Alexander
Można uczynić niemal każdy przedmiot komputerem – i może to całkowicie zmienić sztuczną inteligencję. Najnowszy chip iPhone ’a 7 zawiera 3,3 miliarda tranzystorów upakowanych na kawałku krzemu wielkości małej monety. Ale era coraz mniejszych i potężniejszych komputerów dobiega już końca. Chipy krzemowe osiągają niemal punkt, w którym prawa fizyki udaremnią
ich dalsze zmniejszanie. Oprócz tego istnieją również pewne istotne ograniczenia w zastosowaniu urządzeń bazujących na krzemie i to jest dość istotny argument przy stosowaniu innych komponentów do budowy komputerów. Być może najbardziej znaną naukowcom alternatywą są komputery kwantowe, które manipulują właściwościami chipów w sposób odmienny od tradycyjnych maszyn cyfrowych. Istnieje również możliwość korzystania z innych materiałów – potencjalnie każdy system fizyczny czy materiał może jak komputer wykonywać obliczenia bez konieczności manipulowania elektronami jak to robią chipy krzemowe. I okazuje się, że mogą być nawet lepsze dla rozwoju sztucznej inteligencji niż istniejące komputery. Koncepcja ta znana jest powszechnie jako “reservoir computing” i wywodzi się z prób tworzenia sieci komputerowych wzorowanych na budowie mózgu. Polega ona na pomyśle, że możemy wykorzystać zachowanie układów fizycznych w celu wykorzystania ich naturalnej mocy obliczeniowej począwszy – powiedzmy – od wiadra z wodą do bąbla plastiku oplecionego nanorurkami węglowymi.
Wejście i wyjście
“Reservoir computing” wykorzystuje właściwości fizyczne materiału w jego naturalnym stanie do wykonywania obliczeń. Kontrastuje to z obecnym cyfrowym modelem obliczeniowym zmieniającym w tym celu właściwości materiału. Na przykład, aby stworzyć nowoczesne mikroprocesory musimy zmienić strukturę krystaliczną krzemu. „Reservoir computing” natomiast mógłby w zasadzie być wykonany z kawałka krzemu (lub dowolnej liczby innych materiałów) bez tych zmian strukturalnych. Podstawową ideą jest pobudzenie materiału w określony sposób i poznanie sposobu mierzenia wpływu tej stymulacji i jej wyniku. Jeśli można poznać, w jaki sposób od poziomu wejściowego przejść do zmierzenia zmian na wyjściu, to otrzymamy skuteczny wynik, który można następnie wykorzystać w ramach szeregu obliczeń. Inaczej niż w tradycyjnych układach scalonych, które zależą od położenia elektronów, specyficzne rozmieszczenie cząstek materiału nie jest tu ważne. Zamiast tego po prostu trzeba przestrzegać pewnych ogólnych właściwości, które pozwalają nam mierzyć zmiany wyjściowe w materiale. Na przykład, jeden z zespołów naukowych zbudował prosty komputer, którym był zbiornik z wiadrem wody i wykazał, że po stymulowaniu wody sondami mechanicznymi, mogliby zaprogramować kamerę obserwującą powierzchnię wody, do interpretacji różnorodnych pojawiających się w wyniku stymulacji charakterystycznych wzorów. Opracowano algorytm łączący ruchy sondy z wzorem marszczącym wodę, a następnie użyto go, by wykonać kilka prostych operacji logicznych. Generalnie sama woda przekształciła dane wejściowe z sond na użyteczny wynik – i to jest właśnie to wielkie osiągnięcie.
Komórki mózgowe ogólnego zastosowania.
Okazuje się, że idea „reservoir computing” zbieżna jest z badaniami neurologicznymi, który wykazały, że pewne części mózgu wydają się być “ogólnego przeznaczenia”. Obszary te przede wszystkim składają się z neuronów, które są tylko luźno wyspecjalizowane i wciąż mogą zasilać obsługą różne funkcje poznawcze w bardziej wyspecjalizowanych częściach mózgu, przyczyniając się do zwiększenia efektywności.
Podobnie w przypadku komputera, jeśli ten “reservoir” jest stymulowany przez określony sygnał to będzie reagować w bardzo charakterystyczny sposób, a reakcja ta może pomóc w wykonywaniu obliczeń. Na przykład ostatnie badania sugerują, że kiedy coś słyszymy lub widzimy, pewna ogólna część mózgu jest stymulowana przez światło lub dźwięk. Odpowiedzi neuronów w tym obszarze mózgu są czytane i interpretowane przez inny węższy, bardziej wyspecjalizowany obszar mózgu. Badania wskazują, że „reservoir computing” może być niesamowicie wydajny obliczeniowo i może – teoretycznie – skutecznie przeprowadzać nieskończoną liczbę funkcji.
W rzeczywistości, “reservoir computing” stały się już bardzo popularne w niektórych aspektach sztucznej inteligencji, dzięki właśnie tym właściwościom. Na przykład, systemy wykorzystujące te metody dokonują prognoz giełdowych, przewyższających wiele „konwencjonalnych” technologii sztucznej inteligencji. Po części dlatego, że o wiele łatwiej trenować AI wykorzystującą reservoir, niż AI, która nie stosuje tej metody. Ostatecznie, jest to jednak stosunkowo nowa technologia i sporo badań pozostaje do zrobienia by wydobyć pełnię jej możliwości i implikacji. Ale jest już jasne, że istnieje ogromna liczba potencjalnych zastosowań tego typu technologii, zarówno w dziedzinie sztucznej inteligencji jak i innych szerszych zastosowaniach, które mogą obejmować wszystko – począwszy od analizy i przetwarzania w czasie realnym wzorców/obrazów po sterowanie robotów
Wg. Mark Douthwaite, doktorant w High Integrity Systems Engineering, University of York
Matt Dale, PhD student w York Centrum Complex Systems Analysis, University of York