0条评论
还没有人评论过~
原创不易 请随手点击关注
本文由Rehoo团队Leery原创，无授权禁转！(图片来自网络)
图片来自网络
马里兰大学的一组科学家最近提出了一个超维计算理论，可以给机器人记忆和反应。这可以打破我们似乎与自动驾驶汽车和其他现实世界机器人的僵局，并导致更像人类的AI模型。
解决方案
马里兰州团队提出了一种理论方法，通过该方法，超维计算基于超线程的替代计算基于布尔值和数字，可以取代当前用于处理感官信息的深度学习方法。
根据团队研究论文的博士生和作者Anton Mitrokhin的说法，这很重要，因为有一个处理瓶颈可以保持AI不像人类一样运作：基于神经网络的AI方法信息量因为太多导致它们无法记住。我们的超维理论方法可以创建记忆，这将需要更少的计算，并且应该使这些任务更快更有效。
图片来自网络
记忆的创造，当前人工智能所没有的东西，这对于预测未来的任务非常重要。想象一下打网球：每次击球时你都不会在头脑中进行计算，你只是跑过来，准确地击打它。你感知球并且你采取行动，这种在将感知转化为行动的能力是我们在现实世界中运作的能力所固有的。
2016年5月某位特斯拉的驾驶者，当汽车的半自动驾驶辅助系统未能“看到”半卡车的白色拖车时，车辆以高速公路速度撞向它。上周又发生了同样的事情。不同型号特斯拉;不同版本的自动驾驶系统;同样的结果。为什么？
虽然伊隆马斯克应该承担一些责任，而其他人为错误应该得到最大的支持，但事实仍然是深度学习会让驾驶汽车变得不足之处。并且没有太大的希望它会变得更好。
其原因很复杂，但可以很容易地解释。AI不知道汽车，人，拖车的样子。您可以显示一个深学习型AI模式一百万的图片和训练它认识到热其图片与99.9％的精确度，但它永远不会知道什么是一个真正看起来像其对象。
图片来自网络
超维计算理论为AI提供了真正“看到”现实情况并做出自己推论的能力。通过对每个可感知的对象和变量进行数学运算，超矢量可以在机器人中实现“主动感知”，而不是试图通过强制处理整个实践过程。
据雅尼斯Aloimonos，对研究论文主要作者说道：主动感知者知道为什么要感知，然后选择要感知的内容，并确定如何，何时以及在何处实现感知。它选择并固定场景，时刻和剧集。然后，它将其机制，传感器和其他组件对齐，以根据其想要查看的内容进行操作，并选择最佳捕获其意图的视点。我们的超维框架可以解决每个目标。
虽然机器人的超维计算操作系统的创建和实现仍然是理论上的，但这些想法为研究提供了一条前进的道路，可以为无人驾驶汽车AI提供解决当前一代处理破解问题的范例。
图片来自网络
此外，其含义不仅仅是机器人技术。研究人员的最终目标是用基于超维计算的迭代神经网络模型替换迭代神经网络模型，这些模型更快，更有效。这可能会导致一种全新的方法来开发新的机器学习模型。
文章来源: https://www.toutiao.com/group/6692917368655446536/