Kā cilvēkiem simbolisms ir atslēga, lai izprastu apkārtējo pasauli, tas ir tas, kā mēs interpretējam objektus, idejas un attiecības starp tiem un starp tiem.

Mēs esam pilnībā atkarīgi no analoģijas, kas padara mūsu pašreizējo skaitļošanas tehnoloģiju ārkārtīgi sarežģītu, sarežģītu un šajā brīdī arhaisku.

Pieaugošā mākslīgā intelekta (AI) popularitāte un lietošanas gadījumi, ko mēs jau redzam, izmantojot OpenAI ChatGPT, ne vienmēr ir labākās lietojumprogrammas, kas pārsniedz vienkāršu "ažiotāžu" un akciju inflāciju.

Izmantojot tradicionālo skaitļošanu, mēs pilnībā nesaprotam, ko dara šie mākslīgie neironu tīkli (ANN) vai kāpēc tie pat darbojas tik labi. Pilnīgs pārredzamības trūkums arī rada lielu trūkumu mūsu izpratnē par to, kā dati tiek vākti un analizēti, lai izspiestu rezultātus, kuriem mēs tik ļoti pieķeramies, ka mēs sākam apzīmēt kā "progresu".

Apsveriet šādu ANN piemēru, kas spēj atšķirt “apļus” un “kvadrātus” vienu no otra. 

Viens veids, kā panākt šo atšķirību, ir acīmredzams - ja viens izvades slānis norāda apli, bet otrs norāda kvadrātu. 

Bet ko darīt, ja vēlaties, lai ANN izšķir šīs konkrētās formas “krāsu” — vai tā ir “sarkana” vai “zila”? 

Tā kā “krāsa” ir pilnīgi atsevišķa datu kopa, tai ir nepieciešami papildu izvades neironi, lai varētu ņemt vērā šo funkciju galīgajā izvadē. Šajā gadījumā vajadzētu būt četriem izejas neironiem – pa vienam zilajam aplim, zilajam kvadrātam, sarkanajam aplim un sarkanajam kvadrātam. 

Ko darīt, ja mēs vēlētos aprēķinu, kurā ņemta vērā arī papildu informācija, piemēram, “lielums” vai “atrašanās vieta/atrašanās vieta”? 

Vairāk pazīmju nozīmē vairāk neironu, kuriem ir jāņem vērā katra iespēja, kas saistīta, definējot konkrēto pazīmi (vai pazīmju kombināciju) ar “apli” un “kvadrātu”. 

Citiem vārdiem sakot, tas kļūst neticami sarežģīts. 

Bruno Olshauzens, Kalifornijas Universitātes Bērklija neirozinātnieks, nesen runāja par nepieciešamību pēc neirona katrai iespējamai pazīmju kombinācijai.

"Tā nevar būt tā, kā mūsu smadzenes uztver dabisko pasauli ar visām tās variācijām. Jums ir jāierosina … neirons visām kombinācijām, ”viņš teica, paskaidrojot, ka būtībā mums būtu nepieciešams “violetais Volkswagen detektors” vai kaut kas tik neskaidrs, lai ņemtu vērā visas iespējamās informācijas kombinācijas, kuras mēs ceram ņemt vērā jebkurā konkrētā gadījumā. eksperiments.

Ievadiet “hiperdimensionālā skaitļošana”.

Kas ir “hiperdimensionālā skaitļošana”?

Hiperdimensionālās skaitļošanas būtība ir algoritma spēja atšifrēt noteiktas informācijas daļas no sarežģītiem attēliem (domājiet par metadatiem) un pēc tam attēlot šo kolektīvo informāciju kā vienu vienību, kas pazīstama kā "hiperdimensiju vektors".

Atšķirībā no tradicionālās skaitļošanas, hiperdimensionālā skaitļošana ļauj simboliski un savā ziņā risināt problēmas, spēj efektīvi un precīzi “paredzēt” konkrētas problēmas iznākumu, pamatojoties uz datiem, kas ietverti hiperdimensionālajā vektorā. 

Olshauzens citu kolēģu vidū apgalvo, ka informāciju smadzenēs atspoguļo tonnas neironu darbība, padarot mūsu fiktīvā “violetā Volkswagen” uztveri neiespējamu ierobežot ar viena neirona darbībām, bet gan ar tūkstošiem. neironiem, kas kopā veido violetu Volkswagen.

Ar vienu un to pašu neironu kopu, kas darbojas atšķirīgi, mēs varētu redzēt pilnīgi atšķirīgu koncepciju vai rezultātu, piemēram, rozā Cadillac. 

Saskaņā ar neseno diskusiju žurnālā WIRED galvenais ir tas, ka katra informācija, piemēram, ideja par automašīnu vai tās marku, modeli, krāsu vai to visu kopā, tiek attēlota kā viena vienība - hiperdimensionāls vektors vai hipervektors.

"Vektors" ir tikai sakārtots skaitļu masīvs — 1, 2, 3 utt., kur 3D vektors sastāv no trim skaitļiem — precīza punkta x, y un z koordinātām 3D telpā.

No otras puses, “hipervektors” varētu būt tūkstošiem vai simtiem tūkstošu skaitļu masīvs, kas attēlo punktu šajā dimensiju telpas daudzumā. Piemēram, hipervektors, kas attēlo 10 000 skaitļu masīvu, attēlo punktu 10 000 dimensiju telpā. 

Šis abstrakcijas līmenis sniedz mums elastību un spēju attīstīt moderno skaitļošanu un saskaņot to ar jaunām tehnoloģijām, piemēram, mākslīgo intelektu (AI). 

"Šī ir lieta, par ko esmu bijis visvairāk sajūsmā praktiski visas savas karjeras laikā," sacīja Olšauzens. Viņam un daudziem citiem hiperdimensionālā skaitļošana sola jaunu pasauli, kurā skaitļošana ir efektīva un stabila, un mašīnu pieņemtie lēmumi ir pilnīgi caurspīdīgi.

“Metadatu” pārveidošana hiperdimensionālos algoritmos, lai radītu sarežģītus rezultātus

Pamatā esošā algebra norāda, kāpēc sistēma izvēlējās konkrēto atbildi, ko nevar teikt par tradicionālajiem neironu tīkliem. 

Izstrādājot hibrīdas sistēmas, kurās šie neironu tīkli var attēlot IRL ar hipervektoriem un pēc tam ļaut pārņemt hiperdimensiju algebrai, ir galvenais, kā AI būtu jāizmanto, lai mēs varētu labāk izprast apkārtējo pasauli.

"Tas ir tas, ko mums vajadzētu sagaidīt no jebkuras AI sistēmas," saka Olshauzens. "Mums vajadzētu to saprast tāpat kā lidmašīnu vai televizoru."

Atgriežoties pie piemēra ar “apļiem” un “kvadrātiem” un piemērojot to augstas dimensijas telpām, mums ir nepieciešami vektori, lai attēlotu “formas” un “krāsas” mainīgos, bet arī mums ir nepieciešami vektori, lai attēlotu vērtības, kuras var tiek piešķirti mainīgajiem lielumiem – “APLIS”, “KVADRĀTS”, “ZILS” un “SARKANS”.

Vissvarīgākais ir tas, ka šiem vektoriem jābūt pietiekami atšķirīgiem, lai faktiski noteiktu šos mainīgos lielumus. 

Tagad pievērsīsim uzmanību Ērikam Veisam, Olshauzena studentam, kurš 2015. gadā demonstrēja vienu hiperdimensionālās skaitļošanas unikālo spēju aspektu, kā vislabāk attēlot sarežģītu attēlu kā vienu hiperdimensionālu vektoru, kas satur informāciju par VISIEM attēlā redzamajiem objektiem. krāsas, pozīcijas, izmēri. 

Citiem vārdiem sakot, ārkārtīgi uzlabots attēla metadatu attēlojums. 

"Es praktiski izkritu no krēsla," sacīja Olshauzens. "Pēkšņi iedegās spuldze."

Tajā brīdī vairāk komandu sāka koncentrēt savus centienus uz "hiperdimensionālu algoritmu" izstrādi, lai atkārtotu "vienkāršos" uzdevumus, ar kuriem dziļi neironu tīkli jau bija nodarbojušies pirms divām desmitgadēm, piemēram, attēlu klasificēšanai. 

“Hipervektora” izveidošana katram attēlam

Piemēram, ja jūs uzņemtu anotētu datu kopu, kas sastāv no ar roku rakstītu ciparu attēliem, šis hiperdimensionālais algoritms analizētu katra attēla specifiskās iezīmes, katram attēlam izveidojot “hipervektoru”.

Hipervektoru “klases” izveidošana katram ciparam

Pēc tam algoritms pievienos hipervektorus visiem “nulles” attēliem, lai izveidotu hipervektoru “nulles idejai”, un atkārto to visiem cipariem, ģenerējot 10 “klases” hipervektorus — pa vienam katram ciparam. 

Šīs saglabātās hipervektoru klases tagad tiek mērītas un analizētas, salīdzinot ar hipervektoru, kas izveidots jaunam attēlam bez etiķetes, lai algoritms noteiktu, kurš cipars visvairāk atbilst jaunajam attēlam (pamatojoties uz iepriekš noteiktu hipervektoru klasi katram ciparam). 

IBM Research ienirst

Martā Abbas Rahimi un divi kolēģi no IBM Research Cīrihē izmantoja hiperdimensionālu skaitļošanu ar neironu tīkliem, lai atrisinātu klasisku problēmu abstraktā vizuālā spriešanā, kas ir radījis ievērojamu izaicinājumu tipiskiem ANN un pat dažiem cilvēkiem. 

Vispirms komanda izveidoja hipervektoru “vārdnīcu”, lai attēlotu objektus katrā attēlā, kur katrs vārdnīcas hipervektors attēloja konkrētu objektu un kādu tā atribūtu kombināciju. 

Pēc tam komanda apmācīja neironu tīklu, lai pārbaudītu attēlu, lai ģenerētu bipolāru hipervektoru, kur konkrēts atribūts vai elements var būt +1 vai -1. 

"Jūs virzāt neironu tīklu uz jēgpilnu konceptuālu telpu," sacīja Rahimi.

Vērtība šeit ir tāda, ka, tiklīdz tīkls ir ģenerējis hipervektorus katram konteksta attēlam un katram tukšā slota kandidātam, tiek izmantots cits algoritms, lai analizētu hipervektorus, lai izveidotu “varbūtības sadalījumu” vairākiem objektiem attēlā.

Citiem vārdiem sakot, algebru var izmantot, lai paredzētu visticamāko kandidāta attēlu, kas aizpildītu brīvo vietu. Un komandas pieeja nodrošināja gandrīz 88 procentu precizitāti vienai problēmu kopai, kur tikai neironu tīkla risinājumi bija mazāk nekā 61 procenti precīzi.

Mēs joprojām esam sākumstadijā

Neskatoties uz daudzajām priekšrocībām, hiperdimensionālā skaitļošana joprojām ir ļoti sākumstadijā, un tai ir nepieciešama pārbaude pret reālās pasaules problēmām un daudz lielākā mērogā, nekā mēs esam redzējuši līdz šim, piemēram, vajadzība efektīvi meklēt vairāk nekā 1 miljardā vienumu vai rezultātu. un atrodiet konkrētu rezultātu. 

Galu galā tas nāks ar laiku, taču tas uzdod jautājumus par to, kur un kā mēs izmantojam un integrējam mākslīgā intelekta izmantošanu. 

Lasiet par to, kā 40 minūšu garais dievkalpojums, ko darbina AI, Vācijā piesaistīja vairāk nekā 300 apmeklētājus kā pirmo šāda veida eksperimentu.

Noklikšķiniet šeit, lai skatītu pilnu Hypemoon galeriju