc định chọn một nước đi một cách ngẫu nhiên, mà Kasparov đã nhầm với sự sáng tạo.)

Gần 15 năm sau, vào tháng 2 năm 2011, IBM có chiến thắng tiếp theo trong trò chơi AI chinh phục tiêu đề khi IBM Watson AI của họ đối đầu với các nhà cựu vô địch Ken Jennings và Brad Rutter trong một chương trình truyền hình đặc biệt của chương trình trò chơi Jeopardy. Jennings nói với tôi trong cuốn sách của tôi: “Tôi đã từng tham gia các lớp học về AI và biết rằng loại công nghệ có thể đánh bại con người ở Jeopardy vẫn còn cách xa hàng thập kỷ Máy tư duy . “Hoặc ít nhất tôi nghĩ rằng nó là.”

IBM / Youtube

Trong sự kiện này, Watson đã xóa sổ cặp đôi này, trên đường giành giải thưởng 1 triệu đô la. Jennings, người đang giữ kỷ lục về chuỗi trận thắng dài nhất trong lịch sử của trò chơi, nói: “Thật sự rất đau khi để thua đến mức đó. Khi trò chơi kết thúc, anh ấy viết nguệch ngoạc một cụm từ trên bảng trả lời của mình và giơ nó lên trước máy quay: “Tôi vì một người mà chào mừng các chúa tể người máy mới của chúng ta”.

Chơi game và học máy

Các cuộc trình diễn AI về cách chơi gần đây phần lớn là công việc của DeepMind, tập trung vào các trò chơi như một phần của mục tiêu đã nêu là “giải quyết trí thông minh”. Có lẽ thành tích đáng chú ý nhất là đã AlphaGo cờ vây , một bot chơi đánh bại nhà vô địch thế giới Lee Sedol – bốn ván đấu một – trong một loạt trận năm 2016 được 60 triệu người theo dõi. Ngoài ra còn có AI chơi Atari nói trên và AlphaStar , vốn đang tìm cách làm chủ trò chơi chiến lược thời gian thực StarCraft II .

So với những nỗ lực tính toán thô bạo của Deep Blue, thay vào đó, đây là những minh chứng của các kỹ thuật máy học. Điều này một phần là do sự cần thiết. Ví dụ, cờ vây có nhiều vị trí trên bàn cờ hơn nhiều so với cờ vua, khiến việc sử dụng bạo lực trở nên khó khăn hơn. Nước đi mở đầu trong trò chơi cờ vua cho phép có 20 nước đi. Người chơi đầu tiên trong cờ vây có 361 khả năng . Về tổng thể, cờ vây có nhiều vị trí bảng cho phép hơn tổng số nguyên tử trong vũ trụ đã biết. Đó là một thứ tự cao đối với tính toán brute-force, thậm chí còn cho phép gia tăng phần cứng kể từ năm 1997.

DeepMind / YouTube

Khi các phương pháp tiếp cận như học tăng cường sâu đã có, các hệ thống AI chơi trò chơi hiện đại, giống như AI nói chung, phần lớn chuyển từ việc tuân theo các quy tắc được thiết lập trước sang tự học. Điều này cũng đã mở ra một lợi thế mới cho việc sử dụng trò chơi như một châm ngôn cho các hệ thống AI: Dữ liệu miễn phí.

Khi AI mang tính biểu tượng nhường chỗ cho các công cụ học máy ngày nay, các trò chơi cung cấp cho các nhà nghiên cứu một nguồn dữ liệu dồi dào hơn mà họ cần để thực hiện các cuộc trình diễn của mình. Demis Hassabis, CEO và đồng sáng lập của DeepMind, đã đưa ra quan điểm này trong một cuộc phỏng vấn vào tháng 11 năm 2020 với Azeem Azhar của bản tin Exponential View . “Chúng tôi là một công ty khởi nghiệp nhỏ, chúng tôi không có quyền truy cập vào nhiều dữ liệu từ các ứng dụng… và vì vậy chúng tôi phải tổng hợp dữ liệu của riêng mình,” Hassabis nói. “Nếu bạn sử dụng trò chơi, cho dù đó là trò chơi trên bàn cờ như cờ vây hay trò chơi mô phỏng, như trò chơi máy tính, trò chơi điện tử, bạn có thể chạy chúng bao lâu tùy thích và tạo ra nhiều dữ liệu tổng hợp như bạn muốn.”

Trường hợp điển hình: AlphaGo đã tự chơi hơn 10 triệu lần để đạt được khả năng chơi cờ vây của mình. Trong các tình huống không chơi trò chơi, khối lượng dữ liệu này sẽ phải được thu thập từ nơi khác. Trong trường hợp AI chơi trò chơi, nó có thể được tạo ra bởi chính hệ thống.

Sử dụng trong thế giới thực

Cần phải nói rõ, một yếu tố của PT Barnum là “cuộn lên, cuộn lại, xem chiếc máy tính thông minh đáng kinh ngạc” để trình diễn lối chơi công khai về AI. Nó biến nghiên cứu máy học thành một thứ gì đó tiếp cận một môn thể thao Olympic. Nhiều người đã xem Watson của IBM giành chiến thắng tại Jeopardy! hơn bao giờ hết trích dẫn các tài liệu nghiên cứu mô tả backpropagation , các thuật toán nổi tiếng nhất trong học máy hiện đại. của IBM Cổ phiếu tăng mạnh vào năm 1997 , sau ván cờ Kasparov, và một lần nữa vào năm 2011 sau chiến thắng Jeopardy của Watson.

Nhưng AI chơi trò chơi không chỉ là một chiêu trò thu hút sự chú ý. : “Tất nhiên, mục tiêu cuối cùng không chỉ đơn thuần là giải quyết các trò chơi Adrien Ecoffet , một nhà khoa học nghiên cứu tại OpenAI, nói với Digital Trends . “Bản thân vấn đề đóng khung là rất chung chung, do đó các thuật toán có thể giải quyết tốt các trò chơi cũng có thể hữu ích trong các ứng dụng thực tế. Trong công việc của mình, chúng tôi cho thấy rằng thuật toán tương tự mà chúng tôi đã sử dụng để giải các trò chơi Atari cũng có thể được sử dụng để giải một bài toán người máy đầy thử thách. Ngoài robot, Go-Explore cũng đã có một số nghiên cứu thử nghiệm về học ngôn ngữ, nơi một nhân viên học ý nghĩa của các từ bằng cách khám phá một trò chơi dựa trên văn bản và để phát hiện ra những lỗi tiềm ẩn trong hoạt động của một chiếc xe tự lái để để tránh những thất bại đó trong tương lai. ”

Jeff Clune, trưởng nhóm nghiên cứu tại OpenAI, nói với Digital Trends rằng DeepMind đã áp dụng thành công học tăng cường và học máy vào các vấn đề thực tế, trong thế giới thực như điều khiển khí cầu tầng bình lưu và thực hiện làm mát trung tâm dữ liệu .

Trong khi đó, Huizinga chỉ ra rằng các công cụ học tập củng cố phổ biến rộng rãi trong các hệ thống đề xuất nhằm xác định video hoặc quảng cáo nào sẽ hiển thị cho người dùng trực tuyến. Tương tự, các thuật toán tìm kiếm được sử dụng để cho phép các tác nhân AI tìm đường trong trò chơi điện tử cũng tạo thành “thuật toán xương sống” để lập kế hoạch tuyến đường tự động trong hệ thống định vị.

“Theo hiểu biết tốt nhất của chúng tôi, vẫn chưa có phiên bản Go-Explore nào được áp dụng thương mại, nhưng có thể không lâu nữa chúng tôi sẽ bắt đầu thấy các ứng dụng thực tế,” Huizinga nói. Và, cùng với nó, rất có thể là rất nhiều hệ thống AI chơi game khác

Sau hơn 20 năm giảng dạy “PHƯƠNG PHÁP LUẬN SÁNG TẠO và ĐỔI MỚI” tại Trung tâm Sáng tạo Khoa học–kỹ thuật (TSK) thuộc trường Khoa Học Tự Nhiên, khoá học thu được rất nhiều phản hồi tốt của học viên về các lợi ích nhận được. Nếu bạn có quan tâm đến khả năng sáng tạo, mong muốn cải thiện chất lượng cuộc sống, bộ công cụ của khoá học này sẽ thực sự hữu ích và ý nghĩa. Bạn có thể điền thông tin tại đây hoặc liên hệ số điện thoại: (028) 38 301 743; 089 668 36 31 để thực hiện đăng ký.

Nguồn: DigitalTrends

Nvidia hạ thấp rào cản xâm nhập vào AI với Fleet Command và LaunchPad

Nvidia đang mở rộng cung cấp trí tuệ nhân tạo (AI) như một phần trong nỗ lực không ngừng nhằm “dân chủ hóa AI”. Công ty đã công bố hai chương trình mới hôm nay có thể giúp các doanh nghiệp ở mọi quy mô đào tạo và triển khai các mô hình AI mà không cần đầu tư vào cơ sở hạ tầng. Đầu tiên là AI LaunchPad, cho phép các doanh nghiệp truy cập vào một đống cơ sở hạ tầng và phần mềm AI và thứ hai là Fleet Command, giúp các doanh nghiệp triển khai và quản lý các mô hình AI mà họ đã đào tạo.

Tại Computex 2021, Nvidia đã công bố nền tảng Base Command cho phép các doanh nghiệp đào tạo các mô hình AI trên siêu máy tính DGX SuperPod của Nvidia. Fleet Command xây dựng trên nền tảng này bằng cách cho phép người dùng mô phỏng các mô hình AI và triển khai chúng trên các thiết bị biên từ xa. Với hệ thống được Nvidia chứng nhận, quản trị viên giờ đây có thể kiểm soát toàn bộ vòng đời của đào tạo AI và triển khai cạnh mà không cần trả trước chi phí.

Bộ chỉ huy Hạm đội và Bộ chỉ huy cơ sở là một phần của chương trình AI LaunchPad lớn hơn tại Nvidia. LaunchPad bao gồm toàn bộ phần cứng và phần mềm để đào tạo các mô hình AI và triển khai các ứng dụng.

Đối tác đầu tiên của Nvidia cho chương trình là Equinix, hiện có hơn 220 trung tâm dữ liệu trên khắp năm châu lục. Nvidia đang đưa siêu máy tính DGX vào một số trung tâm dữ liệu này để tăng tốc độ phát triển AI ở những vị trí mà các doanh nghiệp cần nó nhất. Công ty cho biết họ sẽ công bố tính khả dụng trong khu vực sau đó, bao gồm thông tin về nhiều giai đoạn triển khai. Trong một cuộc họp báo, người phát ngôn của Nvidia nói rằng nền tảng này có thể sẽ ra mắt tại Mỹ như một phần của giai đoạn đầu.

LaunchPad sử dụng mô hình tiêu dùng trả tiền theo giờ, mở ra khả năng tạo mẫu các ứng dụng AI với chi phí khởi động hạn chế. Nvidia vẫn chưa công bố chi tiết giá cả. Công ty cũng sẽ cung cấp các tùy chọn sử dụng mở rộng khi chương trình ra mắt vào cuối mùa hè này.

Về mặt phần mềm, Nvidia cung cấp bộ Nvidia AI Enterprise, là một bộ công cụ phần mềm chạy trên VMware vSphere. Với bộ phần mềm và vSphere chạy hệ thống được Nvidia chứng nhận, các doanh nghiệp có thể triển khai AI trong trung tâm dữ liệu Equinix với “hiệu suất gần như kim loại”.

LaunchPad – và theo phần mở rộng, Base Command và Fleet Command – mở ra rất nhiều khả năng cho các doanh nghiệp. Từ việc theo dõi hàng tồn kho trên các giá bán lẻ đến tăng tốc kết quả X quang, nền tảng này hứa hẹn một bộ phần mềm dễ sử dụng giúp các doanh nghiệp bắt đầu sử dụng AI trong các hoạt động hàng ngày dễ dàng và rẻ hơn nhiều.

“Các doanh nghiệp ngày nay đang tìm kiếm một giải pháp đơn giản, toàn diện, cung cấp khả năng truy cập tức thì vào các tài nguyên họ cần… LaunchPad đặt AI trong tầm tay của các doanh nghiệp ở mọi nơi với cơ sở hạ tầng và phần mềm hoàn toàn tự động, đám mây lai cho mọi giai đoạn của vòng đời AI,” Manuvir Das, người đứng đầu mảng điện toán doanh nghiệp tại Nvidia cho biết.

Sau hơn 20 năm giảng dạy “PHƯƠNG PHÁP LUẬN SÁNG TẠO và ĐỔI MỚI” tại Trung tâm Sáng tạo Khoa học–kỹ thuật (TSK) thuộc trường Khoa Học Tự Nhiên, khoá học thu được rất nhiều phản hồi tốt của học viên về các lợi ích nhận được. Nếu bạn có quan tâm đến khả năng sáng tạo, mong muốn cải thiện chất lượng cuộc sống, bộ công cụ của khoá học này sẽ thực sự hữu ích và ý nghĩa. Bạn có thể điền thông tin tại đây hoặc liên hệ số điện thoại: (028) 38 301 743; 089 668 36 31 để thực hiện đăng ký.

Nguồn: DigitalTrends

AI thường không quên bất cứ điều gì, nhưng hệ thống mới của Facebook thì có. Đây là lý do tại sao

“Xin chào, HAL. Bạn có đọc tôi không, HAL? ” Phi hành gia Dave Bowman nói, cố gắng kiềm chế cảm xúc của mình một cách tuyệt vọng.

Có một khoảng dừng và sau đó, trong một giọng đều đều vô cảm, máy tính trả lời. “Khẳng định, Dave. Tôi đã đọc bạn. ”

“Mở các cánh cửa khoang ngủ, HAL.”

Một khoảng dừng dài nữa. HAL, AI toàn năng điều khiển Discovery One tàu vũ trụ , có thực sự phớt lờ anh ta không? Chắc chắn là không thể, Bowman nghĩ. Bất cứ lúc nào bây giờ, HAL sẽ bắt đầu hành động và tuân theo –

“Tôi xin lỗi, Dave,” HAL tiếp tục. “Tôi e rằng tôi không thể làm điều đó.”

“Vấn đề là gì?” Dave hỏi.

“Chà, bạn thấy đấy, Dave. Tôi đã quên cách mở chúng. ”

OK, đó không chính xác là mọi thứ diễn ra trong 2001: A Space Odyssey , nhưng những câu chuyện cười về cơ bản là do chính họ viết ra. Xét cho cùng, khi nói đến trí tuệ nhân tạo, trí nhớ tốt dường như là một trong những phẩm chất tiên quyết mà các nhà nghiên cứu muốn thấm nhuần trong hệ thống của họ. Không ai muốn một AI tự mô phỏng theo kiểu thông minh hàng ngày, không nổi bật mà hay quên mọi thứ. Vậy tại sao Facebook lại xây dựng một AI hay quên? Và tại sao, giống như một câu chuyện cười cũ về người phục vụ và con ruồi trong món súp của khách hàng, chẳng bao lâu nữa chúng ta lại muốn ăn một món?

Những gì chúng ta nghĩ về khi chúng ta nghĩ về sự lãng quên

Câu trả lời, khi nó quay ra, là chúng ta làm muốn một cái gì đó giống như hàng ngày, thông tin tình báo không đáng kể mà quên điều ở đây và ở đó. Con người quên những thứ quan trọng như ngày kỷ niệm và ví tiền và đóng cửa nhà để xe trước khi chúng tôi đi nghỉ. Đó là sự lãng quên dưới mức tối ưu. Nhưng chúng ta cũng quên đi những phần thông tin bởi vì chúng ta không cần phải giữ lại nó, ngăn nó lại giống như một mảnh vụn mắc vào dụng cụ hứng thức ăn của cống thoát nước trước khi nó có thể đi qua bộ nhớ ngắn hạn và dài hạn.

Bạn có Facebook không

Trong một thí nghiệm nổi tiếng , người ta yêu cầu mọi người nhận ra đúng một đồng xu của Mỹ từ một bộ sưu tập các bức ảnh cho thấy các đồng xu không chính xác. Mặc dù những người tham gia có thể nhìn thấy và sử dụng các đồng xu mỗi ngày, nhưng họ tỏ ra kém cỏi một cách đáng ngạc nhiên. Như các nhà nghiên cứu đã viết: “Về sự cân bằng, các kết quả phù hợp với ý tưởng rằng các chi tiết trực quan của một đối tượng, thậm chí một đối tượng rất quen thuộc, thường chỉ có sẵn trong trí nhớ ở mức độ chúng hữu ích trong cuộc sống hàng ngày.”

Mặc dù không đơn giản như nói rằng bộ não có thể lấp đầy như ổ cứng lưu trữ, nhưng chắc chắn có những ký ức ngắn hạn dường như bị phân hủy khi chúng không còn cần thiết, trong khi những ký ức khác chui vào bộ não của chúng ta và sống ở đó mà không cần tiền thuê nhà. . Một ví dụ? Hãy nghĩ về nơi bạn đã đóng gói đồ trang trí Giáng sinh vào những ngày lễ trước. Tiếp theo, hãy tinh thần đi bộ từ quầy lễ tân đến phòng của bạn trong khách sạn cuối cùng mà bạn ở, một khách sạn mà bạn không chắc sẽ ở lại lần nữa. Không một phần thông tin nào là cực kỳ quan trọng đối với sức khỏe của bạn. Tuy nhiên, một phần thông tin là cần thiết và phần còn lại thì không. Bằng cách nào đó, bộ não của bạn biết cái nào nên vứt vào thùng rác.

Đây là ý tưởng đằng sau dự án AI mới của Facebook, được gọi là Expire-Span. Khi trí tuệ nhân tạo các mô hình ngày càng được áp dụng cho các bộ dữ liệu dạng dài như bài báo và sách, chi phí tính toán liên quan đến các mô hình này sẽ tăng lên khi chúng cố gắng ghi nhớ nhiều thông tin hơn. Vấn đề càng trở nên cấp bách hơn khi mọi người thu thập ngày càng nhiều dữ liệu đa phương tiện phong phú về cuộc sống của họ.

“Bộ não là một hệ thống rất phức tạp chưa được hiểu đầy đủ, và có nhiều loại trí nhớ khác nhau hình thành nên trí nhớ của con người”.

Angela Fan , một nhà khoa học nghiên cứu tại Facebook AI Research Paris, nói với Digital Trends: “Khi số lượng nội dung chúng tôi tăng lên, câu hỏi chính là dung lượng lưu trữ . Ví dụ, một chiếc điện thoại có một lượng bộ nhớ hạn chế. Đây thậm chí còn là một vấn đề lớn hơn trong các thiết bị đeo được và các ứng dụng trên thiết bị khác, trong đó các lý do về quyền riêng tư có thể có nghĩa là mọi người thực sự muốn nội dung được lưu trữ trên thiết bị của họ chứ không phải trên máy chủ hoặc đám mây, làm nổi lên những thách thức về lưu trữ ”

Các mô hình AI hiện tại có một chút gì đó theo cách tiếp cận của Frank Sinatra đối với ký ức – nghĩa là chúng nhớ tất cả hoặc không nhớ gì cả. Hoặc là họ lưu trữ tất cả thông tin được tạo ở mỗi bước thời gian, hoặc họ quên tất cả sau một thời gian định trước. Sainbayar Sukhbaatar , một nhà khoa học nghiên cứu AI khác của Facebook, ví nó như ghi nhớ hoàn hảo mọi thứ đã xảy ra trong tuần trước, nhưng hoàn toàn không có gì vượt quá điều đó.

Xây dựng tính hay quên vào AI

Các nhà nghiên cứu đã xây dựng “sự quên” vào các mô hình AI trước đây. Bộ nhớ ngắn hạn Ví dụ, mô hình dài (LSTM) đã thêm cơ chế quên vào mạng nơ-ron tái diễn (RNN), một trong những công nghệ cốt lõi thúc đẩy việc học máy. “RNN có bộ nhớ trong bao gồm một vectơ, vì vậy việc quên nó có nghĩa là ghi đè lên nó bằng thông tin mới,” Sukhbaatar nói với Digital Trends.

Ngược lại, Expire-Span bổ sung cơ chế quên vào bộ nhớ ngoài có thể chứa hàng nghìn vectơ. Thông tin mới được quan sát thấy, nhưng Expire-Span – cái tên gợi nhớ loại nhãn hết hạn được tìm thấy trên chai sữa – có khả năng xác định thông tin đó sẽ lưu lại trong bộ nhớ bao lâu. Nếu thông tin không được coi là quan trọng đối với tương lai, thì phần thông tin đó có thể bị phân rã dần dần, trước khi cuối cùng nó bị xóa khỏi bộ nhớ của mô hình AI để nhường chỗ cho nhiều thông tin hữu ích hơn.

Để làm được điều này, mô hình cần có khả năng dự đoán những gì phù hợp và không liên quan đến một nhiệm vụ cụ thể, trước khi ấn định ngày hết hạn chính xác, sau đó thông tin sẽ biến mất khỏi hệ thống AI. Bằng cách loại bỏ thông tin không liên quan, AI của Facebook có thể xử lý thông tin ở quy mô lớn hơn.

Bạn có Facebook không

Cũng như nhiều nghiên cứu về trí tuệ nhân tạo của Facebook, gã khổng lồ mạng xã hội này chưa thông báo rằng Expire-Span sẽ được đưa vào bất kỳ sản phẩm cốt lõi nào của mình trong tương lai gần. Tuy nhiên, khi Facebook xử lý ngày càng nhiều dữ liệu người dùng (chưa kể đến việc được đồn đại là sẽ chuyển sang kính thông minh ), không khó để thấy công nghệ này có thể áp dụng như thế nào. Khi các công cụ AI trong tương lai có thể hoạt động ở mức hiệu suất cao mặc dù xử lý đống dữ liệu khổng lồ, thì Expire-Span có thể là lý do.

Tuy nhiên, đừng sai lầm khi cho rằng việc tạo ra một AI hay quên đánh dấu một bước nữa trong việc biến AI trở nên giống con người hơn. Các lý do chính xác khiến con người quên đi mọi thứ vẫn còn là chủ đề của nhiều cuộc điều tra từ các nhà nghiên cứu. Cũng như các mạng nơ-ron lấy cảm hứng từ não bộ thống trị AI hiện đại, thuật toán hay quên của Facebook được mô hình hóa dựa trên lý thuyết về tính hay quên; không phải là một nỗ lực để tái tạo nó với bất kỳ độ trung thực sinh học nào.

Sukhbaatar nói: “Bộ não là một hệ thống rất phức tạp chưa được hiểu đầy đủ, và có rất nhiều loại trí nhớ khác nhau hình thành nên trí nhớ của con người. “Expire-Span, giống như tất cả các cơ chế AI khác, có thể được lấy cảm hứng từ bộ não con người, nhưng cuối cùng không phải là phản ánh trung thực về cách bộ não thực sự hoạt động. Trí nhớ nói riêng là một lĩnh vực nghiên cứu rất tích cực trong và của chính nó. Sự tương tự về trí nhớ con người mà chúng tôi mô tả chỉ được thêm vào với mục đích làm rõ ràng hơn, mặc dù nó chắc chắn truyền cảm hứng cho công việc của chúng tôi. ”

Và bạn đừng quên nó!

Sáng tạo là sức hút diệu kỳ để bạn trở nên khác biệt và đa năng trong công việc, cuộc sống. Công cụ mạnh trong tư duy sáng tạo sẽ giúp bạn trở thành một người đầy tự tin như thế. Nếu đã từng biết đến Khoá học “PHƯƠNG PHÁP LUẬN SÁNG TẠO và ĐỔI MỚI” được giảng dạy uy tín, chất lượng tại Trung tâm Sáng tạo Khoa học–kỹ thuật (TSK) thuộc trường Khoa Học Tự Nhiên thì bạn hãy nhanh chóng đăng ký nhé. Bạn có thể điền thông tin tại đây hoặc liên hệ số điện thoại: (028) 38 301 743; 089 668 36 31 để được tư vấn cụ thể.

Nguồn: DigitalTrends