211service.com
IBM og MIT satser på at materialer og kvantefremskritt vil overlade AI
IBM
Et nytt senter på 240 millioner dollar ved MIT kan bidra til å fremme kunstig intelligens ved å utvikle nye enheter og materialer for å drive de nyeste maskinlæringsalgoritmene. Det kan kanskje også hjelpe IBM å gjenvinne sitt rykte for å drive med banebrytende AI.
Prosjektet, annonsert av IBM og MIT i dag, vil forske på nye tilnærminger innen dyp læring, en teknikk innen AI som har ført til store fremskritt innen områder som maskinsyn og stemmegjenkjenning. Men den vil også utforske helt nye dataenheter, materialer og fysiske fenomener, inkludert forsøk på å utnytte kvantedatamaskiner – eksotiske, men potensielt veldig kraftige nye maskiner – for å gjøre AI enda mer kapabel.
Mye innovasjon skjer ved bruk av standard silisium og arkitekturer, men hva med enhetene og materialvitenskapen? sier Darius Gil , visepresident for AI hos IBM Research. Det er et område ingen berører, og det har potensial for forbedringer i størrelsesordener.
Senteret vil også se på måter AI kan distribueres mer effektivt i bransjer som helsevesen og sikkerhet. Og den vil studere den økonomiske effekten av kunstig intelligens og automatisering, et enormt viktig problem for samfunnet.
Flyttingen er viktig for MIT. Universitetet var i forkant av AI-forskning i løpet av 1950-årene, men feltets tyngdepunkt har flyttet seg vestover i det siste, med store teknologiselskaper som Google, Facebook, Microsoft og Amazon som leder an.
Investeringen signaliserer også et skifte for IBM. Selskapet presset AI fremover ved å utvikle Deep Blue, en maskin som slo verdensmesteren i sjakk, Garry Kasparov, i 1997 (se Hvordan sjakken ble vunnet ). Watson-superdatamaskinen som vant spillshowet Fare! i 2010 brukte banebrytende maskinlæringsteknikker og prosesseringsteknikker for naturlig språk. De siste årene har imidlertid andre selskaper stjålet rampelyset innen AI-forskning, og selskapet har noen ganger blitt beskyldt for å overhype AI-tjenestene som er tilgjengelige under Watson-merket.
Spesielt fokus på maskinvare kan være en god måte å starte på nytt. Selv om det har vært dramatisk fremgang i AI de siste årene, har det meste kommet takket være en håndfull algoritmer, samt den økende tilgjengeligheten av kraftige superdatamaskiner og store mengder treningsdata. Selv når nye tilnærminger dukker opp, tilbyr nye materialer og dataarkitekturer et stort potensial for å forbedre disse AI-algoritmene.
Mest banebrytende maskinlæring gjøres i dag på konvensjonelle databrikker, enten de opprinnelig er designet for grafikkbehandling eller skreddersydde for å håndtere de nødvendige beregningene så effektivt som mulig. Å tenke nytt om brikkearkitekturer og hvilke typer komponenter som brukes kan øke ytelsen betydelig. IBM har allerede et sterkt forskningsfokus på materialvitenskap og nye dataenheter. Like begeistret som vi alle er om AI, har feltet flere tiår foran seg, sier Gil.
Rafael Reif, president for MIT (til venstre), og John Kelly, senior visepresident for kognitive løsninger og forskning i IBM.
En av disse mulighetene kan komme fra kvantedatabehandling. En forskningskuriositet i flere tiår, den går nå videre mot praktiske maskiner som er i stand til å takle reelle problemer, spesielt på områder som kjemisk forskning. Dens mulige effekter på maskinlæring og AI gir fascinerende spørsmål.
Gil sier det er for tidlig å forutsi hvordan ting vil utvikle seg, men han tror eksperimentering kan gi noen overraskelser. Det vil bare skje hvis du har en jævla kvantedatamaskin, og det er det vi har, sier han.
Foruten maskinvarefremskritt, vil det nye MIT-senteret forske på nye typer maskinlæringsalgoritmer. Spesielt vil den undersøke algoritmer som lar datamaskiner lære av rå, eller umerket, data og de som kan gjøre det mulig å overføre læring fra ett domene til et annet.
Anantha Chandrakasan , dekan ved MITs ingeniørskole, sier at forskningsinnsats innen maskinvare og programvare ideelt sett bør inngå i hverandre. Vi kommer ikke til å designe algoritmer som er helt uavhengige av arkitekturene vi skal bruke, sier han. Vi vil se tenkning på systemnivå.
Laboratoriet vil også undersøke hvordan AI kan brukes på spesifikke domener, som helsevesen og datasikkerhet. Chandrakasan sier at han er spesielt spent på å utforske de praktiske anvendelsene av AI, og han håper forsøket vil skape nye spinout-selskaper i årene som kommer.
Dette interesseområdet kan vise seg å være spesielt viktig for IBMs nåværende virksomhet. Selskapet har funnet det vanskeligere enn forventet å distribuere Watson i områder som helsetjenester (se A Reality Check for IBMs AI Ambitions).
Samarbeidet vil også forfølge forskning på implikasjonene av AI for global velstand. Francesca Rossi, en fremtredende forsker ved IBM T.J. Watson Research Center, sier at prosjektet vil samsvare med arbeidet med AI-algoritmer. For å fremme delt velstand gjennom AI, må du også fremme AI-algoritmene du ville brukt, sier hun.
I sitt fokus på å bruke AI for å levere økonomiske og samfunnsmessige fordeler, overlapper innsatsen på noen måter med Partnerskap om AI , et konsortium som IBM var med å stifte i september 2016 for å studere hvordan AI påvirker samfunnet. Men Rossi sier at MIT-IBM-samarbeidet vil produsere forskning, mens partnerskapet gir en åpen plattform for å diskutere disse problemene. For eksempel kan Partnership on AI anbefale at hvert AI-system kan forklare seg selv, som en generell retningslinje. Men AI-eksperter forstår fortsatt ikke hvordan algoritmer tar avgjørelser (se The Dark Secret at the Heart of AI). MIT og IBM kan finne måter å løse denne gåten ved å samarbeide, sier Rossi.