Бофините от MIT правят AI чипове милион пъти по-бързи от мозъка • The Register

Накратко В ранните дни на изследванията на изкуствения интелект се надяваха, че след като електрониката се изравни по капацитет с човешките синапси, много проблеми ще бъдат решени. Сега отидохме далеч отвъд това.

Екип от MIT съобщава, че е изградил AI чипове, които имитират синапси, но са милион пъти по-бързи и освен това са значително по-енергийно ефективни от сегашните дизайни. Неорганичният материал също е лесен за поставяне в настоящия комплект за изграждане на чипове.

„След като имате аналогов процесор, вече няма да обучавате мрежи, върху които всички останали работят. Ще обучавате мрежи с безпрецедентна сложност, която никой друг не може да си позволи, и следователно ще превъзхождате значително всички тях. С други думи, това е не по-бърза кола, това е космически кораб,” казах водещ автор и постдоктор на MIT Мурат Онен.

„Скоростта определено беше изненадваща. Обикновено не бихме прилагали такива екстремни полета в устройствата, за да не ги превърнем в пепел. Но вместо това протоните в крайна сметка се движат с огромни скорости през стека на устройствата, по-специално милион пъти по-бързо в сравнение с това, което имахме преди. И това движение не уврежда нищо, благодарение на малкия размер и ниската маса на протоните. Това е почти като телепортиране.”

Това е някакъв интелигентен дизайн.

Защо резултатите от моделите на машинно обучение са трудни за възпроизвеждане

Компютърните учени Саяш Капур и Арвинд Нараянан от Принстън обвиняват изтичането на данни и неадекватните методи за тестване, че правят изследванията на машинното обучение трудни за възпроизвеждане от други учени и казват, че те са част от причината резултатите да изглеждат по-добри, отколкото са.

Изтичането на данни възниква, когато данните, използвани за обучение на алгоритъм, могат да изтекат при неговото тестване; когато представянето му се оценява, моделът изглежда по-добър, отколкото е в действителност, защото вече всъщност е видял отговорите на въпросите. Понякога методите за машинно обучение изглеждат по-ефективни, отколкото са, защото не са тествани в по-стабилни настройки.

AI алгоритъм, обучен да открива пневмония в рентгенови лъчи на гръдния кош, обучен върху данни, взети от по-възрастни пациенти, може да бъде по-малко точен, когато работи върху изображения, взети от по-млади пациенти, например Nature докладвани. Капур и Нараянан смятат, че практикуващите трябва ясно да опишат как наборите от данни за обучение и тестване не се припокриват.

Моделите не са достатъчни сами по себе си, но кодът също трябва да бъде лесно достъпен, твърдят те в хартия [PDF] пуснат на arXiv.

Договорът за AI между Palantir и изследователската лаборатория на армията на САЩ е удължен

Изследователската лаборатория на армията на САЩ удължи договора си с Palantir, за да продължи да разработва AI технологии за своите бойни команди, на стойност 99,9 милиона долара за две години.

И двете страни започнаха да работят заедно през 2018 г. Софтуерът на Palantir се използва за изграждане и управление на тръбопроводи за данни за платформи, използвани от въоръжените сили, бойни командвания и специални оператори. Тези ресурси от своя страна захранват системи за машинно обучение, разгърнати от различни военни единици за битка.

„Очакваме с нетърпение да внедрим нашите най-нови ML, Edge и Space технологии заедно с нашите американски военни партньори“, Шанън Кларк, старши помощник по иновациите, казах в изявление.

„Тези технологии ще позволят на операторите в полето да използват AI прозрения, за да вземат решения в много слети домейни. От космоса до морското дъно и всичко между тях.“ ®