Может ли робот попасть в такую же ситуацию? Скорее всего, не.
Алтуве обладает отточенными естественными рефлексами, многолетним опытом, знанием тенденций питчера и пониманием траекторий различных полей. То, что он видит, слышит и чувствует, органично сочетается с его мозговой и мышечной памятью, чтобы рассчитать время удара, производящего удар. Робот, с другой стороны, должен использовать систему связи, чтобы медленно координировать данные от его датчиков с его двигательными возможностями. И он ничего не может вспомнить.
Третий удар!
Но может быть надежда на робота. В статье исследователей из Мэрилендского университета, только что опубликованной в журнале Science Robotics, представлен новый способ объединения восприятия и двигательных команд с использованием так называемой теории гиперпространственных вычислений, которая может коренным образом изменить и улучшить базовую задачу искусственного интеллекта (ИИ) сенсомоторной репрезентации. – как такие агенты, как роботы, переводят то, что они ощущают, в то, что они делают.
«Изучение сенсомоторного управления с помощью нейроморфных сенсоров: к гиперпространственному активному восприятию» было написано доктором компьютерных наук.D. студенты Антон Митрохин и Петр Сутор-младший.; Корнелия Фермюллер, младший научный сотрудник Института передовых компьютерных исследований Мэрилендского университета; и профессор компьютерных наук Яннис Алоимонос.
Митрохина и Сутора консультирует Алоимонос.
Интеграция – самая важная задача, стоящая перед робототехникой. Датчики робота и приводные механизмы, которые его перемещают, представляют собой отдельные системы, связанные между собой центральным механизмом обучения, который определяет необходимое действие на основе данных датчиков, или наоборот.
Громоздкая система ИИ, состоящая из трех частей, каждая часть которой говорит на своем языке, – медленный способ заставить роботов выполнять сенсомоторные задачи.
Следующим шагом в робототехнике будет интеграция восприятия робота с его двигательными возможностями. Это слияние, известное как «активное восприятие», предоставит роботу более эффективный и быстрый способ выполнения задач.
В новой теории вычислений авторов операционная система робота будет основана на гиперпространственных двоичных векторах (HBV), которые существуют в разреженном и чрезвычайно многомерном пространстве.
HBV могут представлять собой разрозненные отдельные вещи – например, единичное изображение, концепцию, звук или инструкцию; последовательности, составленные из отдельных вещей; и группировки дискретных вещей и последовательностей. Они могут учесть все эти типы информации осмысленным образом, связывая каждую модальность вместе в длинные векторы единиц и нулей с равной размерностью. В этой системе возможности действий, сенсорный ввод и другая информация занимают одно и то же пространство, представлены на одном языке и объединены, создавая своего рода память для робота.
Статья в журнале Science Robotics знаменует собой первый раз, когда восприятие и действие были интегрированы.
Гиперпространственная структура может превратить любую последовательность «мгновений» в новые HBV и сгруппировать существующие HBV вместе, все с одинаковой длиной вектора. Это естественный способ создания семантически значимых и информированных "воспоминаний".«Кодирование все большей и большей информации, в свою очередь, приводит к векторам« истории »и способности запоминать. Сигналы становятся векторами, индексирование преобразуется в память, а обучение происходит посредством кластеризации.
Воспоминания робота о том, что он чувствовал и делал в прошлом, могут заставить его ожидать будущего восприятия и влиять на его будущие действия. Это активное восприятие позволит роботу стать более автономным и лучше справляться с задачами.
«Активный воспринимающий знает, почему он хочет ощущать, затем выбирает, что воспринимать, и определяет, как, когда и где достичь восприятия», – говорит Алоимонос. "Он выбирает и фиксирует сцены, моменты времени и эпизоды.
Затем он настраивает свои механизмы, датчики и другие компоненты, чтобы действовать в соответствии с тем, что он хочет видеть, и выбирает точки обзора, с которых лучше всего фиксировать то, что он намеревается."
"Наша гиперпространственная структура может решить каждую из этих задач."
Приложения исследований Мэриленда могут выйти далеко за рамки робототехники.
Конечная цель – научиться делать ИИ принципиально другим способом: от концепций до сигналов и языка. Гиперпространственные вычисления могут предоставить более быструю и эффективную альтернативную модель итеративной нейронной сети и методам искусственного интеллекта с глубоким обучением, которые в настоящее время используются в вычислительных приложениях, таких как интеллектуальный анализ данных, визуальное распознавание и перевод изображений в текст.
«Методы искусственного интеллекта на основе нейронных сетей большие и медленные, потому что они не способны запоминать», – говорит Митрохин. «Наш метод гиперпространственной теории может создавать воспоминания, которые потребуют гораздо меньше вычислений и должны сделать такие задачи намного быстрее и эффективнее."