“Tận hưởng công nghệ đỉnh cao với Điện toán Siêu chiều hỗ trợ Trí tuệ Nhân tạo”

#SựKiệnNgàyHômNay #ĐiệnToánSiêuChiều #TríTuệNhânTạo #ANN #MinhBạch #HạnChế

ChatGPT và các mô hình ngôn ngữ lớn đã thành công trong việc tái tạo trí tuệ nhân tạo bằng điện toán siêu chiều. Trong khi đó, mạng thần kinh nhân tạo (ANN) dường như đang đi sai hướng khiến các hệ thống phức tạp không thể suy luận bằng phép loại suy. Việc thiếu minh bạch của ANN cũng là một vấn đề đáng lưu ý.

ANN là mạng phức tạp của các tế bào thần kinh nhân tạo riêng lẻ, mỗi tế bào thực hiện tính toán và tạo ra đầu ra. Những hạn chế này có thể là do cấu trúc của ANN vì tất cả các đối tượng, ý tưởng và mối quan hệ giữa chúng được suy luận bằng phép loại suy, điều mà các tế bào thần kinh riêng lẻ không thể thực hiện.

Đây là điểm khởi đầu cho một cách tiếp cận điện toán hoàn toàn khác, được gọi là điện toán siêu chiều. Một vectơ siêu chiều có thể là một mảng gồm 10.000 số, đại diện cho một điểm trong không gian 10.000 chiều. Các đối tượng toán học này và đại số để thao tác với chúng đủ linh hoạt và mạnh mẽ để đưa điện toán hiện đại vượt qua một số hạn chế hiện tại của nó và thúc đẩy một cách tiếp cận mới đối với trí tuệ nhân tạo.

Điện toán siêu chiều hứa hẹn một thế giới mới trong đó điện toán hiệu quả và mạnh mẽ và các quyết định do máy đưa ra hoàn toàn minh bạch. Điều này mở ra cánh cửa cho tiến bộ lớn trong lĩnh vực trí tuệ nhân tạo. Tuy nhiên, cần có sự tìm hiểu và nghiên cứu kỹ lưỡng để áp dụng điện toán siêu chiều vào thực tế và phát triển nó ngày càng tốt hơn.

Nguồn: https://www.wired.com/story/hyperdimensional-computing-reimagines-artificial-intelligence/

mặc dù hoang dã thành công của ChatGPT và các mô hình ngôn ngữ lớn khác, mạng thần kinh nhân tạo (ANN) làm nền tảng cho các hệ thống này có thể đang đi sai hướng.

Đối với một, ANN là “siêu năng lượng,” nói Cornelia Fermüller, một nhà khoa học máy tính tại Đại học Maryland. “Và vấn đề khác là (họ) thiếu minh bạch.” Những hệ thống như vậy phức tạp đến mức không ai thực sự hiểu chúng đang làm gì hoặc tại sao chúng hoạt động tốt như vậy. Ngược lại, điều này khiến chúng gần như không thể suy luận bằng phép loại suy, đó là điều mà con người vẫn làm—sử dụng các biểu tượng cho các đối tượng, ý tưởng và mối quan hệ giữa chúng.

Những thiếu sót như vậy có thể xuất phát từ cấu trúc hiện tại của ANN và các khối xây dựng của chúng: các tế bào thần kinh nhân tạo riêng lẻ. Mỗi nơ-ron nhận đầu vào, thực hiện tính toán và tạo đầu ra. ANN hiện đại là mạng phức tạp của các đơn vị tính toán này, được đào tạo để thực hiện các tác vụ cụ thể.

Tuy nhiên, những hạn chế của ANN từ lâu đã rõ ràng. Ví dụ, hãy xem xét một ANN phân biệt các hình tròn và hình vuông. Một cách để làm điều đó là có hai nơ-ron trong lớp đầu ra của nó, một nơ-ron biểu thị hình tròn và một nơ-ron biểu thị hình vuông. Nếu bạn muốn ANN của mình cũng phân biệt được màu của hình dạng—ví dụ: xanh dương hoặc đỏ—bạn sẽ cần bốn nơ-ron đầu ra: mỗi nơ-ron cho một hình tròn màu xanh lam, hình vuông màu xanh dương, hình tròn màu đỏ và hình vuông màu đỏ. Nhiều tính năng hơn có nghĩa là nhiều tế bào thần kinh hơn.

Đây không thể là cách bộ não của chúng ta nhìn nhận thế giới tự nhiên, với tất cả các biến thể của nó. “Bạn phải đề xuất rằng, bạn có một tế bào thần kinh cho tất cả các kết hợp,” nói Bruno Olshausen, một nhà thần kinh học tại Đại học California, Berkeley. “Vì vậy, bạn sẽ có trong não của mình, (chẳng hạn) một máy dò Volkswagen màu tím.”

Thay vào đó, Olshausen và người khác lập luận rằng thông tin trong não được thể hiện bằng hoạt động của nhiều tế bào thần kinh. Vì vậy, nhận thức về một chiếc Volkswagen màu tím không được mã hóa thành hành động của một nơ-ron đơn lẻ, mà là hành động của hàng ngàn nơ-ron. Cùng một nhóm tế bào thần kinh, kích hoạt khác nhau, có thể đại diện cho một khái niệm hoàn toàn khác (có lẽ là một chiếc Cadillac màu hồng).

Đây là điểm khởi đầu cho một cách tiếp cận điện toán hoàn toàn khác, được gọi là điện toán siêu chiều. Điều quan trọng là mỗi mẩu thông tin, chẳng hạn như khái niệm về ô tô hoặc kiểu dáng, kiểu dáng hoặc màu sắc của nó, hoặc tất cả những thông tin đó cùng nhau, được biểu diễn dưới dạng một thực thể duy nhất: một vectơ siêu chiều.

Một vectơ chỉ đơn giản là một dãy số được sắp xếp theo thứ tự. Ví dụ, một vectơ 3D bao gồm ba số: số x, y,z tọa độ của một điểm trong không gian 3 chiều. Một vectơ siêu chiều, hay hypervector, có thể là một mảng gồm 10.000 số, đại diện cho một điểm trong không gian 10.000 chiều. Các đối tượng toán học này và đại số để thao tác với chúng đủ linh hoạt và mạnh mẽ để đưa điện toán hiện đại vượt qua một số hạn chế hiện tại của nó và thúc đẩy một cách tiếp cận mới đối với trí tuệ nhân tạo.

“Đây là điều mà tôi hào hứng nhất, thực tế là trong toàn bộ sự nghiệp của mình,” Olshausen nói. Đối với anh ấy và nhiều người khác, điện toán siêu chiều hứa hẹn một thế giới mới trong đó điện toán hiệu quả và mạnh mẽ và các quyết định do máy đưa ra hoàn toàn minh bạch.

Bước vào không gian chiều cao

Để hiểu cách thức siêu vectơ làm cho tính toán trở nên khả thi, hãy quay lại hình ảnh với các hình tròn màu đỏ và hình vuông màu xanh lam. Đầu tiên, chúng ta cần các vectơ để biểu diễn các biến SHAPE và COLOR. Sau đó, chúng ta cũng cần các vectơ cho các giá trị có thể được gán cho các biến: HÌNH TRÒN, VUÔNG, XANH DƯƠNG và ĐỎ.

Các vectơ phải khác biệt. Tính khác biệt này có thể được định lượng bằng một tính chất gọi là tính trực giao, có nghĩa là ở các góc vuông. Trong không gian 3 chiều, có ba vectơ trực giao với nhau: một vectơ x hướng, khác trong y, và một phần ba trong z. Trong không gian 10.000 chiều có 10.000 vectơ trực giao với nhau như vậy.


[ad_2]

Leave a Reply

Your email address will not be published. Required fields are marked *