Идеи машинного интеллекта получают новое развитие

В этом году празднуется 100-летие со дня рождения Алана Тьюринга, заложившего в 30-е годы прошлого века основы компьютерной науки, тем не менее, попытки создания машины, соответствующей мозгу человека по адаптируемости и интеллектуальности, все еще не увенчались успехом.

Классические компьютеры, это, по сути, калькуляторы. Они работают последовательно, в расписанном по пунктам специальном окружении, для которого они созданы и запрограммированы. Они могут выглядеть разумными в ситуациях, которые предусмотрены программистами, но неспособны улучшать решение задач с учетом новых фактов, предоставлять альтернативные решения или совершать иные действия, требующие интеллекта.

В 1948 г. Тьюринг предположил другой тип вычислений, основанный на «адаптивных умозаключениях», но сам уже не успел развить эту концепцию машинного интеллекта.

В статье для свежего номера Neural Computing эксперт по нейросетям Хава Сигельман (Hava Siegelmann) из массачусетского Университета Амхерста, описывает следующий логический шаг в решении этой задачи. Она развила свое достижение девятилетней давности, названное «супер-тьюринговскими вычислениями», определив компьютерную систему, которая учится и развивается, используя информацию из окружающей среды.

Вместе с коллегой, Джереми Кабессой (Jeremie Cabessa), они показали, что в контексте сохранности памяти и последовательной интерактивности рекуррентные нейронные сети с реальными весовыми коэффициентами эквивалентны интерактивным машинам Тьюринга с механизмом совета. Из их результатов следует, что такие нейросети способны выполнять бесконечно больше передач информации, чем интерактивные машины Тьюринга, что делает их пригодными для реализации супертьюринговских вычислений.

Сигельман с двумя ее сотрудниками недавно были уведомлены о выделении им гранта на создание первого в мире супертьюринговского компьютера, основанного на рекуррентных аналоговых нейросетях. Такая машина, как ожидается, не только покажет исключительный уровень гибкости, но будет и весьма экономичной. «Например, при распознавании визуального образа, она выделит только ключевые признаки, на которых и сосредоточит внимание вместо того, чтобы анализировать всю сцену целиком», — отмечает Сигельманн.

Стратегія охолодження ЦОД для епохи AI