Liquid AI — структурное подразделение Массачусетского технологического института (MIT) — планирует создать принципиально новый вид искусственного интеллекта. Речь идет о так называемых жидких нейросетях, которые могут адаптироваться к новым условиям даже в процессе обучения.
Глава проекта Рамин Хасани — автор одной из первых масштабных научных работ по этой теме «Жидкие сети с постоянной во времени» (2020) — объяснил, что термин «жидкая» относится к гибкости архитектуры нейросети. Она обучается на последовательных во времени данных (например, видео), в отличие от других нейросетей, которые работают со статичными элементами. В этом случае не весь массив данных дает полезную информацию, однако он позволяет нейросети «мыслить» без шаблонов, понимая не только контекст, но и отдельные значимые аспекты задачи.
Соавтор проекта Даниэла Рас объяснила это на примере управления автомобилем. Обычная нейросеть ведет машину по трассе, ориентируясь на деревья и кусты на обочинах, объекты на дороге и так далее. В 2016 году система визуализации автопилота Tesla Model S не смогла отличить белый кузов грузовика от облака на небе. Из-за этого ИИ повел машину под прицеп. В результате столкновения находившийся в кабине Tesla водитель погиб. Если бы он сам управлял машиной, аварии бы скорее всего не произошло.
Жидкая нейросеть «смотрит» на обочины и горизонт, то есть меньше отвлекается от основной задачи, не «цепляется» за случайные объекты, попадающие в ее поле зрения. Она рассматривает последовательности данных и динамически регулирует обмен сигналами между своими нейронами. Эти качества позволяют ей реагировать на изменения в окружении, которым она изначально не была обучена.
Как объясняет Рамин Хасани, жидкая нейросеть воспринимает мир, как последовательность взаимосвязанных изображений. Также, как и живой человек. Благодаря этому решения, принимаемые нейросетью, получаются более «человечными».
Команда Liquid AI провела ряд тестов, в которых жидкая нейросеть превзошла современные алгоритмы в прогнозировании значений наборов данных. Однако разработчики делают больший акцент на успехах их модели в автономной навигации. Ее обучили на данных, собранных профессиональным оператором дронов, после чего интегрировали нейросеть в парк беспилотников. Аппараты смогли достичь цели даже в неисследованных пространствах в условиях радио- и других помех.
Еще одно важное преимущество жидкой нейросети — гарантированное и проверяемое наличие причинно-следственной связи в принимаемых ею решениях.
Она фактически решает проблему «черного ящика», которая заключается в том, что исследователи сегодня, по сути, не понимают, как ИИ принимает те или иные решения. Таким образом нейросеть становится непрозрачной и, следовательно, непредсказуемой. В жидких нейросетях можно извлечь дерево решений, и понять, как система приходит к выводу. Это в свою очередь дает возможность выявлять проблемы в цепочках «рассуждений».
Дополнительную безопасность обеспечивает возможность установления сознательных ограничений для нейросети. Например, она не позволит роботу приложить усилия, которые выходят за пределы его возможностей и могут привести к поломке.
При этом, как отмечает Рамин Хасани, Liquid AI стремится к тому, чтобы сделать свою нейросеть маленькой. Так, например, GPT-3 использует для генерации текста около 175 млрд параметров и 50 тысяч нейронов. Жидкая нейронная сеть для управления дроном использует всего 20 тысяч параметров и менее 20 нейронов. Это в свою очередь делает нейросеть не очень требовательной к вычислительным мощностям. По словам разработчиков, потенциально она сможет выполнять сложные рассуждения с помощью Raspberry Pi — одноплатного компьютера размером с банковскую карту. Кроме того, нейросети не нужны облачные решения.
Ранее «Мир робототехники» писал, что корпорация Google представила свое новое продуктовое семейство — Gemini. По словам генерального директора нейросетевого отделения Google DeepMind Демиса Хассабиса, Gemini — самая крупная и способная модель корпорации.
