Là con người, biểu tượng là chìa khóa để hiểu thế giới xung quanh chúng ta, đó là cách chúng ta diễn giải các đồ vật, ý tưởng cũng như mối quan hệ giữa và giữa chúng.
Chúng ta hoàn toàn phụ thuộc vào sự tương tự, đó là điều khiến công nghệ điện toán hiện tại của chúng ta trở nên cực kỳ phức tạp, phức tạp và tại thời điểm này, trở nên cổ xưa.
Sự phổ biến ngày càng tăng của trí tuệ nhân tạo (AI) và các trường hợp sử dụng mà chúng ta đang thấy với ChatGPT của OpenAI không nhất thiết là những ứng dụng tốt nhất vượt xa sự "cường điệu" và lạm phát chứng khoán đơn thuần.
Theo điện toán truyền thống, chúng ta không hiểu đầy đủ những mạng lưới thần kinh nhân tạo (ANN) này đang làm gì hoặc tại sao chúng lại hoạt động tốt như vậy. Sự thiếu minh bạch hoàn toàn cũng gây ra bất lợi lớn trong sự hiểu biết của chúng ta về cách thu thập và phân tích dữ liệu để đưa ra kết quả mà chúng ta hết sức gắn bó đến mức chúng ta gắn mác “tiến bộ”.
Hãy xem xét ví dụ sau về ANN có thể phân biệt “hình tròn” và “hình vuông” với nhau.
Một cách để đạt được sự khác biệt đó là điều hiển nhiên – nếu một lớp đầu ra biểu thị hình tròn và lớp kia biểu thị hình vuông.
Nhưng điều gì sẽ xảy ra nếu bạn muốn ANN phân biệt “màu sắc” của hình dạng cụ thể đó – đó là “đỏ” hay “xanh lam”?
Vì “màu” là một tập dữ liệu hoàn toàn riêng biệt nên nó yêu cầu các nơ-ron đầu ra bổ sung để có thể tính đến tính năng đó trong đầu ra cuối cùng. Trong trường hợp này, sẽ cần có bốn nơ-ron đầu ra – mỗi nơ-ron cho hình tròn màu xanh, hình vuông màu xanh, hình tròn màu đỏ và hình vuông màu đỏ.
Bây giờ, điều gì sẽ xảy ra nếu chúng ta muốn một phép tính cũng xem xét thông tin bổ sung, chẳng hạn như “kích thước” hoặc “vị trí/vị trí”?
Nhiều tính năng hơn có nghĩa là nhiều nơ-ron hơn cần tính đến từng khả năng liên quan đến việc xác định tính năng cụ thể đó (hoặc sự kết hợp của các tính năng) với “hình tròn” và “hình vuông”.
Nói cách khác, nó trở nên vô cùng phức tạp.
Bruno Olshausen, một nhà khoa học thần kinh tại Đại học California, Berkeley, gần đây đã đề cập đến nhu cầu có một tế bào thần kinh cho mọi sự kết hợp có thể có của các tính năng.
“Đây không thể là cách bộ não của chúng ta nhận thức thế giới tự nhiên với tất cả các biến thể của nó. Bạn phải đề xuất… một nơ-ron cho tất cả các kết hợp,” anh ấy nói, giải thích thêm rằng về bản chất, chúng tôi sẽ cần “một máy dò Volkswagen màu tím” hoặc thứ gì đó quá mơ hồ để giải thích mọi kết hợp thông tin có thể có mà chúng tôi hy vọng sẽ xem xét trong bất kỳ trường hợp nào. cuộc thí nghiệm.
Nhập 'điện toán siêu chiều'.
'Tính toán siêu chiều' là gì?
Trọng tâm của điện toán siêu chiều là khả năng của thuật toán để giải mã các phần thông tin cụ thể từ các hình ảnh phức tạp (hãy nghĩ đến siêu dữ liệu) và sau đó biểu diễn thông tin tập thể đó dưới dạng một thực thể duy nhất, được gọi là “vectơ siêu chiều”.
Không giống như điện toán truyền thống, điện toán siêu chiều cho phép chúng ta giải quyết các vấn đề một cách tượng trưng và theo nghĩa nào đó, có thể “dự đoán” một cách hiệu quả và chính xác kết quả của một vấn đề cụ thể dựa trên dữ liệu chứa trong vectơ siêu chiều.
Điều mà Olshausen cùng các đồng nghiệp khác lập luận là thông tin trong não được thể hiện bằng hoạt động của hàng tấn tế bào thần kinh, khiến cho nhận thức về chiếc “Volkswagen màu tím” hư cấu của chúng ta không thể bị ngăn cản bởi hành động của một tế bào thần kinh mà thay vào đó, thông qua hàng ngàn tế bào thần kinh. của các tế bào thần kinh, tập hợp lại, tạo thành một chiếc Volkswagen màu tím.
Với cùng một nhóm tế bào thần kinh hoạt động khác nhau, chúng ta có thể thấy một khái niệm hoặc kết quả hoàn toàn khác, chẳng hạn như một chiếc Cadillac màu hồng.
Điều quan trọng, theo một cuộc thảo luận gần đây trên WIRED, là mỗi phần thông tin, chẳng hạn như ý tưởng về một chiếc ô tô hoặc nhãn hiệu, kiểu dáng, màu sắc hoặc tất cả chúng kết hợp lại, được biểu diễn dưới dạng một thực thể duy nhất – một vectơ siêu chiều hoặc hypervector.
Một “vectơ” chỉ là một dãy số có thứ tự – 1, 2, 3, v.v. – trong đó vectơ 3D bao gồm ba số – tọa độ x, y và z của một điểm chính xác trong không gian 3D.
Mặt khác, một “hypervector” có thể là một mảng gồm hàng nghìn hoặc hàng trăm nghìn số đại diện cho một điểm trong lượng không gian chiều đó. Ví dụ: một siêu vectơ đại diện cho một mảng gồm 10.000 số đại diện cho một điểm trong không gian 10.000 chiều.
Mức độ trừu tượng này mang lại cho chúng ta sự linh hoạt và khả năng phát triển điện toán hiện đại và hài hòa nó với các công nghệ mới nổi, chẳng hạn như trí tuệ nhân tạo (AI).
Olshausen nói: “Đây là điều mà tôi hào hứng nhất, gần như là trong toàn bộ sự nghiệp của mình. Đối với ông và nhiều người khác, điện toán siêu chiều hứa hẹn một thế giới mới trong đó điện toán hoạt động hiệu quả, mạnh mẽ và các quyết định do máy thực hiện hoàn toàn minh bạch.
Chuyển đổi 'Siêu dữ liệu' thành thuật toán siêu chiều để tạo ra kết quả phức tạp
Đại số cơ bản cho chúng ta biết lý do tại sao hệ thống lại chọn câu trả lời cụ thể đó, điều này không thể nói được đối với các mạng thần kinh truyền thống.
Khi phát triển các hệ thống kết hợp trong đó các mạng thần kinh này có thể ánh xạ mọi thứ IRL thành các siêu vectơ, sau đó cho phép đại số siêu chiều tiếp quản, đây là mấu chốt của cách sử dụng AI để thực sự trao quyền cho chúng ta hiểu rõ hơn về thế giới xung quanh.
Olshausen nói: “Đây là những gì chúng ta nên mong đợi ở bất kỳ hệ thống AI nào. “Chúng ta có thể hiểu nó giống như chúng ta hiểu một chiếc máy bay hay một chiếc tivi.”
Quay lại ví dụ với “hình tròn” và “hình vuông” và áp dụng nó vào không gian có chiều cao, chúng ta cần vectơ để biểu diễn các biến “hình dạng” và “màu sắc” – ngoài ra, chúng ta cần vectơ để biểu diễn các giá trị có thể được gán cho các biến – “CIRCLE”, “SQUARE”, “BLUE” và “RED”.
Quan trọng nhất, các vectơ này phải đủ khác biệt để thực sự định lượng được các biến này.
Bây giờ, hãy chuyển sự chú ý sang Eric Weiss, một sinh viên của Olshausen, người vào năm 2015 đã chứng minh một khía cạnh của khả năng độc đáo của điện toán siêu chiều về cách thể hiện tốt nhất một hình ảnh phức tạp dưới dạng một vectơ siêu chiều duy nhất chứa thông tin về TẤT CẢ các đối tượng trong ảnh – màu sắc, vị trí, kích thước.
Nói cách khác, một cách thể hiện cực kỳ tiên tiến về siêu dữ liệu của hình ảnh.
“Tôi gần như té khỏi ghế,” Olshausen nói. “Đột nhiên, bóng đèn bật sáng.”
Vào thời điểm đó, nhiều nhóm bắt đầu tập trung nỗ lực phát triển “thuật toán siêu chiều” để tái tạo các nhiệm vụ “đơn giản” mà mạng lưới thần kinh sâu đã thực hiện trong hai thập kỷ trước – chẳng hạn như phân loại hình ảnh.
Tạo một ‘Hypervector’ cho mỗi hình ảnh
Ví dụ: nếu bạn lấy một tập dữ liệu có chú thích bao gồm các hình ảnh có chữ số viết tay, thuật toán siêu chiều này sẽ phân tích các đặc điểm cụ thể của từng hình ảnh, tạo ra một “hypervector” cho mỗi hình ảnh.
Tạo một “Lớp” Hypervectors cho mỗi chữ số
Từ đó, thuật toán sẽ thêm các siêu vectơ cho tất cả các hình ảnh của “số 0” để tạo ra một siêu vectơ cho “ý tưởng về số 0” và lặp lại điều đó cho tất cả các chữ số, tạo ra 10 siêu vectơ “lớp” - một cho mỗi chữ số.
Các lớp siêu vectơ được lưu trữ đó hiện được đo và phân tích dựa trên siêu vectơ được tạo cho một hình ảnh mới, không được gắn nhãn nhằm mục đích thuật toán xác định chữ số nào khớp nhất với hình ảnh mới (dựa trên lớp siêu vectơ được xác định trước cho mỗi chữ số).
Nghiên cứu của IBM đi sâu vào
Vào tháng 3, Abbas Rahimi và hai đồng nghiệp tại IBM Research ở Zurich đã sử dụng điện toán siêu chiều với mạng lưới thần kinh để giải quyết một vấn đề kinh điển trong lý luận trực quan trừu tượng – một vấn đề đã đặt ra thách thức đáng kể đối với các ANN điển hình và thậm chí cả một số con người.
Đầu tiên, nhóm đã tạo ra một “từ điển” các siêu vectơ để thể hiện các đối tượng trong mỗi hình ảnh, trong đó mỗi siêu vectơ trong từ điển đại diện cho một đối tượng cụ thể và một số tổ hợp thuộc tính của nó.
Từ đó, nhóm đã đào tạo một mạng lưới thần kinh để kiểm tra một hình ảnh nhằm tạo ra siêu vectơ lưỡng cực – trong đó một thuộc tính hoặc phần tử cụ thể có thể là +1 hoặc -1.
Rahimi nói: “Bạn hướng dẫn mạng lưới thần kinh đến một không gian khái niệm có ý nghĩa.
Giá trị ở đây là khi mạng đã tạo ra các siêu vectơ cho từng hình ảnh ngữ cảnh và đối với mỗi ứng cử viên cho vị trí trống, một thuật toán khác sẽ được sử dụng để phân tích các siêu vectơ nhằm tạo ra “phân phối xác suất” cho một số đối tượng trong hình ảnh.
Nói cách khác, đại số có thể được sử dụng để dự đoán hình ảnh có khả năng nhất sẽ lấp đầy chỗ trống. Và cách tiếp cận của nhóm mang lại độ chính xác gần 88% đối với một nhóm vấn đề, trong đó các giải pháp chỉ dành cho mạng thần kinh có độ chính xác dưới 61%.
Chúng ta vẫn còn trong giai đoạn trứng nước
Mặc dù có nhiều ưu điểm, điện toán siêu chiều vẫn còn ở giai đoạn sơ khai và yêu cầu thử nghiệm các vấn đề trong thế giới thực và ở quy mô lớn hơn nhiều so với những gì chúng ta đã thấy cho đến nay – ví dụ: nhu cầu tìm kiếm hiệu quả hơn 1 tỷ mục hoặc kết quả và tìm ra kết quả cụ thể.
Cuối cùng, điều này sẽ đến theo thời gian, nhưng nó đặt ra câu hỏi về việc chúng ta áp dụng và tích hợp việc sử dụng trí tuệ nhân tạo ở đâu và như thế nào.
Đọc về buổi lễ nhà thờ kéo dài 40 phút, được hỗ trợ bởi AI, đã thu hút hơn 300 người tham dự ở Đức như một thử nghiệm đầu tiên.
Nhấn vào đây để xem toàn bộ thư viện tại Hypemoon