Исследователи предлагают методы создания взаимосвязанного "коллективного ИИ"

25 марта 2024 года

Децентрализованный искусственный интеллект

Исследователи из Университета Лафборо, Массачусетского технологического института и Йельского университета представили концепцию "коллективного ИИ". 

Документирование своих идей в перспективе бумага Опубликованные в журнале Nature Machine Intelligence, исследователи предлагают Shared Experience Lifelong Learning (ShELL) как основа для создания децентрализованных систем ИИ, состоящих из множества независимых агентов, или "коллективного ИИ".

Работая как "улей", эти отдельные единицы ИИ постоянно учатся и обмениваются знаниями на протяжении всей своей жизни, бросая вызов централизованным монолитным архитектурам. 

Если коллективный ИИ будет разработан, он сможет отразить способности "Боргов" из Star Trek и других фантастических концепций, таких как "Гет" из Mass Effect или "Репликаторы" из Stargate SG-1.

Позволяя агентам учиться на собственном опыте и знаниях, которыми делятся другие, системы ShELL могут демонстрировать ускоренное обучение, улучшенную производительность и большую гибкость перед лицом трудностей - подобно биологическим организмам. 

Доктор Андреа Солтоджио из Университета Лафборо, ведущий научный сотрудник исследования, описал концепцию исследования: "Мгновенный обмен знаниями между коллективной сетью подразделений ИИ, способных постоянно учиться и адаптироваться к новым данным, позволит быстро реагировать на новые ситуации, вызовы или угрозы". 

Далее Солтоджио подчеркнул потенциал децентрализованного ИИ, проведя аналогию с иммунной системой человека, где множество компонентов работают вместе, чтобы организовать скоординированную защиту от угроз. 

"Это также может привести к созданию роботов для ликвидации последствий стихийных бедствий, способных быстро адаптироваться к условиям, в которых они находятся, или персонализированных медицинских агентов, которые улучшают состояние здоровья, объединяя передовые медицинские знания с информацией о конкретном пациенте", - объясняет Солтоджио. 

В исследовании упоминается несколько потенциальных реальных применений:

  1. Освоение космоса: Децентрализованные способности ShELL к обучению и адаптации могут оказаться полезными для полетов в дальний космос, где связь с Землей ограничена, а автономные системы должны справляться с неожиданными проблемами.
  2. Персонализированная медицина: ShELL может стать основой распределенных медицинских систем искусственного интеллекта, которые будут постоянно адаптироваться к меняющимся потребностям пациентов и медицинским знаниям, обеспечивая более целенаправленное и эффективное оказание медицинской помощи.
  3. Кибербезопасность: Коллективное обучение и обмен знаниями агентов ShELL могут быть использованы для создания децентрализованных оборонительных систем, которые быстро обнаруживают и распространяют информацию о новых угрозах, позволяя быстрее и надежнее реагировать на кибератаки.
  4. Реагирование на стихийные бедствия: В статье говорится о том, что системы ShELL могут использоваться для координации автономных агентов в сценариях стихийных бедствий, обеспечивая более эффективные и действенные меры реагирования за счет использования коллективного интеллекта группы.
  5. Мультиагентное зондирование: ShELL может обеспечить координацию роев агентов для построения трехмерных моделей мира для таких задач, как поисково-спасательные операции или обнаружение аномалий в военной разведке.

Несмотря на перспективность использования, исследователи помнят о потенциальных рисках коллективных систем ИИ, таких как быстрое распространение неверных, небезопасных или неэтичных знаний между подразделениями. 

Для борьбы с этим они предлагают поощрять автономию каждого подразделения ИИ в коллективе, обеспечивая баланс между сотрудничеством и независимостью. 

Создание коллективного искусственного интеллекта

Как же может работать коллективный ИИ? Исследователи предлагают несколько потенциальных механизмов:

  1. Машинное обучение в течение всей жизни: Позволяет агентам ИИ постепенно обучаться нескольким задачам, не страдая от катастрофической забывчивости. Методы включают в себя методы воспроизведения (хранение и повторное воспроизведение предыдущего опыта), регуляризацию (ограничение обновлений модели для предотвращения перезаписи старых знаний) и изоляцию параметров (выделение отдельных компонентов модели для разных задач).
  2. Федеративное обучение: Парадигма распределенного обучения, в которой несколько агентов совместно обучают модель, сохраняя свои данные локализованными. Каждый агент вычисляет обновления модели на основе своих локальных данных и делится с другими только этими обновлениями, сохраняя конфиденциальность данных.
  3. Мультиагентные системы: Исследование автономных агентов, взаимодействующих в общей среде. Агенты ShELL действуют децентрализованно, принимая решения на основе своих индивидуальных целей и знаний.
  4. Пограничные вычисления: Выполнение вычислений и хранение данных вблизи источников данных, например на устройствах или пограничных серверах, а не в централизованных облачных системах. Агенты ShELL работают на пограничных устройствах, обеспечивая обработку данных с низкой задержкой и снижая затраты на связь.

Коллективный ИИ опирается на недавние футуристические разработки в области ИИ, такие как биоинспирированный ИИ Архитектуры, эффективно имитирующие аналоговые синаптические структуры, и модели ИИ, работающие на настоящие клетки мозга.

Интерес к децентрализованному ИИ растет, о чем свидетельствуют недавняя отставка Генеральный директор Stability AI Эмад Мостак. Он ушел, чтобы заняться децентрализованными проектами, которые стремятся вывести ИИ из-под власти Больших Технологий.

Кроме того, стартап Sakana, основанный бывшими инженерами Google, недавно привлекла $30 миллионов на разработку "роевого" искусственного интеллекта, концептуально схоже с тем, что предлагается в новом исследовании. 

Присоединяйтесь к будущему


ПОДПИСАТЬСЯ СЕГОДНЯ

Четко, лаконично, всесторонне. Получите представление о развитии искусственного интеллекта с помощью DailyAI

Сэм Джинс

Сэм - писатель в области науки и техники, работавший в различных AI-стартапах. Когда он не пишет, его можно найти за чтением медицинских журналов или копанием в коробках с виниловыми пластинками.

×

ЭКСКЛЮЗИВНЫЙ БЕСПЛАТНЫЙ PDF
Будьте впереди с DailyAI

Подпишитесь на нашу еженедельную рассылку и получите эксклюзивный доступ к последней электронной книге DailyAI: "Освоение инструментов искусственного интеллекта: Ваше руководство по повышению производительности в 2024 году".

* Подписываясь на нашу рассылку, вы принимаете наши Политика конфиденциальности и наш Условия и положения