注释

人工智能

为什么两愿性人工智能能改善问题解决

Bernardo Huberman

Bernardo Huberman
核心创新副总裁兼研究员

2019年2月22日

这篇博文的另一个版本发表于2019年2月21日标普全球市场情报网站。

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设备中的机器学习模块构成了一个完整的技术物种,通过我们使用自己的通信设备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、不那么明显的环境中,一个工业革命,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,无数的嵌入式智能传感器通过共享的API连接在一起,导致了一种新型的网络计算能力,这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

这种巨大的工业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智能设备。首先,这些传感器的广泛性和互联性,加上它们输入的不可预测性,使它们的反应时间不受人为干预而自主。例如,健身追踪器电量不足并不需要紧急响应。相比之下,来自控制多个炼油厂阀门的智能传感器的故障或延迟的紧急信号可能会引发来自其他传感器和执行器的连锁反应,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,无法预测其所处环境的行为。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信息。

第三,这种工业互联网的分布性质使其成为一系列安全威胁,因为分布式面料的单个分成了分布式结构的组件可以损害整个系统。

虽然很容易创建关于系统的部件行为的机器学习算法,但是这些程序很难响应大型互连系统的输入和故障而迅速推理和行动。通过使用边缘计算可以实现显着的改进,这需要从嵌入式系统的封闭空间邻近的嵌入式系统中感测和处理信息。

更复杂的是这种本地信息的聚合在较粗糙的水平,因此可以在需要时获得全球和及时的信息并在需要时采取纠正措施。这是难度的原因是传感器在精度和复杂程度的情况下不同,因为它们有时报告有错误的读数。

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分布式算法,使其能够协同完成嵌入式传感器系统的诊断和操作的总体任务。例如,智能聚合的局部异常感知,以决定给定的行动,对网络部分恶意软件的集体检测,以及对预先确定的流量和内容模式的有效响应,等等。

我们知道,这种分布式系统在解决由相互连接的局部单元构成的全球问题方面非常有效,因为这是人类成功管理大型分布式任务的方式。在许多行业和服务中,为了处理控制和分配问题,组织以令人眼花缭乱的速度成立,它们通过融合当地的专业知识发挥作用,这些专业知识能够发现并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形着色等困难问题时显示出了巨大的进步。这些问题的特点是,随着其规模的线性增长,找到解决方案的时间呈指数级增长。一个常见的例子是旅行推销员问题,它可以看作是一种隐喻,以一种方式铺设网络,使覆盖多个城市和用户所需的遍历次数最小化。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级增长,导致不可能在有限的时间内找到最小化连接的节点。

协作系统的美妙之处在于,一旦部署,它们就可以展示出来组合内爆。这些爆炸的特点是由于合作的有效性而突然崩溃。因此,现在在线性或多项式时间呈现出巨大求解时间的问题。当这些代理或程序交换的消息既有质量和消息数量时,会发生这些内爆,同时在解决复杂问题的解决方案时增加。

在这些网络化嵌入式传感器的背景下,共识系统有能力聚合不同的、有时是错误的信息,以快速合理地诊断问题。这些类型的协作系统将允许控制这些大型嵌入式系统,而不必对网络中泛滥的所有数据进行详尽的分析。更好的是,人们希望,随着常识推理的算法形式(例如,我以前没有见过这个问题吗?)在未来得到发展,我们将实现完全嵌入式传感器的梦想,能够以一种我们称之为智能的形式控制他们的系统。

想了解更多关于人工智能的知识吗?订阅我们的博客。


订阅我们的博客

注释

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。机器学习和人工智能,这些术语经常被合并在一起,已经成为商业、技术和金融词汇的一部分。模式识别的巨大进步,以及在浩瀚的数据海洋中发现隐藏的关联,正在激发技术和商业社区的热情和希望。

尽管这一成功值得庆祝,但我们不应忘记一个事实,即人工智能除了机器学习之外还有许多其他方面。常识推理、知识表示、推理等,这些都不是我们今天的工具箱的一部分,但如果我们寻求与我们自己有很多共同点的机器智能形式,它们将不得不成为工具箱的一部分。

没有使用这种形式的机器智能的原因是由于这些问题需要的困难。与最近机器学习的进步不同,象征系统的半个世纪的研究,认知心理学和机器推理没有产生重大突破。

智能网络:人工智能的新形式

一旦我们认识到智力并不局限于单个大脑,我们就可以期待一个更有前景的未来;它也出现在群体中,如昆虫群落、人类社会的组织和市场,举几个例子。在所有这些情况下,大量的代理能够执行可以被视为计算的局部任务,参与集体行为,成功地解决了许多单个个体无法解决的问题。而且它们在没有全球控制的情况下这样做,同时交换的信息并不完美,有时还会延迟。

分布式智能的许多特征可以在连接我们星球的计算网络中找到。在这些系统中,进程被创建或“生成”,在网络中迁移,并在远程计算机中生成其他进程。当它们这样做的时候,它们解决了复杂的问题——想想在屏幕上渲染电影需要什么——同时与其他进程争夺资源,如带宽或CPU。金宝搏备用

有趣的是,我们对分布式智能的理解,无论是自然的还是人工的,都比个人思维的运作要好得多。这在一定程度上是因为,当我们在复杂的信息空间中穿行时,我们可以很容易地观察和衡量个人和程序之间的互动。与此形成对比的是,在了解人类大脑中详细的认知过程时遇到的困难。从这大量的知识我们知道,而分布式系统的总体性能是由许多特工交换的能力并不总是最优的部分结果,成功是由少数单位时间内取得最大进步(想想许多代理商寻找众所周知的针的堆栈)。

分布式智能:比最好的更好

这表明AI的前瞻性道路;创建可以在整个网络中部署在整个目标中,可以感知,学习,识别和聚合信息的分布式智能程序。示例可以是智能地聚合的局部异常的感测,以便决定给定的动作,在网络中的部分中的恶意软件的集体检测,传感器融合和对预定流量和内容模式的有效响应,以命名几个。

分布式ai不是虚幻的目标。已经设计和测试了一些这样的系统,并且在解决了诸如密码和图形着色之类的硬计算问题所需的时间内显示出大的改进。这些是这样一个问题,因为它们的大小线性增加了,所以找到解决方案的时间呈指数增长。一个常见的例子是旅行的推销员问题,可以看作是铺设网络的隐喻,使得它们最小化覆盖许多城市和用户所需的遍历的数量。虽然有许多强大的启发式方法来接近这种优化问题,但对于大型实例来说,一个只能希望解决方案,而不是最佳,满足一定数量的约束。

协作系统的美妙之处在于,一旦部署,它们就可以展示出来组合内爆。这些内爆的特点是,由于合作的有效性,一个解决方案的可能场所的数量突然减少,因此,需要指数次才能解决的问题现在可以用线性或多项式时间来解决。随着AI代理在解决复杂问题时交换信息的质量和数量的增加,这些内爆就会出现。

最后,分布式人工智能的出现将解决许多实际棘手的问题,其中许多问题与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,并将它们组合起来,以便识别并采取行动。或者用不同类型的传感器监测网络的远端部分,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无数问题中的两个例子。我们思考和实施的例子越多,我们就越接近智能代理的社会愿景,就像我们所知道的社会系统一样,智能代理的性能将大大超过我们所熟悉的单一机器学习算法。

订阅我们的博客,了解更多关于人工智能的未来。


订阅我们的博客

注释

隐私偏好中心

    严格的必要

    Cookies是网站正常运行所必需的。

    PHPSESSID, __cfduid hubspotutk

    性能

    这些用于跟踪用户交互并检测潜在问题。这些帮助我们通过提供有关用户使用本网站的分析数据来改进我们的服务。

    Bizoid,Wootracker,GPS,_GA,_GAT,_GID,_hjincludedInsample,mailmunch_second_pageview

    针对

    这些cookie用于(1)发布与您和您的兴趣更相关的广告;(2)限制你看到广告的次数;(3)有助于衡量广告宣传活动的效果;(4)了解人们观看广告后的行为。

    __hssc、__hssrc __hstc,