Вкратце В первые дни исследований ИИ надеялись, что как только электроника сравняется по возможностям с человеческими синапсами, многие проблемы будут решены. Теперь мы вышли далеко за рамки этого.
Команда Массачусетского технологического института сообщает, что она создала чипы искусственного интеллекта, которые имитируют синапсы, но работают в миллион раз быстрее и, кроме того, значительно более энергоэффективны, чем существующие конструкции. Неорганический материал также легко вписывается в текущий набор для сборки микросхем.
«Как только у вас появится аналоговый процессор, вы больше не будете обучать сети, над которыми работают все остальные. это не более быстрая машина, это космический корабль», — сказал ведущий автор и постдоктор Массачусетского технологического института Мурат Онен.
«Скорость, безусловно, была удивительной. Обычно мы не применяли бы такие экстремальные поля к устройствам, чтобы не превратить их в пепел. Но вместо этого протоны в конечном итоге двигались с огромной скоростью по стеку устройств, в частности, в миллион раз быстрее по сравнению с то, что у нас было раньше. И это движение ничего не повреждает, благодаря маленькому размеру и малой массе протонов. Это почти как телепортация».
Вот это разумный замысел.
Почему результаты моделей машинного обучения трудно воспроизвести
Компьютерщики из Принстона Сайаш Капур и Арвинд Нараянан обвиняют утечку данных и неадекватные методы тестирования в том, что исследования машинного обучения трудно воспроизвести другими учеными, и говорят, что они являются частью причины, по которой результаты кажутся лучше, чем они есть на самом деле.
Утечка данных происходит, когда данные, используемые для обучения алгоритма, могут попасть в его тестирование; при оценке ее производительности модель кажется лучше, чем она есть на самом деле, потому что, по сути, она уже видела ответы на вопросы. Иногда методы машинного обучения кажутся более эффективными, чем они есть на самом деле, потому что они не тестируются в более надежных условиях.
Алгоритм ИИ, обученный обнаруживать пневмонию на рентгенограммах грудной клетки, обученный на данных, полученных от пожилых пациентов, может быть менее точным, когда он работает с изображениями, полученными от более молодых пациентов, например, сообщает Nature. Капур и Нараянан считают, что специалисты-практики должны четко описать, почему наборы данных для обучения и тестирования не пересекаются.
Модели сами по себе недостаточны, однако код также должен быть легко доступен, утверждают они в статье. [PDF] выпущен на arXiv.
Контракт AI между Palantir и исследовательской лабораторией армии США продлен
Исследовательская лаборатория армии США продлила контракт с Palantir на продолжение разработки технологий искусственного интеллекта для своих боевых подразделений на сумму 99,9 млн долларов в течение двух лет.
Обе стороны начали совместную работу в 2018 году. Программное обеспечение Palantir используется для создания и управления конвейерами данных для платформ, используемых вооруженными силами, боевыми командами и специальными операторами. Эти ресурсы, в свою очередь, питают системы машинного обучения, развернутые различными воинскими подразделениями для ведения боевых действий.
«Мы с нетерпением ждем возможности представить наши новейшие технологии ML, Edge и Space вместе с нашими военными партнерами из США», — заявил в своем заявлении старший вице-президент по инновациям Шеннон Кларк.
«Эти технологии позволят операторам в полевых условиях использовать идеи ИИ для принятия решений во многих объединенных областях. От космоса до морского дна и всего, что между ними». ®
