评论

人工智能

为什么合意型人工智能可以改善问题解决

Bernardo Huberman

Bernardo Huberman
核心创新副总裁兼研究员

2019年2月22日

本文发表于2019年2月21日标准普尔全球市场情报地点。

我们周围都是嵌入式传感器和设备,它们的处理能力比我们办公桌上的许多电脑还要强。手机、家庭控制系统、恒温器和无处不在的语音操作小工具中的机器学习模块,构成了一个完整的技术物种,通过我们自己的通信设备所居住的相同的互联网环境与我们共存。这些都是通常被称为“物联网”(IoT)的简单组件。

真正的革命发生在一个不同的、不那么显眼的环境,一个工业环境,范围从制造业、精炼厂到医疗保健。在这些非常大的系统和组织中,数以万计的嵌入式智能传感器通过共享的API连接在一起,这导致了一种新型的网络计算能力,它可能会使我们所设想的当今互联网相形见绌。

嵌入式系统的挑战

这个庞大的工业连接传感器阵列有许多特点,使其不同于大多数人所熟悉的消费者智能设备。首先,这些传感器的普遍性和互联性,加上它们输入的不可预测性,使得它们的响应时间不受人类干预。例如,一个健身追踪器没电了,并不需要紧急响应。相比之下,由控制几个炼油厂阀门的智能传感器发出的故障或延迟的紧急信号,可能会引发其他传感器和执行器产生不良的连锁反应,从而导致相应的系统故障。

其次,这些智能传感器构成了一个开放的、异步的分布式系统,无法预测它所嵌入的环境的行为。这个系统也是分散的,因为中央单位很难接收和传送关于整个系统状态的最新资料。

第三,这种工业物联网的分布式特性使其面对大量的安全威胁,因为单个破坏分布式结构的组件就可能危及整个系统。

虽然创建报告系统各部分行为的机器学习算法很容易,但要让这些程序能够对一个大型互联嵌入式系统的输入和故障进行推理并迅速采取行动却很困难。使用边缘计算可以实现显著的改进,这需要对来自嵌入式系统的信息进行传感和处理,这些信息在空间上接近它们。

要复杂得多的是在较粗的级别上聚合此类局部信息,以便能够获得全局和及时的信息并在需要时采取纠正措施。这之所以困难,是因为传感器在感知和处理数据的精度和复杂性上存在差异,而且有时会报告错误的读数。

两厢情愿的人工智能解决方案

解决这些问题的一种方法是设计可在嵌入式传感器系统诊断和起作用的整体任务中进行分布式算法。示例包括智能地聚合的局部异常的感测,以便确定给定的动作,在网络的部分中的恶意软件的集体检测,以及对预定流量和内容模式的有效响应,以命名几个。

我们知道,这种分布式系统非常有效地解决了由相互关联的局部单元所构成的全球性问题,因为这是人类成功管理大型分布式任务的方式。组织以令人眼花缭乱的速度诞生,以处理许多行业和服务业的控制和分配问题,它们通过结合当地的专业知识发挥作用,这些专业知识能够发现和解决需要及时解决的问题,从网络故障到供应链中断。

这种分布式形式的人工智能并不是一个虚幻的目标。一些这样的系统已经被设计和测试,并在解决诸如优化和图着色等困难问题时显示出了巨大的改进。这些问题的特点是,随着它们的规模呈线性增长,找到解决方案的时间也呈指数增长。一个常见的例子是旅行推销员问题,它可以看作是一种比喻,即以一种将覆盖多个城市和用户所需的遍历次数最小化的方式来铺设网络。随着更多的节点加入到这样的网络中,可能的解决方案的数量呈指数增长,导致不可能在有限时间内找到使连接最小化的节点。

协作系统的美妙之处在于,一旦部署,它们就可以展示组合爆炸。这些内爆的特点是,由于合作的有效性,解决问题的可能途径的数量突然减少。因此,那些需要花费大量时间来解决的问题现在可以用线性或多项式时间来解决。当处理复杂问题时,这些代理或程序交换的消息的质量和数量都增加了,就会发生这种内爆。

在这些网络嵌入式传感器的上下文中,同意系统具有汇总不同的信息,并且有时会迅速地诊断出现问题。这些类型的合作系统将允许控制这些大型嵌入式系统,而无需诉诸对泛滥网络的所有数据的详尽分析。Even better, one hopes that as algorithmic forms of common-sense reasoning (e.g. haven’t I seen this problem before?) are developed in the future we will then reach the dream of fully embedded sensors being able to control their systems in a form that one would call intelligent.

想在未来更多地了解人工智能吗?订阅我们的博客。


订阅我们的博客

评论

人工智能

人工智能的不同未来

Bernardo Huberman

Bernardo Huberman
核心创新副总裁兼研究员

2018年11月27日

我们没有一天不听说人工智能。机器学习(Machine learning)和人工智能(AI)这两个词经常被合并在一起,它们已经成为商业、技术和金融领域的词汇。模式识别方面的巨大进步,以及在浩瀚的数据海洋中发现隐藏的相关性,激发了技术和商业社区的热情和希望。

尽管这一成功值得庆祝,但我们不应忽视一个事实:除了机器学习,人工智能还有许多其他方面。常识推理、知识表示、推理,等等,现在还不是工具箱的一部分,但如果我们寻求与我们自己有很多共同之处的机器智能形式,就必须成为工具箱的一部分。

这种形式的机器智能没有被使用的原因是由于这些问题所带来的困难。与机器学习的最新进展不同,在符号系统、认知心理学和机器推理方面进行了半个世纪的研究,却没有取得重大突破。

智能网络:一种新形式的人工智能

一旦我们意识到智力不限于单粒,就可以预期更有前途的未来;它还出现在群体中,例如人类社会中的昆虫殖民地,组织和市场,以命名几个。在所有这些情况下,能够在所有这些情况下执行可以被构思为计算的本地任务的大量代理商从事集体行为,该行为成功解决了超越单个单独的能力来解决的问题的数量问题。他们经常在没有全球控制的情况下这样做,同时交换不完美和有时延迟的信息。

分布式智能的许多特性都可以在连接地球的计算网络中找到。在这些系统中,进程被创建或“诞生”,跨网络迁移,并在远程计算机中产生其他进程。当它们这样做的时候,它们解决了复杂的问题——想想在你的屏幕上渲染电影需要什么——同时竞争其他进程争夺的资源,如带宽或CPU。金宝搏备用

有趣的是,我们了解分布式智能的表现,自然和人为,比个人思想的工作要好得多。这部分是由于我们可以观察和测量个人和程序之间的互动,因为它们导航复杂的信息空间。将其对比,难以学习人脑内的详细认知过程。从这个大型知识来看,我们知道,虽然分布式系统的整体性能是由交换不总是最佳的部分结果的许多代理的能力决定,但成功由每单位时间最大的进展决定(思考许多代理商在堆栈中寻找众所周知的针)。

分布式智能:比最好的要好

这为人工智能指明了一条充满希望的前进道路;分布式智能程序的创建,可以感知、学习、识别和聚合信息,当部署在整个网络服务的特定目标。例如,为了决定一个给定的行动而智能聚合的局部异常的感知,网络部分恶意软件的集体检测,传感器融合,以及对预先确定的流量和内容模式的有效响应,等等。

分布式AI并不是一个虚幻的目标。一些这样的系统已经被设计和测试,并在解决诸如密码和图着色等复杂计算问题时显示出了巨大的改进。这些问题的特点是,随着它们的规模呈线性增长,找到解决方案的时间也呈指数增长。一个常见的例子是旅行推销员问题,它可以看作是一种比喻,即网络的铺设方式是尽可能减少覆盖多个城市和用户所需的遍历次数。虽然有许多强大的启发式方法来解决这个优化问题,但对于大型实例,我们只能希望得到虽然不是最优的,但满足一定数量约束的解决方案。

协作系统的美妙之处在于,一旦部署,它们就可以展示组合爆炸。这些内爆的特征是,由于合作的有效性,一个解决方案的可能场所的数量突然崩溃,结果是,需要指数时间来解决的问题现在以线性或多项式时间呈现。在解决复杂问题的过程中,AI代理交换的信息的质量和数量都在增加。

最后,分布式人工智能的出现将有助于解决许多实际中难以解决的问题,其中许多问题与我们的有线网络的平稳和安全运行有关。想象一下,应用不同的人工智能解决方案来搜索安全异常情况,并将它们组合起来,以识别它们并对它们采取行动。或者用不同类型的传感器监控网络的远端部分,这些传感器的输出由智能代理聚合。这只是分布式人工智能可以解决的众多问题中的两个例子。我们思考和实现的例子越多,我们就越接近智能主体社会的愿景,就像我们所知道的社会系统一样,它们将大大超越我们所熟悉的单一机器学习算法。

订阅我们的博客,了解有关人工智能的未来的更多信息。


订阅我们的博客

评论

隐私偏好中心

    严格的必要

    站点正常运行所必需的Cookies。

    PHPSESSID, __cfduid hubspotutk

    表现

    它们用于跟踪用户交互并检测潜在的问题。通过提供用户如何使用本网站的分析数据,这些帮助我们改善我们的服务。

    BizoID, wooTracker, GPS, _ga, _gat, _gid, _hjIncludedInSample, mailmunch_second_pageview

    针对

    这些cookies用于(1)提供与你和你的兴趣更相关的广告;(2)限制你看到广告的次数;(3)帮助衡量广告活动的有效性;(4)了解人们看完广告后的行为。

    __hssc、__hssrc __hstc,