Мозги машины: Электронный блок управления (ЭБУ) — мозг вашего автомобиля

Электронный блок управления (ЭБУ) — мозг вашего автомобиля

Работа систем и агрегатов современного авто напрямую зависит от корректной работы «мозгового центра», называемого электронный блок управления (ЭБУ), он же Powertrain Control Module (PCM). Неисправности в электронном блоке немедленно отражаются на работе электропитания, трансмиссии, выхлопной системы и других элементах.

Если электронный блок управления ЭБУ вышел из строя

Ввиду сложности устройства, данный блок не подлежит ремонту в условиях обычного СТО – его просто заменяют, предварительно убедившись, что причиной помех в работе авто действительно является выход из строя ЭБУ. Для проверки работоспособности блока управления требуется сложное оборудование, такое тестирование под силу только специализированному сервисному центру.

Если возникла необходимость в установке нового блока взамен пришедшего в негодность, предварительно нужно выявить и устранить «причину смерти» предыдущего. Эта задача может оказаться непростой, зато избавит вас от повторной замены блока.

Можно назвать две основные причины поломки ЭБУ:
— повышенное напряжение, вызванное, например, коротким замыканием;
— воздействие внешних факторов, таких как перегрев, вибрация, удар, коррозия. Особо следует предохранять ЭБУ от попадания влаги. Вода, просочившись внутрь корпуса, может вызвать замыкание и коррозию.

Покупка и замена электронного блока ЭБУ

Основная часть ЭБУ, продаваемых на рынках и в магазинах запчастей, это бывшие в употреблении блоки, которые были восстановлены на заводе, так как восстановление гораздо более выгодно для фирм-производителей. Конечно, не все пришедшие в негодность блоки подлежат восстановлению. Например, блок с «утопленного» автомобиля, скорее всего, никто ремонтировать не станет.

Несмотря на то, что внешне электронные блоки могут выглядеть совершенно одинаково, иметь одинаковый размер и одинаковое расположение контактов, их настройки кардинально отличаются.

И это понятно, ведь они отвечают за работу агрегатов автомобиля конкретной марки и года выпуска. При установке «неродного» ЭБУ, даже если автомобиль заведётся и поедет, все системы автомобиля будут сбоить. Нужно, чтобы заменяемый электронный блок был абсолютно идентичным.

При покупке ЭБУ нужно знать марку автомобиля, год выпуска, объем двигателя и код производителя, обозначенный на блоке.

В каждом ЭБУ есть микросхема PROM (Program Read Only Memory), в которой хранятся все параметры настроек данного автомобиля. Чаще всего эту микросхему нужно переставить со старого на новый электронный блок. В более поздних моделях автомобилей для этих целей вместо микросхемы используется флеш-память или EEPROM (Electronically Erasable Program Read Only Memory) – перезаписываемое запоминающее устройство.

При замене блока основной работой является

подключение его к проводке автомобиля через соответствующие разъемы. Подключение может усложнять неудобное и труднодоступное месторасположение ЭБУ. В любом случае перед подключением блока нужно отсоединить клемму от аккумулятора.

Многие блоки после подключения требуют дополнительной настройки под параметры данного автомобиля. Для каждого автомобиля этот процесс индивидуален и полностью описан в инструкции по сервисному обслуживанию. Процедуру перепрограммирования блоков, к примеру, чип тюнинг skoda octavia A5 следует выполнять только на авторизованных сервис центрах. Доверять чип-тюнинг ЭБУ «гаражным» умельцам-самоучкам — крайне недальновидно и даже опасно.

С этой статьёй читают:

ПЕЧАТНЫЕ ПЛАТЫ: ИЗУЧИТЕ МОЗГ ВАШЕЙ МАШИНЫ

Задумывались ли вы когда-нибудь о том, как машина узнает, что именно нужно сделать при нажатии кнопки? Все это возможно благодаря печатным платам (ПП). ПП — это мозг вашей машины. Без них ваша машина бесполезна. Они обрабатывают электрические сигналы, поступающие на контроллер двигателя, приборную панель, блок управления двигателем (ECU), джойстик и все прочие электрические компоненты, а также от них.

Все ПП имеют одинаковую базовую конструкцию, однако двух полностью идентичных плат не существует. Читайте далее, чтобы узнать больше.

ОГРОМНОЕ РАЗНООБРАЗИЕ ПЕЧАТНЫХ ПЛАТ

Для передачи информации от одного электрического компонента к другому в ПП используется медная проволока. Это нечто вроде «внутреннего мессенджера», соединяющего электрические компоненты машины между собой. При перемещении джойстика мачта вилочного погрузчика точно знает, что делать, именно благодаря ПП. ПП применяются во всех электрических транспортных средствах, таких как вилочные погрузчики,  телескопические погрузчики, мобильные подъемные рабочие платформы … 

ПП так же различны, как и управляемые ими машины

. Даже ПП одного и того же бренда отличаются друг от друга. Например, ПП для вилочного погрузчика BT P24-M отличается от ПП для вилочного погрузчика BT P24-S. Они могут быть похожими, но каждая сконфигурирована под конкретное транспортное средство, в котором она установлена.

КАК УСТАНАВЛИВАЮТСЯ ПЕЧАТНЫЕ ПЛАТЫ?

Все ПП имеют одну и ту же базовую конструкцию: медные отметки на одной или обеих сторонах ПП образуют электрические соединения между установленными компонентами. Каждая плата проектируется специально под конкретную машину, затем программируется, устанавливается и калибруется. Процедура установки ПП зависит от типа ПП.

Некоторые ПП относятся к типу «подключи и работай» и не требуют дополнительной калибровки после установки. Как подразумевает название, их необходимо просто подключить — и они готовы к использованию. Другие ПП являются полностью программируемыми: для них необходимо настроить различные параметры и/или выполнить калибровку. Процедура калибровки ПП зависит от бренда и типа. Калибровку можно выполнить с помощью диагностического инструмента, через приборную панель или прочие соединения на транспортном средстве.

ПРЕИМУЩЕСТВА ПЕЧАТНЫХ ПЛАТ

Благодаря ПП электронные схемы требуют меньше места, являются более компактными и располагаются на удобной плате. Они не только упрощают соединение между компонентами машины, но и удешевляют его.

Прочие преимущества печатных плат:

• Простая проводка
• Повышенная безопасность
• Высокая надежность
• Больший комфорт благодаря большему количеству функций
• Простота ремонта
• Энергоэффективность: можно работать столько, сколько потребуется

ПЕЧАТНЫЕ ПЛАТЫ В АССОРТИМЕНТЕ TVH

Компания TVH предлагает ПП ведущих отраслевых брендов: Caterpillar, Cesab, Hyster, Mitsubishi, Jungheinrich, Linde, Manitou … За каждый бренд отвечает специалист-инженер с соответствующим опытом для обеспечения оптимального качества и обслуживания.

Стремление к высокому качеству позволило нам заключить партнерские соглашения с:

• Curtis Instruments
• PG Drives Technology
• Sevcon
• SME
• Elektrosistem

В дополнение к широкому ассортименту ПП и диагностических инструментов у компании TVH также имеется большой склад, что позволяет осуществлять поставки в самые сжатые сроки. Кроме того, каждый клиент может рассчитывать на экспертную техническую поддержку.

ЕСТЬ ВОПРОСЫ?

Пожалуйста, свяжитесь с нами. Наши сотрудники с радостью предоставят вам всю необходимую информацию.

Влияние коронавируса на мозг оказалось сильнее, чем предполагалось — исследование / Интерфакс

«Негативные последствия влияния коронавируса на мозг оказались сильнее, чем предполагалось ранее», — отмечается в сообщении.

Исследование проводилось учеными вуза, которые занимаются реабилитацией пациентов, перенесших COVID-19. Группа работала под руководством невролога, профессора Виктора Машина.

По данным специалистов, коронавирус проникает в клетки человека с помощью рецептора ACE2 (АПФ2) и вызывает воспаление.

«Не исключается, что развитие дыхательной недостаточности, сопровождающей новую коронавирусную инфекцию, связано с вовлечением в патологический процесс не только нижних дыхательных путей, но и дыхательного центра в стволе головного мозга. Кроме того, АПФ2 обнаруживается на поверхности нейронов и глиальных клеток в головном мозге», — приводятся в релизе слова Машина.

Помимо «привычных» для многих последствий от коронавируса в виде головной боли, головокружения, нарушения вкуса и обоняния выявлены случаи серьезного поражения головного мозга — острой некротизирующей геморрагической энцефалопатии.

Также ученые считают, что вероятна возможность развития COVID-19-ассоциированного менингита и энцефалита.

Профессор Машин пояснил «Интерфаксу», что исследование проводили аспирант и студенты вуза, которые непосредственно работают в системе здравоохранения, в том числе в «красной зоне» ковидного госпиталя.

«Выборка исследования составила 107 человек. Изучали ряд пациентов до их госпитализации, непосредственно при лечении, и, к сожалению, проводили гистологические проверки после гибели некоторых. Возрастная группа пациентов — от 40 до 80 лет. У 88% выявили признаки поражения нервной системы», — сказал ученый.

Ранее президент Российской академии наук Александр Сергеев сообщал, что ученых тревожат неизученные последствия для организма от перенесенного коронавируса.

«Сейчас все особенно встревожены воздействием на центральную нервную систему. Причина понятна — потеря обоняния, ведь обонятельные рецепторы — это часть мозга, все проводится туда. Этот вопрос практически не исследован — что там происходит? И как раз вопрос долгосрочных последствий сейчас очень серьезный», — сказал ранее «Интерфаксу» Сергеев.

Читайте «Интерфакс-Образование» в «Facebook», «ВКонтакте», «Яндекс.Дзен» и «Twitter»

Человеческий мозг против искусственного интеллекта – Новости – Научно-образовательный портал IQ – Национальный исследовательский университет «Высшая школа экономики»

В связи с постоянным развитием систем искусственного интеллекта (ИИ) и совершенствованием алгоритмов машинного обучения в обществе нарастает вполне обоснованный страх за будущее человечества. Что если нас ждёт будущее как в фильме «Терминатор»? Машины уже управляют нашими домами, следят за нами на улице, работают в сфере услуг. Что если они решат взбунтоваться… Однако не стоит волноваться: десятки исследований доказали, что человеческий мозг во многом опережает даже самый умный искусственный интеллект. В чём именно — IQ.HSE рассказали студентка ОП «Журналистика» НИУ ВШЭ Ульяна Сироткина и психофизиолог, аспирант НИУ ВШЭ, автор научно-популярного комикса об улучшении памяти Полина Кривых.

Абстрактные понятия

Наверняка у вас есть знакомый со слабым зрением, который хоть однажды рассказывал, как принял пакет за кошку или прохожего за столб. Однако первое ошибочное впечатление рассеялось в результате повторной обработки образа при более детальном рассмотрении предмета. В итоге и пакет, и прохожий были распознаны. Человек способен ставить под сомнение свои впечатления и умозаключения, что позволяет обрабатывать абстрактные понятия: мы можем совершить ошибку в определении, но в результате корректировки приходим к истине.

Для искусственного интеллекта усвоение абстрактных понятий — настоящее испытание, часто непосильное. Любые изменения внешних характеристик объекта могут привести к ложной идентификации. Например, человек сможет распознать женские туфли, даже если шпилька изогнута причудливым образом, а к носку прикреплены перья; алгоритм — нет. 

Именно поэтому сайты используют капчи — последовательности букв и цифр — для верификации. Человек сможет различить очертания замаскированного символа и правильно вписать его в поле. Для машины малейшее отклонение от исходно запрограммированного образа буквы или цифры создаёт непреодолимое препятствие для идентификации.

Научение через взаимодействие

Люди, в отличие от машин, охотно делятся друг с другом информацией: сообщают последние новости, объясняют дорогу до магазина, пересказывают прогноз погоды. В результате осознанного проговаривания, во-первых, улучшается собственное понимание концепции (наверняка вы замечали, что глубже вникаете в материал, когда пытаетесь объяснить его кому-то). Во-вторых, другой человек получает новые сведения, которые находят отклик в его личном опыте. 

Искусственный интеллект учится иначе — путём многоуровневой рефлексии — обращения к своим ошибкам и удачным действиям. Она циклически повторяется много раз. Так ИИ корректирует и развивает установленный алгоритм, если находит ошибки во время апробации, но не может делиться полученной информацией с другими устройствами. То есть машины — полные индивидуалисты в процессе научения.

Научение через обработку информации

В некоторых африканских общинах дети слышат речь всего несколько десятков часов в год (по сравнению с сотнями и даже тысячами в европейских семьях), однако это не мешает им эффективно усвоить родной язык за первые годы жизни. Для искусственного интеллекта недостаточно такого объёма информации: необходим огромный массив данных и долгое время для того, чтобы машина овладела самыми минимальными базовыми речевыми навыками. Другими словами, ИИ поглощает много информации и извлекает из неё мало пользы. Зато человеческий мозг работает совершенно иначе — он умеет выжимать максимум из минимума.

Систематизация знаний о мире

Нотные тетради, математические формулы и сборники грамматических правил доказывают, что человек способен систематизировать разрозненные абстрактные явления внешнего мира. В случайной последовательности мы можем найти закономерность, вывести общий принцип, по которому сможем составить аналогичный ряд в будущем.

Люди способны описать практически любое физическое явление с помощью абстрактных систем знаков — математических формул — а затем собрать их в упорядоченные системы по определённому признаку. Для машинных алгоритмов недоступен глубинный анализ, несвойственно стремление к систематизации, выработке универсальных принципов.

Моментальное усвоение информации

Представьте, что вы услышали в речи знакомого новое сленговое слово. Из контекста предложения и интонации вы угадываете его смысл и уже через пару минут используете в своей реплике. Зная общие грамматические правила, характерные для нашего языка, вы сможете изменить форму слова, например, на повелительное наклонение. Способность моментально внедрять новую информацию в существующую систему знаний — слабое место искусственного интеллекта и несомненное преимущество человеческого мозга.

Разработчики систем глубокого обучения работают над устранением несовершенств искусственных нейронных сетей, приближая отдельные способности к уровню человеческого мозга. Однако то, что находится внутри нашего черепа, — не просто набор нескольких улучшенных навыков, а обширная система уникальных умений и практически неисчерпаемого потенциала. Это делает человеческий мозг победителем в схватке с искусственным интеллектом сейчас и в обозримом будущем.
IQ

 

Авторы текста: Ульяна Сироткина, Полина Кривых

21 мая

---

Подпишись на IQ.HSE

Зачем нужны авто «электронные мозги»

     Электронным управлением сегодня не может похвастать разве что мопед или бензопила. Современные автомобили всё больше и больше становятся цифровыми. Уже сейчас существуют модули, которые полностью можно назвать вычислительными комплексами, потому, что они включают в себя необходимые для этого элементы: аппаратные и программные. Одним из таких комплексов является блок управления двигателем. Этот модуль занимается сбором информации с целой группы различных датчиков, и занимается их анализом. Анализ необходим не только для управления двигателем но и для выявления неисправностей в самих датчиках.

     Ведь если будет принят неверный сигнал с вышедшего из строя датчика, то и команда, отправленная в двигатель с ошибкой, может привести к серьёзным последствиям. Поэтому блок управления, прежде чем полученные сигналы сразу «пустить в дело» сперва анализирует их на предмет невозможности. Если сигнал противоречит естественному ходу логики, на приборной панели водителя засветится соответствующий чек о неисправности того или иного датчика. После этого блок управления обрабатывает все полученные данные и рассчитывает требуемые в сложившейся ситуации дальнейшие действия, которые необходимо выполнить.

     Для этого в него программным способом заложен определенный алгоритм, некая программа. Эта программа, выполнив все требуемые расчеты, начинает формировать управляющее воздействие, складывая его в некую последовательность сигналов, необходимых к отправке в различные узлы и механизмы двигателя. Затем эта последовательность сигналов выстраивается в очередь и в нужные моменты времени отправляется в исполнительные устройства двигателя. Таким образом происходит оптимизация всех процессов двигателя внутреннего сгорания, достигается экономия топлива, достигается максимальный крутящий момент, регулируется содержание выхлопных газов и многое другое. Таким образом, блок управления является одним из важнейших элементов современных двигателей и его выход из строя полностью может парализовать автомобиль. Купить электронный блок управления ЭБУ в Брянске можно в интернет-магазине menokom.ru

BMW представила концепт самоуправляемого автомобиля Vision Next 100

7 марта, в день своего столетия, компания BMW представила концепт-кар BMW Vision Next 100 — вариант, как могут выглядеть (и ездить) баварские автомобили будущего. У компании есть несколько вариантов, какими двигателями будут приводиться в движение эти машины, но, как сказал председатель правления BMW Group Харальд Крюгер, «электромобильность остается устойчивым трендом».

По словам Адриана ван Хойдонка, шеф-дизайнера BMW Group, в будущем автомобиль и водитель станут компаньонами, автомобиль сможет предоставлять водителю всю необходимую информацию или, наоборот, защищать его от излишней информации. А водитель будет сам выбирать: хочет ли он сам вести автомобиль или это будет делать автопилот. По замыслу создателей концепта, вся информация передается на лобовое стекло, рулевого колеса у автомобиля нет — есть подобие штурвала (по словам ван Хойдонка, в компании еще не определились, как называть это устройство). В полностью автономном режиме руль убирается. На торпедо под лобовым стеклом — зеленая сигнальная лампа: если перед переходом она загорается, это сигнал пешеходу, что автопилот его увидел и остановил машину, пешеход может переходить дорогу.

«Благодаря помощи компаньона-автопилота человек станет еще лучшим водителем», — уверен ван Хойдонк. Камеры и сенсоры концепта обеспечат обзор на 360 градусов, то есть автомобиль сможет подсказывать водителю, что произойдет в ближайшем будущем — например, что наперерез машине выскочит велосипедист.

Кузов BMW Vision Next 100 — четырехдверное купе. По словам ван Хойдонка, в компании сознательно решили, что концепт должен быть именно в таком кузове, — как отражение спортивного наследия бренда, — а не в кузове кроссовера, хотя этот сегмент растет. Внешние размеры — как у BMW пятой серии, внутри — как у седьмой. Концепт предполагает, как через 3-4 поколения будет выглядеть автомобиль 5-й серии BMW, говорит ван Хойдонк — «дизайн спортивный, но не агрессивный».

Концепт полностью ходовой, приводится в движение электрическим приводом на одну ось. После Мюнхена, где был представлен Vision Next 100, концепт отправится в Пекин, Лондон и Лос-Анджелес, где ему предстоит своим ходом пройти «многие сотни миль», сказал ван Хойдонк. Каким будет привод у будущего автомобиля, в BMW не раскрыли — «есть альтернативные варианты», сказал Харальд Крюгер. «Мы полагаем, что двигатель не будет делать вредных выбросов в атмосферу», — добавил ван Хойдонк. Корпус концепта сделан из пластика, колеса закрыты подвижной конструкцией, внешне напоминающей чешую, которая сдвигается при повороте. Концепт построен полностью подразделениями дизайна и разработки BMW, без привлечения сторонних ателье.

«Индивидуальная мобильность в начале нового захватывающего пути», — констатировал Крюгер. «Мобильность становится многообразной, мы будем объединять все виды мобильности. Наши технологии смогут учиться у человека, наши автомобили будут цифровыми водителями, передвижение станет восторгом. Но в центре по-прежнему стоит клиент», — добавил он.

Отвечая на вопрос о перспективах электромобилей под брендом BMW, глава группы повторил свой тезис «электромобильность — это марафон, а не спринт», и подчеркнул, что в 2015 г. BMW продала почти 30 000 электромобилей [i-суббренд продал 29 513 единиц (в 2014 г. — 17 793 ед.), из них 24 057 ед. электромобилей BMW i3 (+49,9%, в 2014 г. — 16 052 ед.) и 5456 ед. гибридных суперкаров BMW i8 (в 2014 г. — 1741 ед.)], увеличив продажи более чем на 60%. «Электромобильность остается устойчивым трендом», — сказал Крюгер.

На прошлой неделе член правления BMW Group Клаус Фройлих, отвечающий в группе за новые разработки, заявил в интервью Reuters, что в течение ближайших пяти лет 50% сотрудников подразделений R&D группы должны составить программисты (при том что сейчас инженеры-программисты составляют только 20% из 30 000 сотрудников BMW и ее поставщиков, занятых в разработке новых продуктов).

BMW хочет самостоятельно создавать «мозги» для собственных автономно управляемых автомобилей. «Для меня это ключевая компетенция, чтобы создавать самые умные машины», — сказал Фройлих. «Иначе мы превратимся в подобие компании Foxconn для Apple, которая поставляет им только металлические корпуса», — добавил Фройлих.

Председатель правления BMW Group Харальд Крюгер представляет концепт Vision Next 100 в Мюнхене /BMW Group

Cпинной мозг автомобиля: Тайна автомобиля

Современный автомобиль похож на катающийся по улицам вычислительный центр, нашпигованный множеством компьютеров. Попробуем обсудить эти малопонятные аспекты в работе вашей машины, разобраться в ее компьютерной сети. В прошлом мы бы назвали ее «бортовой электросетью», однако функции этого организма уже давно вышли за рамки тупого перекачивания электронов из одного проводка в другой. Вся автомобильная электроника называется в своей совокупности «локальной контроллерной сетью» (CAN, Controller Area Network), но есть для этого и более точный термин. Система проводов и протоколов связи, выполняющая функции соединительной ткани между всеми компьютерами и датчиками, называется, строго говоря, шиной CAN. Благодаря шине CAN машины стали дешевле, мощнее, удобнее и научились выделывать такие фокусы, которые без нее были бы просто невозможны.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Шоссе и развязки

Обо всех тонкостях шины CAN мы решили поговорить с Эриком Патоном, специалистом из компании Ford. Патон сказал: «Садясь за баранку, вы должны понимать — все в машине, что на первый взгляд кажется вам простым, скрывает на поверку фантастически сложные взаимодействия изощренных процессов и механизмов». Принципиальная схема шины CAN напоминает переплетение шоссейных дорог. Данные, подобно автомобилям, летят вдоль многополосных хайвеев, а потом сворачивают на какие-то узкие местные дороги, используя в определенных местах специально устроенные для этого въезды и съезды. Тысячи пакетов данных несутся в любой момент по этим дорожкам. Вы можете засечь их на любом перегоне и принять на любом выезде с магистрали.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

В самых разных местах вашего автомобиля понатыканы разнообразные компьютеры, которые принято называть электронными блоками управления (ECU). Продолжая развивать шоссейную аналогию, их можно было бы представить себе в виде светофоров и других регулируемых развязок. Каждый ECU выполняет свои задачи: один управляет работой двигателя или трансмиссии, другой поднимает оконные стекла, третий запирает двери и т. д. На эти компьютеры заведены жилы от различных датчиков и переключателей, подающих информацию о тех или иных переменных величинах типа температуры, давления, напряжения, ускорения под различными углами, торможения, угла поворота колес и многих других параметрах. Допустим, ECU запрашивает информацию от какого-то датчика, подключенного к другому ECU, спрятанному в противоположном конце автомобиля, — вот тут-то и вступает в действие шина CAN.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Вернемся к образу автомагистрали. Шина CAN позволяет данным от всех датчиков и процессоров свободно циркулировать по автомобилю в любой момент времени. Каждый из компьютеров непрерывно передает в сеть информацию от своих датчиков и результаты собственных вычислений. В сети одновременно носится пара тысяч сообщений, дожидаясь, когда кто-то пожелает их прочитать. С другой стороны, каждый ECU непрерывно «прослушивает» сеть, выдергивая из нее те «кусочки» информации, которые могут потребоваться ему для выполнения собственных задач. Эта система не предполагает существования какого-либо центрального «хаба» или маршрутизатора — это просто непрерывный поток информации, которая всегда доступна каждому из контроллеров.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Дверь, а не гильотина

Рассмотрим, к примеру, работу электропривода сдвижных дверей — атрибута, типичного для современных минивэнов. Движением этих дверей управляет особый ECU, который называют «модулем кузовных функций». Несколько датчиков постоянно отслеживают, закрыта дверь или нет. Вот водитель нажимает кнопку закрытия двери. Сигнал от этого переключателя передается в сеть. Соответствующий ECU принимает сигнал, но это не значит, что он сразу же берется за работу. Первым делом он просматривает поток данных, идущий по шине, чтобы убедиться, что машина не движется и пребывает в запаркованном состоянии. Если по этой части все в порядке, он дает команду на электропривод. Включаются моторчики, и дверь съезжает на положенное место. Но этого еще мало — попутно ECU отслеживает напряжение, которое подается на клеммы моторов. Если напряжение на каком-то моторе вдруг скакнет, это будет означать, что дверь уперлась в оставленную в проеме сумку или кто-то выставил в проем ногу. Тогда ECU, чтобы не вызвать каких-либо повреждений, сразу же начнет сдвигать дверь в противоположную сторону. Если же двери ничто не помешает, она встанет в проем, и тут же включится электрическая защелка.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Еще недавно такую последовательность действий можно было бы считать настоящим достижением инженерной мысли. Даже простой электропривод, заведенный на электрические двери, потребовал бы жгуты из проводов, протянутых к электромотору, переключателям направления и электрическим замкам.

Принцип «шины CAN» был разработан в середине 1980-х, а до этого, если автопроизводитель хотел добавить в машину какую-нибудь новую электрическую примочку, скажем, подогрев сидений, от них нужно было тянуть через машину провода прямо до кнопки, красующейся в панели приборов. Шли годы, электрических наворотов становилось все больше, провода становились все длиннее, и наконец вся машина оказывалась опутанной многими километрами проводов, уложенных жгутами толщиной в руку. Когда была реализована идея шины CAN, нагреватели сидений и управляющий ими выключатель уже не нуждались в связи между собой посредством какого-то отдельного провода. Теперь они могут просто «переговариваться» через единую автомобильную шину CAN, не преумножая электрических хитросплетений.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Что на самом деле потребуется — так это добавочные усилия программистов, которые организуют взаимодействие всех устройств. В том-то и состоит вся революция: сложность физико-механическая уступила место сложности идейной и программной. Внедрение шины CAN поставило перед программированием новые масштабные задачи, но вместе с ней в автопром пришло множество новых позитивных сдвигов. Потребитель заметно выиграл в деньгах, машины стали намного легче, снизилась зависимость от поставщиков меди и резины, а главное, вся система стала существенно более надежной, потому что чем меньше проводов, тем меньше вероятность обрывов. Все перечисленные преимущества — это прогресс в чисто техническом плане, но самый глубокий эффект от этого нововведения оказался сугубо идейным. Это совершенно новый подход к диагностике автомобиля и обновлению программного обеспечения.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Машина, излечись!

Однако главным основанием для разработки шины CAN была вовсе не экономия на километрах проводки. Дело в другом. К концу 1970-х годов были, наконец, окончательно сформулированы технические требования, связанные с охраной окружающей среды. Национальная администрация безопасности движения на шоссейных дорогах (NTHSA) совместно с Комитетом по воздушным ресурсам штата Калифорния разработали методики для проверки эффективности автомобильных систем снижения вредных выбросов в атмосферу. Эти директивные документы повлекли за собой стандартизацию протокола «бортовой диагностики» — OBD. Сейчас мы имеем дело с этим же протоколом, но уже второго поколения, обозначаемым OBD-II.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Согласно этим требованиям в целях самодиагностики все датчики двигателя должны быть связаны между собой посредством шины CAN. При наличии такой связи специально выделенный ECU может постоянно следить за информационным потоком, вылавливая из шины аварийные сообщения в форме кодов OBD-II. Получив сообщение о какой-либо проблеме, этот ECU переформулирует его в алфавитно-цифровом коде и включает на торпеде лампочку «Check engine». На современных машинах подобная самопроверка выполняется непрерывно в течение всего времени, пока работает двигатель. Если у вас имеется портативный считыватель кодов (см. врезку «Цифровая диагностика»), вы можете залезть под торпеду со стороны водителя, подключиться к 16-контактному разъему вывода данных и прочитать все коды неисправностей. После этого загляните в интернет, где легко найдете расшифровку этим кодам или по крайней мере подсказку, что делать дальше.

Тот же самый разъем окажется очень кстати, если вдруг производитель обнаружит какой-то глюк в софте вашего автомобиля или придумает, как еще можно оптимизировать его работу. Допустим, разработали новый алгоритм, обеспечивающий более мягкое переключение передач. Теперь задача модернизации всех уже проданных автомобилей вашей серии решается очень просто — механик из дилерского центра подключает свой компьютер к тому же самому разъему и скачивает в вашу сеть новые программы. А ведь в прежние эпохи, до внедрения шины CAN, это означало бы физическую замену соответствующих контроллеров.

Является ли мозг хорошей моделью для машинного интеллекта?

Кафедра физиологии, развития и неврологии, Кембриджский университет

Машины могут соответствовать нам во многих задачах, но они работают иначе, чем сети нервных клеток. Если наша цель — создавать машины, которые будут еще более умными и ловкими, то мы должны использовать схемы из меди и кремния. Но если наша цель — воспроизвести человеческий мозг с его необычным блеском, способностью к многозадачности и самоощущением, мы должны искать другие материалы и другие конструкции.

Компьютеры превосходят нас в сложных математических вычислениях и лучше хранят и извлекают данные. Мы согласны с тем, что они могут обыграть нас в шахматы, которые когда-то считались апогеем человеческого интеллекта. Но успех компьютера под названием Watson в телевизионной викторине США Jeopardy! в 2011 году стал гвоздем в гроб человеческого превосходства. Машина победила двух человек-участников, отвечая на вопросы, заданные на разговорном английском, понимая культурные аллюзии, метафоры, каламбуры и шутки.Если бы Алану Тьюрингу дали стенограмму шоу, он бы заметил странную?

Уотсон может быть последним подтверждением взгляда Тьюринга на интеллектуальные процессы как на серию логических состояний. Но его внутренняя работа основана не на человеческом мозге. Большое сходство в организации может быть обусловлено характером задачи, но большинство инженеров-программистов не знают и не заботятся об анатомии или физиологии. Даже биологически вдохновленные подходы, такие как клеточные автоматы, генетические алгоритмы и нейронные сети, имеют лишь незначительную связь с живой тканью.

В 1944 году Тьюринг признался в своей мечте о создании мозга, и многие люди продолжают заниматься этим по сей день. Однако любой нейробиолог сочтет такие попытки наивными. Как вы можете представить нейронный синапс — сложную структуру, содержащую сотни различных белков, каждый из которых является химическим вундеркиндом и расположен в кобылице взаимодействий, — с помощью одной строчки кода? Мы до сих пор не знаем детальных схем любой области мозга достаточно хорошо, чтобы воспроизвести ее структуру.Мозги особенные. Они направляют нас по миру, говорят нам, что делать или говорить, и выполняют множество жизненно важных функций. Мозг — это источник наших эмоций, мотивации, творчества и сознания. Поскольку никто не знает, как воспроизвести какие-либо из этих свойств в искусственной машине, мы должны учитывать, что в каноническом микрочипе не хватает чего-то важного.

Мозг отличается от компьютеров во многих отношениях. Они действуют циклично, а не в линейных причинно-следственных связях, посылая и получая сигналы туда и обратно.В отличие от аппаратного и программного обеспечения машины, разум и мозг не являются отдельными сущностями. И еще вопрос о химии.

Живые клетки обрабатывают поступающую сенсорную информацию и генерируют не только электрические сигналы, но и тонкие биохимические изменения. Клетки мягкие, податливые и состоят из практически бесконечного разнообразия макромолекул, в отличие от кремниевых чипов. Организмы кодируют прошлый опыт в различных клеточных состояниях — у людей они являются основой целенаправленных движений и самоощущения.Возможно, машины, построенные из компонентов, похожих на клетки, будут больше похожи на нас.

Мозги, умы и машины

Информация о курсе

Посмотреть вебинар BMM Дата курса: 5 августа — 26 августа 2021 г.

Срок: 6 апреля 2021 г.

2019 Расписание (XLS)

Директора: Борис Кац, Массачусетский технологический институт; Габриэль Крейман, Гарвардская медицинская школа; и Томазо Поджио, Массачусетский технологический институт

Как подать заявку

Заявки закрыты.

Описание курса

Основа интеллекта — то, как мозг производит разумное поведение и как мы можем воспроизвести интеллект в машинах, — возможно, самая большая проблема в науке и технологиях. Чтобы решить эту проблему, нам нужно будет понять, как человеческий интеллект возникает из вычислений в нейронных цепях, со строгостью, достаточной для воспроизведения аналогичного интеллектуального поведения в машинах. Успех в этом начинании в конечном итоге позволит нам лучше понять самих себя, производить более умные машины и, возможно, даже стать умнее.Современные технологии искусственного интеллекта, такие как Watson и Siri, впечатляют, но их предметная специфика и зависимость от огромного количества помеченных примеров являются очевидными ограничениями; немногие считают это мозгоподобным или человеческим интеллектом. Синергетическое сочетание когнитивной науки, нейробиологии, инженерии, математики и информатики обещает создать гораздо более надежные и сложные алгоритмы, реализованные в интеллектуальных машинах. Цель этого курса — помочь создать сообщество лидеров, одинаково хорошо осведомленных в области нейробиологии, когнитивной науки и информатики, и возглавить разработку настоящего биологически вдохновленного ИИ.

Обсуждения в классе будут охватывать ряд тем, в том числе:

• Неврология: нейроны и модели
• Вычислительное зрение
• Биологическое зрение
• Машинное обучение
• Байесовский вывод
• Планирование и управление двигателем
• Память
• Социальное познание
• Обратные задачи и корректность
• Прослушивание и обработка речи
• Обработка естественного языка

Эти обсуждения будут дополнены в первую неделю MathCamp и NeuroCamp, чтобы обновить необходимую информацию.На протяжении всего курса студенты будут участвовать в семинарах и учебных курсах, чтобы получить практический опыт работы с этими темами.

Все студенты должны посещать все три недели курса, участвовать во всех лекциях курса, участвовать в исследовательском проекте и представить свой исследовательский проект по завершении курса.

Основные презентации будут проведены совместно нейробиологами, учеными-когнитивистами и компьютерными специалистами. После лекций после обеда будут проводиться занятия в вычислительных лабораториях с дополнительными вечерними исследовательскими семинарами.Чтобы усилить тему сотрудничества между (информатика + математика) и (нейробиология + когнитивная наука), упражнения и проекты часто будут выполняться в группах, которые объединяют студентов с обоими знаниями.

Завершится курс презентацией студентами своих проектов. Эти проекты предоставляют студентам возможность работать в тесном контакте с постоянными преподавателями, развивать идеи, вытекающие из лекций и семинаров, и связывать эти идеи с проблемами из собственных исследований студентов в их домашних учреждениях.

Этот курс направлен на перекрестное обучение компьютерных инженеров и нейробиологов; он подходит для аспирантов, докторов наук и преподавателей информатики или нейробиологии. Ожидается, что студенты будут иметь сильный опыт в одной дисциплине (например, нейробиологии, физике, инженерии и математике). Наша цель — развивать науку и технологии интеллекта и помогать обучать новое поколение ученых, которые будут использовать достижения нейробиологии, когнитивных наук и информатики.

Финансовая информация: Все расходы (обучение / проживание и питание) щедро покрываются наградой Научно-технологического центра NSF Центру мозга, разума и машин.

2019 Факультет курса

Антонио Торральба
Борис Кац
Кристоф Кох
Габриэль Крейман
Хаим Сомполински
Джеймс ДиКарло
Джереми Вулф
Джош МакДермотт
Джош Тененбаум
Лаура Шульц
Лиз Спелк
Лоренцо Розаско Ницца
Лоренсо Розаско Ницца
Синха
Роберт Дезимоун
Сэм Гершман
Стефани Теллекс
Томас Серр
Томазо Поджио
Винрих Фрейвальд

Илон Маск рассказывает о планах Neuralink по «потокам» чтения мозга

Neuralink Илона Маска, скрытная компания, разрабатывающая интерфейсы мозг-машина, впервые продемонстрировала публике некоторые из разрабатываемых ею технологий.Цель состоит в том, чтобы со временем начать имплантировать парализованным людям устройства, позволяющие им управлять телефонами или компьютерами.

Первым большим достижением являются гибкие «нити», которые с меньшей вероятностью повредят мозг, чем материалы, которые в настоящее время используются в интерфейсах мозг-машина. Эти потоки также создают возможность передачи большего объема данных, согласно официальному документу, предоставленному «Илону Маску и Neuralink». В аннотации отмечается, что система может включать «до 3072 электродов на матрицу, распределенную по 96 потокам».”

Тоньше человеческого волоса

Нити имеют ширину от 4 до 6 мкм, что делает их значительно тоньше человеческого волоса. Помимо разработки потоков, другим большим достижением Neuralink является машина, которая их автоматически встраивает.

Маск провел большую презентацию исследования Neuralink во вторник вечером, хотя сказал, что это было не просто для шумихи. «Основная причина проведения этой презентации — набор сотрудников», — сказал Маск, прося людей подать заявление о приеме на работу.Макс Ходак, президент Neuralink, также вышел на сцену и признался, что изначально не был уверен, что «эта технология — хорошая идея», но Маск убедил его, что это возможно.

В будущем ученые из Neuralink надеются использовать лазерный луч, чтобы пройти сквозь череп, а не сверлить отверстия, заявили они в интервью The New York Times. Согласно этому отчету, первые эксперименты будут проводиться нейробиологами из Стэнфордского университета. «Мы надеемся, что к концу следующего года это будет у человека, — сказал Маск.

В ходе вопросов и ответов в конце презентации Маск сообщил о результатах, о которых остальная часть команды не догадывалась: «Обезьяна смогла управлять компьютером с помощью своего мозга».

Илон Маск сказал, что основной причиной презентации был набор сотрудников Neuralink . Фото Элизабет Лопатто / The Verge

«Это не произойдет внезапно, когда Neuralink получит это нейронное кружево и начнет захватывать мозги людей», — сказал Маск.«В конечном итоге» он хочет «добиться симбиоза с искусственным интеллектом». И что даже при «благоприятном сценарии» люди останутся «позади». Следовательно, он хочет создать технологию, позволяющую «слиться с ИИ». Позже он добавил, что «мы — мозг в чане, а этот чан — наш череп», и поэтому цель состоит в том, чтобы считывать нервные импульсы от этого мозга.

Мэтью Нэгл — первым человеком с параличом спинного мозга, получившим имплант головного мозга, который позволил ему управлять компьютерным курсором. В 2006 году Нэгл играл в понг, используя только свой ум; На освоение необходимого базового движения у него ушло всего четыре дня, сказал он The New York Times .С тех пор парализованные люди с имплантатами мозга также фокусировали объекты и перемещали роботизированные руки в лабораториях в рамках научных исследований. Система, которую использовали Нэгл и другие, называется BrainGate и изначально была разработана в Университете Брауна.

Система Neuralink, встроенная в лабораторную крысу. Изображение: Neuralink

«Neuralink возникла не из ниоткуда, здесь долгая история академических исследований», — сказал Ходак на презентации во вторник.«Мы, в самом лучшем смысле, опираемся на плечи гигантов». Однако ни одна из существующих технологий не соответствует цели Neuralink по прямому считыванию нервных импульсов минимально инвазивным способом.

Представленная сегодня система, если она функциональна, может быть значительным шагом вперед по сравнению со старыми технологиями. В BrainGate использовалась система Utah Array, серия жестких игл, позволяющая использовать до 128 каналов электродов. Мало того, что каналов меньше, чем обещает Neuralink — а это означает, что мозг собирает меньше данных, — он еще и жестче, чем потоки Neuralink.Это проблема для долгосрочной функциональности: мозг смещается в черепе, а иглы массива — нет, что приводит к повреждению. Тонкие полимеры, которые использует Neuralink, могут решить эту проблему.

Размер ниток, прикрепленных к кончику пальца для накала. Изображение: Neuralink

Однако технологию Neuralink сложнее внедрить, чем Utah Array, именно потому, что она настолько гибкая.Для решения этой проблемы компания разработала «нейрохирургического робота, способного вводить шесть нитей (192 электрода) в минуту [автоматически]», согласно официальному документу. На фотографиях это нечто среднее между микроскопом и швейной машинкой. Он также избегает кровеносных сосудов, что может снизить воспалительную реакцию мозга, говорится в документе.

Для Маска центральной проблемой взаимодействия с ИИ на самом деле является «пропускная способность». Вы можете воспринимать информацию гораздо быстрее, чем выдвигать ее голосом или большими пальцами, но вы уже подключены к машине — идея, наиболее тесно связанная с философом Энди Кларком.Следовательно, его цель состоит в том, чтобы эта система позволяла людям быстрее общаться с машинами прямо из своего мозга.

Машина Neuralink для заправки ниток. Изображение: Neuralink

Наконец, в документе говорится, что Neuralink разработала специальный чип, который лучше читает, очищает и усиливает сигналы от мозга. Прямо сейчас он может передавать данные только через проводное соединение (он использует USB-C), но в конечном итоге цель состоит в том, чтобы создать систему, которая может работать без проводов.

Эта беспроводная цель будет воплощена в продукте, который Neuralink называет «датчиком N1», разработанном для встраивания в человеческое тело и передачи его данных по беспроводной сети. Он может считывать меньше нейронов, чем текущий прототип на основе USB. Neuralink намеревается имплантировать четыре из этих датчиков, три в моторные области и один в соматосенсорную область. Он будет подключаться по беспроводной сети к внешнему устройству, установленному за ухом, которое будет содержать единственную батарею. «Он будет управляться через приложение для iPhone», — сказал Ходак.

«Мы должны пройти целый процесс FDA, — добавил он, — мы еще этого не сделали». Мэтью Макдугалл, главный хирург Neuralink, который появился в скрабах, сказал во вторник, что безопасность — главная цель, и что в конечном итоге они хотят, чтобы это было «что-то вроде хирургии глаза Lasik», включая устранение необходимости в общей анестезии. Однако у первых пациентов не было бы такого неинвазивного опыта.

Датчик N1. Изображение: Neuralink Приложение для iPhone. Изображение: Neuralink

Однако сейчас компания все еще работает над тем, чтобы убедиться, что платформа стабильна. Но технология, если она работает, многообещающая: соединение мозга с «высокой пропускной способностью», имплантированное с помощью роботизированной хирургии. Соединение, выполненное с помощью тонких гибких «нитей», позволило бы записывать активность многих нейронов.Есть надежда на лучшие и более точные результаты, чем предыдущие попытки создания интерфейсов мозг-машина.

Микросхема, усиливающая сигналы и отправляющая их на компьютер. Изображение: Neuralink

Обновление 29 сентября 2020 г. 10:10 по восточному времени: Эта статья была первоначально опубликована 16 июля 2019 г. и была обновлена ​​для включения видео.

границ | BrainOS: новая система автоматического машинного обучения, похожая на искусственный мозг

1.Введение

Поскольку люди постоянно окружены данными, их выживание зависит от их способности понимать и оценивать свои наблюдения за внешней средой. Они формулируют и извлекают знания из полученной информации, преобразовывая данные в определенные шаблоны и модели. С этой целью задействован ряд биологических процессов и аспектов мозга (Hernandez et al., 2010). После создания мозговые агенты создают и обращаются к этим моделям при каждом наблюдении.

И исследователи, и теоретики, специализирующиеся в области нейробиологии, согласны с тем, что эти мозговые агенты поддерживают задачу анализа внешних данных, их обработки и принятия решений с использованием фундаментальных единиц мышления. Ховард и Хуссейн (2018) описывают этот процесс фундаментальной кодовой единицы как когнитивные минимумы мысли, где обмен информацией n-N выражается на языке ассемблера на клеточном уровне нейронов. Фундаментальная кодовая единица решает вопрос о том, поступают ли входные сигналы в мозг в их аналогичной форме или же они преобразуются заранее.Теория распознавания компонентов Бирдмана и обзор теорий геометрии восприятия Инь поддерживают модель FCU, в которой бесконечная комбинация паттернов создается из фиксированного числа компонентов (Yin, 2008). Выводы, касающиеся процессов в мозге, полученные из области нейробиологии, применяются параллельно с областью искусственного интеллекта (ИИ) (Wang et al., 2016). Лучшим примером этого является машинное обучение (ML), которое основано на методах мозга обработки внешних сигналов (входных данных) (Wang et al., 2016). ML может имитировать поведение человеческого мозга (Louridas and Ebert, 2016), предоставляя набор подходящих и интеллектуальных методов для анализа данных (Howard and Lieberman, 2014). ML автоматизирует манипуляции с данными, извлекая сложные аналитические модели. В рамках этой ветви ИИ системы способны обучаться на основе данных и распределений, различать закономерности и принимать автономные решения, что значительно снижает потребность во вмешательстве человека.

Привлекательность машинного обучения значительно возрастает из-за таких факторов, как растущие потребности в инструментах интеллектуального анализа данных (Bredeche et al., 2006). Действительно, в мире, изобилующем данными, интеллектуальные вычисления выгодны с точки зрения затрат и производительности (Wang and Yan, 2015). Автоматизированная обработка данных позволила создать ценные системы, способные решать все более сложные проблемы и обеспечивать более точные результаты.

Три большие проблемы, с которыми все еще сталкивается машинное обучение: (1) он требует большого количества обучающих данных и зависит от предметной области, (2) он может давать несогласованные результаты для разных типов обучения или настройки параметров и (3) он дает результаты, которые может быть трудно интерпретировать при использовании таких алгоритмов черного ящика.Здесь мы предлагаем новый автоматический подход к устранению таких недостатков в мультидисциплинарном подходе, который направлен на преодоление разрыва между статистической обработкой естественного языка (NLP) (Cambria et al., 2014) и многими другими дисциплинами, необходимыми для понимания человеческого языка, такими как как лингвистика, здравый смысл и вычисления. Предлагаемый нами подход «ОС мозга» представляет собой интеллектуальную адаптивную систему, которая объединяет типы входных данных, историю процессов и цели, исследует знания и ситуационный контекст для определения наиболее подходящей математической модели, выбирает наиболее подходящую вычислительную инфраструктуру для выполнения обучения. , и предлагает лучшее решение для данной проблемы.BrainOS имеет возможность собирать данные по различным входным каналам, выполнять улучшение данных, использовать существующие модели искусственного интеллекта, создавать другие и точно настраивать, проверять и комбинировать модели для создания более мощной коллекции моделей. Чтобы гарантировать эффективную обработку, BrainOS может автоматически откалибровать наиболее подходящую математическую модель и выбрать наиболее подходящий компьютерный обучающий инструмент в зависимости от решаемой задачи. Таким образом, он приходит к «оптимальным» или предоптимальным решениям. BrainOS использует как символические, так и субсимвольные методы, поскольку использует модели, такие как семантические сети и представления концептуальных зависимостей, для кодирования значения, но также использует глубокие нейронные сети и множественное обучение ядра для вывода синтаксических шаблонов из данных.Архитектура BrainOS использует концепции модели сознания критик-селектор и подходы к лечению патологии головного мозга.

Здесь обсуждается тщательная оценка современного состояния автоматического машинного обучения и, в частности, подробно представлена ​​предлагаемая автоматическая ОС BrainOS. Перечислены преимущества BrainOS по сравнению с современными моделями, и представлено эмпирическое исследование для проверки предложенной структуры.

2. Современное состояние: автоматические фреймворки машинного обучения

ML имеет несколько моделей, которые применяют один или несколько методов к одному или нескольким приложениям.Модели машинного обучения включают опорную векторную машину (SVM) (Mountrakis et al., 2011), байесовские сети (BNs) (Bielza and Larranaga, 2014), глубокое обучение (DL) (Bengio et al., 2013), деревья решений (DT) (Kotsiantis, 2013), кластеризация (Saxena et al., 2017), искусственные нейронные сети (ИНС) (Dias et al., 2004) и т. Д.

Каждая модель машинного обучения представляет собой интеллектуальное вычислительное средство, которое обучено выполнять четко определенную задачу в соответствии с набором наблюдений. Эти интеллектуальные модели требуют набора связанных данных для извлечения знаний о текущей проблеме.Построение этих данных является решающим фактором, по которому оценивается производительность модели. Чем больше данных, тем лучше становится производительность.

Все модели ML проходят три основных этапа: (1) получение входных данных (сигналов), (2) обработка этих данных и, наконец, (3) получение выходных данных в соответствии с решаемой задачей. Чтобы проверить, достигает ли система хорошего уровня обучения, вычисляется метрика оценки. Затем он проверяется на ряде паттернов, ранее не наблюдавшихся, и затем оценивается, приобрел ли он хорошую способность к обобщению или нет.

Для любого конкретного приложения существует ряд конкретных моделей, которые могут работать лучше других. Выбор лучшей модели для поставленной задачи не подчиняется никаким правилам. Скорее, есть только инструкции о том, как эти модели работают. Таким образом, нет никакого способа понять, как выбрать лучшую модель для задачи.

В то время как классический ML фокусируется на разработке новых моделей и методов без учета результирующего увеличения сложности, автоматический ML (AML) утверждает, что эти инструменты можно использовать более простым способом.Платформы AML автоматизируют большинство задач ML с меньшими затратами времени и затрат на внедрение. Таким образом, автоматическое машинное обучение стало горячей темой не только для промышленных пользователей, но и для академических целей.

Тонкая настройка или оптимизация — ключевой компонент для создания подходящих моделей. Hutter et al. (2019). Фреймворк AML решает такие вопросы, как лучшая модель машинного обучения для различных задач, настройка модели или оптимизация гиперпараметров и т. Д. (Yao et al., 2019). Простые классические методы, байесовская оптимизация и метаэвристика — одни из наиболее часто используемых инструментов оптимизации в AML.

Для разработки таких автоматизированных фреймворков исследователи разработали и предложили несколько решений, например, h3O, Google Cloud AutoML и Auto-sklearn, изображенные на рисунках 1-3 соответственно. Эти структуры, безусловно, решили несколько проблем, но все еще далеки от стратегии, лежащей в основе человеческого мозга. Что можно заметить в перечисленных методах, так это то, что разработчики используют сложные модели машинного обучения без всяких рассуждений; следовательно, нет объяснимого ИИ.

• h3O

h3O (Landry, 2018) — платформа машинного обучения с открытым исходным кодом для предприятий.Платформа содержит модуль, который использует набор четко определенных алгоритмов для формирования конвейера. Он предоставляет специальный графический интерфейс для установки соответствующей модели, критериев остановки и набора обучающих данных.

Он поддерживает несколько линейных и сложных моделей машинного обучения, таких как глубокие нейронные сети (DNN), машины повышения градиента и т. Д. Он также поддерживает методы оптимизации поиска по декартовой и случайной сетке. Он разработан в основном на основе языка разработки Java с некоторыми блоками на Python, Javascript, R и Flow.Стандартная архитектура h3O визуализирована на рисунке 1 (Landry, 2018).

Программный стек h3O, изображенный на рисунке 1, состоит из множества компонентов, которые можно разделить на две части (верхнюю и нижнюю). В верхней части показаны некоторые клиенты REST API, а в нижней части показаны составляющие, которым подвергается виртуальная машина Java.

Несмотря на простоту использования, особенно для начинающих и неспециалистов в области машинного обучения, h3O по-прежнему страдает от недостатка знаний в области науки о данных.Еще один недостаток касается огромного количества задействованных ресурсов. На самом деле, сбои при выполнении сложных задач очень велики.

• Google Cloud AutoML

Cloud AutoML (Vinson, 2018) представляет серию продуктов, позволяющих неопытным пользователям использовать хорошо квалифицированные модели в соответствии с их бизнес-запросами. Он использует сложные возможности Google, такие как трансферное обучение. Он предоставляет пользователям простой интерфейс, так что они могут изучать, оценивать, улучшать и раскрывать методы в соответствии со своими данными.Продукты, предлагаемые этой структурой, включают AutoML Vision и видео-интеллект, естественный язык и перевод AutoML, таблицы AutoML и т. Д. Стандартная архитектура Cloud AutoML визуализирована на рисунке 2 (Vinson, 2018).

Эта структура в основном основана на глубоких нейронных сетях (DNN) и генетических алгоритмах. Он также просит пользователей соблюдать ограничение на размер обучающих данных. Для AutoML размер данных таблиц не должен превышать 100 Go.

• Автосканирование

Auto-sklearn, предложенный Feurer et al.(2015), использует байесовскую точную настройку для настроек гиперпараметров. Это улучшенная версия системы scikit-learn (предшествующий автоматический ML). Стандартная архитектура Auto-sklearn визуализирована на рисунке 3.

Существует 15 подходов к классификации, 14 методов предварительной обработки и четыре метода проектирования признаков. Несмотря на расширенную структуру, пакет этого инструментария не поддерживает ввод на естественном языке. Следовательно, он не может отличить категориальные данные от цифровых данных (Feurer et al., 2015).

Хотя большинство уже существующих фреймворков машинного обучения эффективно решают несколько проблем, таких как распознавание объектов и понимание изображений, они все еще далеки от моделирования процессов человеческого мозга. ML попытался имитировать мозг как модель для вычислений, например, алгоритмы нейронных сетей, однако ML все еще не может работать так же хорошо, как человеческий мозг. Мы предлагаем новый автоматический фреймворк машинного обучения под названием «BrainOS». Предлагаемая системная архитектура и работа биологически вдохновлены нейронными клетками, спроектированными с очень низким уровнем абстракции.

Рисунок 1 . Стандартная архитектура h3O. h3O разработан в основном на языке Java с некоторыми блоками, основанными на Python, JavaScript, R и Flow. Программный стек состоит из верхней и нижней частей, разделенных сетевым облаком. В верхней части показаны некоторые клиенты REST API, а в нижней части показаны компоненты, которым подвергается виртуальная машина Java (изображение любезно предоставлено h3O.ai).

Рисунок 2 . Стандартная архитектура Google Cloud AutoML.Cloud AML предлагает простой интерфейс для неопытных пользователей, позволяющий использовать модели в соответствии с их потребностями. Используя DNN и генетические алгоритмы, Cloud AutoML обучает модели машинного обучения, развертывает модели на основе пользовательских данных и сохраняет обученные данные в облачном хранилище. Платформа генерирует прогнозы с помощью REST API (изображение любезно предоставлено Google Cloud).

Рисунок 3 . Стандартная архитектура Auto-sklearns. Auto-sklearn использует байесовскую точную настройку для настроек гиперпараметров.Программа использует 15 подходов к классификации, 14 методов предварительной обработки и четыре метода проектирования признаков.

3. BrainOS: новый автоматический фреймворк машинного обучения

Привлеченные силой способности человеческого мозга рассуждать и анализировать объекты и идеи, мы предлагаем новую автоматическую структуру машинного обучения под названием «BrainOS». Архитектура и работа системы вдохновлены поведением нейронных клеток.

Поскольку существующие модели машинного обучения имеют много проблем, связанных с чрезмерно большими данными обучения, зависящими от задачи, и неинтерпретируемыми результатами, BrainOS устраняет эти недостатки.Действительно, он обеспечивает мультидисциплинарный подход, способный работать с обработкой естественного языка (НЛП), так что разрыв между статистическим НЛП и многими другими дисциплинами, необходимыми для понимания человеческого языка, сводится к минимуму. Лингвистика, здравый смысл и эмоциональные вычисления необходимы для анализа человеческого языка. BrainOS включает в себя как символические, так и субсимвольные методы, используя такие модели, как семантические сети и представления концептуальных зависимостей, для кодирования значения. Кроме того, он использует DNN для вывода синтаксических аспектов из данных.

3.1. Модель BrainOS высокого уровня

Благодаря своей антропоморфной способности и способности адаптироваться к данным, BrainOS может быть очень полезна в различных типах приложений, поскольку она может реагировать по-разному в зависимости от профиля и предпочтений пользователя. Адаптация данных означает возможность выбрать наиболее адекватную математическую модель с точки зрения полученных входных данных.

Высокоуровневая архитектура BrainOS представлена ​​на рисунке 4. Уровень входных данных состоит из точек данных, поступающих из различных исходных каналов (датчики, видео, изображения и т. Д.).Когда данные проходят через этот уровень, они проходят множество этапов извлечения и обработки данных. Например, точки ввода могут быть идентифицированы, типизированы и предварительно обработаны. На этом уровне также могут использоваться методы отбора проб. Уровень обработки данных определяет ряд интеллектуальных подходов в соответствии со следующими этапами:

• Механизм выбора критиков : объединяет типы входных данных, историю процессов и цели, исследует знания и ситуационный контекст для определения наиболее подходящей модели машинного обучения для существующих данных и того, как система должна управлять ресурсами обработки.

• Обработка данных с использованием конвейеров машинного обучения : ряд вертикальных и горизонтальных конвейеров для распределения данных может помочь подготовить данные более быстро и эффективно.

• Обучение модели и / или передача обучения : Отсутствие изоляции алгоритмов и использование знаний из предыдущей задачи для решения связанных задач повышает эффективность и точность.

Рисунок 4 . Архитектура ОС мозга высокого уровня. Информация о входных данных поступает из различных каналов смешанных входных данных.Контекст реального мира извлекается из контейнера метамира. Цель представляет цель проблемы обработки и желаемые результаты. Затем создается наиболее подходящая модель и сохраняется в репозитории моделей для будущего использования или выбирается из уже существующей модели в репозитории. Выходные данные содержат результаты и выводы, полученные после обработки данных.

Уровень выходных данных содержит результаты и выводы, полученные после прохождения уровня обработки данных.

BrainOS адаптируется к различным каналам данных. Он использует несколько методов обработки данных и компоненты селектора моделей. Подобно человеческому мозгу, BrainOS использует архив данных, знаний и моделей машинного обучения. BrainOS дополняется сложным метакомпонентом классификатора-оркестратора. Селектор критической модели находится внутри оркестратора, чтобы дать ответ на вопрос «Какой инструмент лучше всего выбрать для данной проблемы?».

Основанная на человеческом мозге, который использует разные нейронные области для обработки входных данных, в зависимости от типа рецептора, предлагаемая инфраструктура основана на ансамбле ресурсов, которые управляются селектором критиков (включен и выключен), в основном способ действия биологического разума.

3.2. Фундаментальная архитектура BrainOS

Ключевой концепцией BrainOS является ее адаптируемость к решаемой задаче. Он выбирает подходящие модели для характера входных данных. На рисунке 5 представлен более подробный обзор архитектуры всей инфраструктуры. Как показано на рисунке 5, топология BrainOS состоит из ряда компонентов. В следующем разделе подробно описывается каждый компонент.

Рисунок 5 . Подробная архитектура BrainOS.

3.3. Компонент формализации проблемы

Формализация проблемы — основная точка входа в систему. Он содержит три подкомпонента: данные, мета-информацию о мире и цель задачи. Эти три компонента содержат всю необходимую информацию, связанную с данными и задачей, которую нужно обработать. Входные данные хранятся в контейнере данных, в то время как общие и реальные контекстные данные хранятся в контейнере метамира. Цель задачи представляет собой основную цель проблемы, которую необходимо обработать, и желаемые результаты.

Для согласованности точки входных данных должны соответствовать определенной схеме. Это можно сделать с помощью API для подключения BrainOS к другим пакетам машинного обучения для поддержания целостности и согласованности задачи. На рисунке 6 представлен пример компонента формализации проблемы.

Рисунок 6 . Компонент формализации проблемы. Компонент формализации проблемы включает смешанные входные данные, общий контекст данных реального мира, содержащийся в контейнере метамира, и главную цель проблемы обработки, а также желаемые результаты.

3.4. Критический компонент

Компонент критика (квалификатор) использует формулировку проблемы и историю BrainOS (мета-мир знаний) для улучшения набора данных, подаваемого в систему. Он улучшает данные с помощью наборов данных, предшествующих дате, которые дополняют текущие входные функции в модуле, называемом усилителем данных. Кроме того, он применяет квалификации, налагает ограничения и выстраивает требования для достижения промежуточного уровня. На рисунке 7 показана архитектура критического компонента.

Рисунок 7 . Компонент классификатора (критика). Компонент квалификатора расширяет наборы данных, подаваемые в систему, и применяет квалификации, налагает ограничения и выстраивает требования для достижения промежуточного уровня.

3.5. История базы данных

Предложение адаптивной системы обучения в нестатическом пространстве выглядит как аспект человеческого мышления. Фактически, люди используют свои знания и опыт, чтобы найти решение любых проблем. Вдохновленная этой выдающейся способностью, BrainOS сочетает в себе как минимум два компонента памяти: мировые знания и историю.На рисунке 8 показана архитектура компонента базы данных истории.

1. История BrainOS: включает в себя опыт, приобретенный в течение жизненного цикла системы с точки зрения обнаруженных наборов данных, ранее использованных моделей и достигнутых результатов. Такой ресурс быстрого доступа к памяти имеет большую ценность, особенно в ситуациях, когда платформа сталкивается с уже решенными проблемами. В этом случае система использует «рефлекторный ответ».

2. Мировое знание: содержит мировые знания «здравого смысла», перекрывая от общих понятий к предметным.Пакет знаний предметной области содержит множество областей, в которых инфраструктура требует наличия эксперта. Интегрированный исследовательский опыт состоит из моделей и выводов, сделанных на основе реальных знаний, и включает следующие два компонента:

• Сохраненные модели : включают ранее обнаруженные ресурсы без ограничений.

• Более абстрактные исследовательские знания : большое информационное поле. Это может быть выполнено по конкретным формулировкам проблем, отдельным решениям проблем или точным наборам данных.

Рисунок 8 . Компонент базы данных истории. Компонент базы данных истории состоит из мировых знаний, а также истории ОС мозга. Подкомпонент мировых знаний содержит пакет знаний предметной области для сканирования НЛП и онтологий, а также исследовательский опыт, состоящий из сохраненных моделей и более абстрактных исследовательских знаний.

3,6. Компонент Planner

Планировщик основан в основном на обработанной проблеме и истории использованных моделей.Он способен установить наиболее адекватный поток обработки для решаемой проблемы в соответствии с мировыми знаниями, целью и сходством текущей задачи с теми, которые рассматривались в прошлом.

В качестве примера для задачи извлечения намерения из изображения планировщик может прописать следующие шаги:

• Запустите алгоритмы субтитров на изображении, чтобы получить повествование изображения.

• Запустить обнаружение объектов и распознавание активности на изображении.

• Запустите алгоритм, чтобы получить онтологию для ранее извлеченных концепций.

• Сделайте вывод о намерении, используя все ранее полученные сущности и онтологии.

Планировщик играет роль большого двунаправленного графа, в рамках которого могут выполняться специальные алгоритмы эвристического поиска для обнаружения правильных последовательностей узлов для данной задачи. Архитектура планировщика визуализирована на Рисунке 9.

Рисунок 9 . Архитектура планировщика. Планировщик устанавливает наиболее адекватный поток обработки для проблемы в соответствии с мировыми знаниями.В планировщике могут быть запущены специальные алгоритмы эвристического поиска для обнаружения правильных последовательностей узлов для данной задачи.

3,7. Параллельный исполнитель

Параллельный исполнитель играет роль планировщика задач. Этот компонент создает модели, хранит модули решения и выбирает инфраструктуру. Он управляет тем, когда, какие и как потоки будут выполняться после того, как они поступят из селектора.

Параллельный исполнитель запускает несколько потоков для удобных структур.На основе моделей, предоставленных селектором, исполнитель создает новые модели или комбинирует существующие. Он разделяет соответствующие задачи на одновременную обработку параллельных потоков. Архитектура параллельного исполнителя визуализирована на рисунке 10.

Рисунок 10 . Параллельный исполнитель. Параллельный исполнитель создает новые модели или комбинирует существующие. Он разделяет соответствующие задачи на одновременную обработку параллельных потоков.

3.8. Планировщик модулей

Планировщик модуля принимает потоки, отправленные параллельным исполнителем, и планирует график выполнения решения.Это дает возможность параллельного выполнения с использованием разных ресурсов.

3.9. Компонент «Селектор»

Селектор, ключевой компонент BrainOS, выбирает подходящую модель в соответствии с формулировкой проблемы. Чтобы предоставить подходящие модели, Селектор параллельно выполняет следующие шаги:

1. Поиск адекватной модели в истории BrainOS. Если найдено подходящее решение, то соответствующий инструмент оптимизируется, обучается и оценивается.

2. Иначе, поиск в Research Knowledge, включая опубликованные статьи и исходные коды. Если подходящий кандидат найден, его настраивают, изучают и оценивают.

3. Создание инструмента с нуля после определения типа и топологии. После этого модель настраивается, обучается и оценивается.

4. Выполнение ансамблевого обучения путем объединения нескольких моделей, которые могут дать лучшие результаты, чем модель с более высокой точностью.

Таким образом, прежде чем селектор принимает модель решения для данной формулировки проблемы, он анализирует, существует ли комбинация моделей, которая может превзойти выбранную модель.Если Селектор находит такую ​​комбинацию моделей, то решение модели представляет собой ансамбль моделей. Архитектура селектора модулей представлена ​​на рисунке 11.

Рисунок 11 . Селектор. Селектор запускает селектор исторической модели, построитель на основе исследования, ансамблер моделей и конструктор моделей параллельно. Селектор исторической модели ищет подходящую модель в истории BrainOS. Построитель, основанный на исследованиях, ищет подходящую модель в опубликованных статьях и исходном коде.Ансамблер моделей объединяет несколько моделей, которые могут дать лучшие результаты, чем модель с более высокой точностью. Дизайнер модели создает инструменты с нуля. Процессор моделей оценивает и обучает выбранные модели.

Выбранный набор моделей, постановка задачи и заданная точность затем архивируются в истории BrainOS. Четыре подхода выполняются параллельно, где каждый модуль записывает лучшую модель в онлайн-репозиторий моделей.

Критерий определяет, является ли поиск достаточно подходящим подходом в соответствии с заранее определенными целями или когда один из модулей должен быть исключен из поиска.Для каждой части плана обработки BrainOS выбираются соответствующие модели. Рекомендуется предоставить различные специализированные экземпляры селектора, зависящие от предметной области, каждый из которых оптимизирован для определенных знаний предметной области или контекста проблемы. Например, для целей классификации можно использовать SVM, кластеризацию K-средних, ИНС и другие инструменты. Для задач, зависящих от времени, настоятельно рекомендуются повторяющиеся архитектуры, такие как рекуррентные нейронные сети (RNN) (Chouikhi et al., 2017). Для решения проблем проектирования функций используется анализ независимых компонентов (ICA) (Henriquez and Kristjanpoller, 2019), анализ независимых компонентов (PCA) (Kacha et al., 2020), автоэнкодеры (AE) (Xu et al., 2016), матричная факторизация и различные формы кластеризации.

Что касается задач оптимизации, существует множество полезных методов, таких как эволюционные вычисления (Chouikhi et al., 2016), глобальная оптимизация, наивная оптимизация и т. Д.

3.10. Компонент Orchestrator

На высоком уровне абстракции BrainOS играет роль инфраструктуры, ориентированной на оркестратор, поскольку она отслеживает все модели. Он организован в виде графика для выбора путей обработки.Предлагаемая структура кажется мощной, поскольку она может использовать любой подход от обучения с учителем до обучения без учителя, обучения с подкреплением, алгоритмов поиска или любой их комбинации.

Оркестратор — это метакомпонент, который объединяет входные данные, историю процессов и цели, а также исследует знания и ситуационный контекст, чтобы определить наиболее подходящую модель машинного обучения для данной постановки задачи. Оркестратор состоит из четырех компонентов: селектора моделей, классификатора проблемы, планировщика и параллельного исполнителя.

4. Интерпретации

Наша оценка BrainOS фокусируется на следующих вопросах:

Вопрос 1 Гибкость и адаптируемость : Достаточно ли BrainOS способна справиться с большим разнообразием областей приложений?

Вопрос 2 Быстрая сходимость : Работает ли BrainOS быстро при решении определенной задачи или требуется много времени, чтобы сойтись?

Вопрос 3 Точность : Как BrainOS обеспечивает получение точных результатов?

4.1. Гибкость и адаптируемость

Одной из наиболее важных характеристик BrainOS является ее гибкость для решения нескольких задач. BrainOS можно адаптировать для большого количества существующих проблем, а также расширить для новых подходов. Здесь мы предоставляем лишь небольшую часть возможных областей применения BrainOS. Его можно применить к антропоморфизму в проблемах взаимодействия человека и машины, включая эмуляцию личности и эмоциональный интеллект. Кроме того, BrainOS важен для диагностики и лечения заболеваний головного мозга (например,г., болезнь Альцгеймера, болезнь Паркинсона и т. д.), автоматизированные производственные системы, управление энергопотреблением и т. д.

Фактически, внутренние модули памяти, инкубированные в архитектуре BrainOS, хранят предыдущий опыт и знания. Это дает нашей платформе возможность решать любые типы приложений, даже с высоким уровнем абстракции. Что определяет предлагаемую парадигму по сравнению с современным уровнем техники, так это согласованность с концептуальными данными, такими как НЛП. Действительно, он устраняет недостатки существующих моделей при решении многих контекстных задач.Кроме того, он предоставляет множество моделей машинного обучения, каждая из которых работает в определенной области.

4.2. Быстрая сходимость

BrainOS может уменьшить время выполнения. Если проблема была ранее решена, а другая проблема в том же контексте собирается передать BrainOS, ранее использовавшаяся модель может быть непосредственно найдена в истории BrainOS и использована для решения новой задачи. В этом случае нет необходимости переходить к селектору и последующим компонентам. Более того, одна из общих задач автоматических систем машинного обучения — быстро решить, как выбрать модель, которая лучше всего подходит для данной задачи.BrainOS включает в себя компонент выбора, который автоматически и напрямую выбирает лучшие модели в соответствии с поставленной задачей. Это может быть выгодно с точки зрения времени выполнения. Кроме того, BrainOS поддерживает параллельное выполнение за счет одновременного запуска нескольких потоков через компонент параллельного исполнителя. Это может сэкономить много времени и ускорить обработку данных.

4.3. Точность

BrainOS содержит множество компонентов, которые составляют уровни, по которым циркулируют данные. На большинстве этих уровней есть хранилище исторических обработок, моделей и знаний из мирового опыта.Запись предыдущих моделей и их результатов дает априорные указания о том, какую модель использовать. Кроме того, BrainOS предоставляет несколько методов оптимизации, а также модели машинного обучения, обеспечивающие высокую способность к обобщению. Также возможно проводить групповое обучение, выполняя несколько моделей одновременно и выбирая лучшую из них.

4.4. Доступность и масштабируемость

Служба обработки данных

отвечает за сбор данных из различных входных каналов, их распаковку и сохранение для последующего использования.Существует большое количество каналов данных, которые могут отправлять данные в BrainOS. Таким образом, в облаке существует потребность в высокой масштабируемости при записи этих данных, а также будет потребность в хранении их большого количества. Существуют различные технологии, которые могут поддерживать это, но наиболее подходящими из них, которые могут обеспечить постоянное увеличение входных данных и высокий уровень параллелизма входящих данных, являются технологии, основанные на парадигме публикации / подписки. В этом конкретном случае обработки данных входные данные будут действовать как издатели данных, а BrainOS, обрабатывающая данные, как подписчик.

5. Эмпирические результаты

В настоящее время внедрение моделей AML, таких как решение Google AI, вероятно, будет подвержено большим задержкам, вычислительным затратам и потребляемой мощности. Это связано с огромным потоком данных, представленным более крупными наборами данных. Большая проблема, с которой отрасль не справится легко, заключается в том, что в ней используются цифровые арифметические устройства и логические вентили, которые сами по себе не соответствуют принципам работы нейронов и синапсов. Таким образом, это представляет собой плохой подход к реализации глубоких нейронных архитектур.Чтобы продолжить решение более сложных проблем, использование все большего количества оборудования является обязательным, но неустойчивым. Предлагаемая BrainOS находится в стадии реализации. Мы разрабатываем и тестируем некоторые модули BrainOS, и мы соберем все модули в одну структуру. Например, мы работаем с совершенно новой архитектурой для глубоких нейронных сетей (DNN), которую мы называем глубокой когнитивной нейронной сетью (DCNN) (Howard et al., 2019).

5.1. Глубокая когнитивная нейронная сеть (DCNN)

DCNN — одна из новых моделей машинного обучения, обладающая характеристиками, аналогичными человеческому мозгу, такими как восприятие и рассуждение, и гораздо лучше подходит для построения нейронных сетей.Ценность этой новой архитектуры заключается в том, что анализ больших данных может выполняться почти в реальном времени на небольших устройствах, таких как мобильные телефоны и устройства IoT. Предлагаемая архитектура DCNN, показанная на рисунке 12, состоит из одного миллиона нейронов и 2,5 миллиардов синапсов. DCNN обладает замечательным свойством одновременного получения высокоэффективной реализации, быстрого принятия решений и отличного обобщения (долгосрочное обучение). DCNN отличается высокой энергоэффективностью при вычислениях со сверхнизкими требованиями к энергии, которые могут быть легко реализованы как в аппаратном, так и в программном обеспечении, поскольку ее нейроны могут быть представлены простыми уравнениями, состоящими из операций сложения, вычитания и деления.Высокоэффективная реализация мелких нейронных сетей с использованием технологии комплементарных металлооксидных полупроводников (CMOS) или вероятностных CMOS (PCMOS) показала, что они в 300 раз более эффективны с точки зрения энергоэффективности продукта (EPP). Существенный выигрыш на операцию является пропорциональным, который зависит от всего приложения, где ожидается большой выигрыш от глубоких структур для крупномасштабной обработки.

Рисунок 12 . Архитектура DCNN (1000 скрытых слоев, 1 миллион нейронов и 2.5 миллиардов синапсов).

5.2. DCNN Быстрое принятие решений

DCNN была обучена и протестирована с использованием современного набора данных MNIST (LeCun et al., 1998). Результаты принятия решений показаны на рисунке 13. Можно увидеть, что для очень крупномасштабной обработки DCNN продемонстрировала до 300 раз более быстрое принятие решений по сравнению с современным многоуровневым персептроном (MLP). на основе глубокой нейронной сети.

Рисунок 13 . Скорость принятия решений: для очень крупномасштабной обработки DNN результаты моделирования DCNN показали, что принятие решений в 300 раз быстрее по сравнению с современной глубокой нейронной сетью на основе Multi-Layer Perceptron (MLP), состоящей из миллиона нейронов и 2.5 миллиардов синапсов.

5.3. Интеграция DCNN с алгоритмом рассуждений

Еще одним уникальным свойством разработанной DCNN является ее быстрая адаптируемость и поведение сходимости при интеграции с алгоритмами рассуждений для получения человеческих вычислений (как восприятие, так и рассуждение одновременно) в реальном времени. По данным крупномасштабного моделирования, процесс принятия решений стал в 80 раз быстрее. Смоделированная структура рассуждений / оптимизации показана на рисунке 14. На рисунке 14A показана процедура определения и адаптации на основе DCNN, обученная на оптимизированном наборе данных, созданном структурой оптимизации.Структура оптимизации показана на рисунке 14B, который отвечает за анализ и рассуждения. В этой структуре обучающий модуль помогает процессу рассуждений в выборе наилучших конфигураций, которые будут использоваться в новой предстоящей ситуации. Принимая во внимание, что модуль рассуждений [например, генетический алгоритм (GA)] использует модуль обучения для максимизации функции полезности. Предлагаемая структура используется для оптимизированного и автономного управления мощностью в беспроводных системах восходящей линии связи. Результаты моделирования продемонстрировали значительное улучшение производительности среды DCNN + GA по сравнению с DNN + GA с точки зрения принятия решений в реальном времени.В частности, в автономном режиме оптимизации DCNN занимала 0,28 с / решение по сравнению с 2 мин. / Решение DNN. Тем не менее, как только DCNN обучена на оптимизированном наборе данных, она работает в 300 раз быстрее, чем DNN, как показано на рисунке 14. Более подробная информация о структуре оптимизации и наборе данных подробно представлена ​​в Adeel et al. (2016).

Рисунок 14 . Оптимизированное принятие решений на основе DCNN. (A) Оптимальная адаптация в реальном времени на основе DCNN. (B) Оптимизированное извлечение набора данных: данные сначала собираются для обучения, что помогло процессу рассуждений на основе GA построить оптимизированный набор данных.

Мы считаем, что предлагаемая нами DCNN является оптимальным выбором для будущих сверхмалопотребляющих и энергоэффективных устройств, способных обрабатывать массивные массивы математических вычислений в реальном времени как для обобщенного обучения, так и для приложений оптимизации. Чтобы добиться большей гибкости при работе с различными приложениями, в настоящее время мы внедряем регрессионную модель DCNN вместе с проектированием и тестированием других модулей BrainOS. В последнее время мы будем собирать все модули в одном фреймворке.

6. Заключение

Наша работа была мотивирована как интеллектуальной целью создания модели человеческого интеллекта, которая больше напоминала бы работу мозга и познания, так и связанной с этим практической целью создания более эффективного подхода к машинному обучению; в частности, автоматический подход ML. Хотя подходы машинного обучения и искусственного интеллекта, как правило, основывались на дублировании функций мозга и когнитивных функций, их различная пригодность для решения различных типов проблем означает, что ни одна модель не подходит для всех проблем.Путь вперед, как многие предполагали давно, состоит в том, чтобы выяснить, как выбрать подход (который может быть одной или системой моделей) автоматическим, рациональным / объяснимым образом для любой конкретной проблемы под рукой, чтобы выявить оптимальные решения этой проблемы. Это означает выбор и калибровку (т. Е. Выбор параметров) системы / архитектуры моделей. Система BrainOS, описанная в этой статье, отличается от существующих автоматических инструментов машинного обучения тем, что она автоматизирует и как это происходит. Он исходит из существующей систематики подходов в литературе по автоматическому машинному обучению для разработки собственной архитектуры.Предварительные исследования убедили нас, что BrainOS может решать сложные высокоуровневые проблемы, такие как обработка естественного языка.

Авторские взносы

NH внесла свой вклад в разработку предлагаемого подхода. NC был ответственным за обзор современного состояния и описание статьи. AA разработала и совместно разработала первоначальную идею оптимизированного принятия решений на основе DCNN и DCNN. К.Д. внес значительный вклад в написание и редактирование рукописи. Ахо был соавтором предложенной архитектурной модели.AHu отвечал за общее планирование и направление предлагаемого подхода, включая структуру DCNN.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы выражают огромную благодарность Мандару Гогейту из Эдинбургского университета Напьера и Хади Лариджани из Каледонского университета Глазго за их вклад в DCNN и структуру оптимизации, которые цитируются здесь для справки.

Список литературы

Адил, А., Лариджани, Х., и Ахмадиния, А. (2016). Новая структура принятия решений на основе случайных нейронных сетей для оптимизированного и автономного управления мощностью в системе восходящей линии связи LTE. Phys. Commun. 19, 106–117. DOI: 10.1016 / j.phycom.2015.11.004

CrossRef Полный текст | Google Scholar

Бенжио Ю., Курвиль А. и Винсент П. (2013). Репрезентативное обучение: обзор и новые перспективы. IEEE Trans. Pattern Anal. Мах.Intell. 35, 1798–1828. DOI: 10.1109 / TPAMI.2013.50

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бредеш Н., Ши З. и Цукер Дж. Д. (2006). Перцептивное обучение и абстракция в машинном обучении: приложение к автономной робототехнике. IEEE Trans. Syst. Человек Киберн. C Прил. Ред. 36, 172–181. DOI: 10.1109 / TSMCC.2006.871139

CrossRef Полный текст | Google Scholar

Камбрия, Э., Уайт, Б., Дуррани, Т., и Ховард, Н.(2014). Вычислительный интеллект для обработки естественного языка. IEEE Comput. Intell. Mag. 9, 19–63. DOI: 10.1109 / MCI.2013.2291686

CrossRef Полный текст | Google Scholar

Чуйхи Н., Аммар Б., Рокбани Н. и Алими А. М. (2017). Анализ параметров сети на основе PSO для прогнозирования временных рядов. заявл. Soft Comput. 55, 211–225. DOI: 10.1016 / j.asoc.2017.01.049

CrossRef Полный текст | Google Scholar

Чуйхи, Н., Фдхила, Р., Аммар, Б., Рокбани, Н., и Алими, А. М. (2016). «Одно- и многоцелевой рой частиц для оптимизации структуры коллектора в сети эхо-состояний», в International Joint Conference on Neural Networks (IJCNN) (Vancouver, BC), 440–447.

Google Scholar

Диас Ф. М., Антунес А. и Мота А. М. (2004). Искусственные нейронные сети: обзор коммерческого оборудования. Eng. Прил. Артиф. Intell. 17, 945–952. DOI: 10.1016 / j.engappai.2004.08.011

CrossRef Полный текст | Google Scholar

Фурер М., Кляйн А., Эггенспергер К., Спрингенберг Дж. Т., Блюм М. и Хаттер Ф. (2015). «Эффективное и надежное автоматизированное машинное обучение», в Sytstem Neural Information Processing, ред. Ф. Хаттер, Л. Котхофф и Дж. Ваншорен (Cham: Springer), 113–114.

Google Scholar

Энрикес, Дж., И Кристьянполлер, В. (2019). Комбинированный анализ независимых компонентов и нейросетевая модель для прогнозирования колебаний обменного курса. заявл. Soft Comput. 83: 105654. DOI: 10.1016 / j.asoc.2019.105654

CrossRef Полный текст | Google Scholar

Эрнандес, К., Санс, Р., Рамирес, Дж. Г., Смит, Л. С., Хуссейн, А., Челла, А. и др. (2010). «От мозга к системам», в Brain-Inspired Cognitive Systems , ред. К. Эрнандес, Р. Санс, Дж. Гомес Рамирес, Л. С. Смит, А. Хуссейн, А. Челла и И. Александр (Нью-Йорк, Нью-Йорк). : Springer-Verlag), 1–250.

Google Scholar

Ховард, Н., Адил, А., Гогейт, М., Хусейн, А. (2019). Глубокая когнитивная нейронная сеть (DCNN) . Патентное приложение США. 16/194 721. Вашингтон, округ Колумбия: Бюро по патентам и товарным знакам США.

Google Scholar

Ховард Н. и Либерман Х. (2014). Brainspace: связь нейробиологии со знаниями о повседневной жизни. Cogn. Comput. 6, 35–44. DOI: 10.1007 / s12559-012-9171-2

CrossRef Полный текст | Google Scholar

Hutter, F., Kotthoff, L., and Vanschoren, J.(2019). Автоматизированное машинное обучение . Чам: Спрингер.

Google Scholar

Кача, А., Гренез, Ф., Рафаэль, Дж., Аррояв, О., и Шентген, Дж. (2020). Анализ главных компонент спектрограммы речевого сигнала: интерпретация и применение к дизартрической речи. Comput. Speech Lang. 59, 114–122. DOI: 10.1016 / j.csl.2019.07.001

CrossRef Полный текст | Google Scholar

Коциантис, С. Б. (2013). Деревья решений: недавний обзор. Артиф. Intell. Ред. 39, 261–283. DOI: 10.1007 / s10462-011-9272-4

CrossRef Полный текст | Google Scholar

Ландри, М. (2018). Машинное обучение с R и h3O . Маунтинвью, Калифорния: h3O.ai, Inc.

Google Scholar

Маунтракис, Г., Им, Дж., И Оголе, К. (2011). Поддержка векторных машин в дистанционном зондировании: обзор. J. Photogramm. Рем. Sens. 66, 247–259. DOI: 10.1016 / j.isprsjprs.2010.11.001

CrossRef Полный текст | Google Scholar

Саксена, А., Prasad, M., Gupta, A., Bharill, N., Patel, O.P, Tiwari, A., et al. (2017). Обзор методов и разработок кластеризации. Нейрокомпьютинг 267, 664–681. DOI: 10.1016 / j.neucom.2017.06.053

CrossRef Полный текст | Google Scholar

Винсон, Б. (2018). Машинное обучение с помощью Google Cloud Platform . Технический отчет, Google Cloud.

Ван Х. и Ян Х. (2015). Оптимизация сети состояний эха с помощью алгоритма оптимизации роя бинарных частиц. Зн. На основе Syst. 96, 182–193. DOI: 10.1016 / j.knosys.2015.06.003

CrossRef Полный текст | Google Scholar

Wang, Y., Widrow, B., Zadeh, L.A., Howard, N., Wood, S., Bhavsar, V.C., et al. (2016). Когнитивный интеллект: глубокое обучение, мышление и рассуждение с помощью систем, управляемых мозгом. Внутр. J. Cogn. Поставить в известность. Естественный интеллект. 10, 1–20. DOI: 10.4018 / IJCINI.2016100101

CrossRef Полный текст | Google Scholar

Сюй, Дж., Сян, Л., Лю, К., Гилмор, Х., Ву, Дж., Тан, Дж. И др. (2016). Составной разреженный автоэнкодер (SSAE) для обнаружения ядер на гистопатологических изображениях рака молочной железы. IEEE Trans. Med. Imaging 35, 119–130. DOI: 10.1109 / TMI.2015.2458702

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Яо, К., Ван, М., Чен, Ю., Дай, В., Ху, Ю. К., Ли, Ю. Ф. и др. (2019). Исключение человека из обучающих приложений: обзор автоматизированного машинного обучения . Технический отчет, arXiv: 1810.13306 [cs.AI], ArXiV.

Google Scholar

Инь, П.-Й. (2008). Теория когнитивного распознавания образов. , Глава «Методы распознавания образов». Вена: Ай-тек.

Google Scholar

Является ли мозг полезной моделью для искусственного интеллекта?

Летом 2009 года израильский нейробиолог Генри Маркрам вышел на сцену TED в Оксфорде, Англия, и сделал нескромное предложение: в течение десяти лет, по его словам, он и его коллеги построят полную симуляцию человеческого мозга внутри. суперкомпьютер.Они уже потратили годы на картирование клеток неокортекса, предполагаемого центра мысли и восприятия. «Это немного похоже на каталогизацию кусочка тропического леса», — объяснил Маркрам. «Сколько там деревьев? Какой формы деревья? » Теперь его команда создаст виртуальный тропический лес из кремния, из которого, как они надеялись, естественным образом возникнет искусственный интеллект. Если все пойдет хорошо, язвительно заметил он, возможно, смоделированный мозг выступит с последующей лекцией на TED, освещенной голограммой.

Идея Маркрама о том, что мы можем понять природу биологического интеллекта, подражая его формам, уходит корнями в давнюю традицию, восходящую к работам испанского анатома и лауреата Нобелевской премии Сантьяго Рамона-и-Кахала.В конце 19 века Кахаль провел микроскопическое исследование мозга, которое он сравнил с лесом, настолько густым, что «стволы, ветви и листья соприкасаются повсюду». Изобразив тысячи нейронов в мельчайших деталях, Кахал смог сделать поразительные выводы о том, как они работают. Он увидел, что они по сути являются односторонними устройствами ввода-вывода: они получали электрохимические сообщения в древовидных структурах, называемых дендритами, и передавали их через тонкие трубки, называемые аксонами, что очень похоже на «соединения электрических проводников».

Взгляд Кахаля на нейроны стал той линзой, через которую ученые изучали функции мозга. Он также вдохновил на крупные технологические достижения. В 1943 году психолог Уоррен Маккаллох и его протеже Уолтер Питтс, бездомный вундеркинд-подросток, предложили изящную схему того, как клетки мозга кодируют сложные мысли. Они предположили, что каждый нейрон выполняет базовую логическую операцию, объединяя несколько входов в один двоичный выход: истинный или ложный. Эти операции, такие же простые, как буквы в алфавите, могут быть объединены в слова, предложения, абзацы познания.Модель Маккаллоха и Питтса не очень хорошо описывает мозг, но она стала ключевой частью архитектуры первого современного компьютера. В конце концов, он превратился в искусственные нейронные сети, которые сейчас широко используются в глубоком обучении.

Эти сети лучше называть нейронными — ish . Подобно нейрону Маккаллоха-Питтса, они представляют собой импрессионистические портреты того, что происходит в мозгу. Предположим, к вам подошел желтый лабрадор. Чтобы распознать собаку, ваш мозг должен передавать необработанные данные из сетчатки через слои специализированных нейронов в коре головного мозга, которые выделяют визуальные особенности собаки и собирают финальную сцену.Глубокая нейронная сеть учится ломать мир аналогичным образом. Необработанные данные передаются из большого массива нейронов через несколько меньших наборов нейронов, каждый из которых объединяет входные данные с предыдущего слоя таким образом, что усложняет общую картину: первый слой находит края и яркие пятна, которые следующий объединяет в текстуры. , который следующий собирается в морду, и так далее, пока не выскочит лабрадор.

Несмотря на это сходство, большинство искусственных нейронных сетей явно не похожи на мозг, отчасти потому, что они обучаются с помощью математических уловок, которые было бы сложно, если не невозможно, реализовать биологическим системам.Тем не менее, у мозга и моделей искусственного интеллекта есть нечто общее: исследователи до сих пор не понимают, почему они работают так же хорошо, как и они.

Компьютерные ученые и нейробиологи стремятся к универсальной теории интеллекта — набору принципов, применимых как к тканям, так и к кремнию. Вместо этого у них есть путаница в деталях. Спустя одиннадцать лет и 1,3 миллиарда долларов после того, как Маркрам предложил свой смоделированный мозг, он не внес никаких фундаментальных открытий в изучение интеллекта.

Отчасти проблема заключается в том, что писатель Льюис Кэрролл указал на это более века назад. Кэрролл представил нацию, настолько одержимую картографическими деталями, что она продолжала увеличивать масштаб своих карт — 6 ярдов на милю, 100 ярдов на милю и, наконец, милю на милю. Карта размером с целую страну, конечно, впечатляет, но чему она вас учит? Даже если нейробиологи смогут воссоздать интеллект, точно моделируя каждую молекулу в мозгу, они не найдут основополагающих принципов познания.Как известно известное утверждение физика Ричарда Фейнмана: «То, что я не могу создать, я не понимаю». На что Маркрам и его коллеги-картографы могли бы добавить: «И то, что я могу создать, , я не обязательно понимаю».

Возможно, что модели искусственного интеллекта вообще не нуждаются в имитации мозга. Самолеты летают, хотя мало похожи на птиц. Тем не менее кажется вероятным, что самый быстрый способ понять интеллект — это изучить принципы биологии. Это не ограничивается мозгом: слепой замысел Evolution нашел блестящие решения по всей природе.Наши величайшие умы в настоящее время упорно работают против тусклого почти интеллекта вируса, его гений заимствован из репродуктивного механизма наших клеток, как луна заимствует свет у солнца. Тем не менее, важно помнить, когда мы составляем каталог деталей того, как интеллект реализуется в мозгу, что мы описываем одежду императора в отсутствие императора. Однако мы обещаем себе, что узнаем его, когда увидим его — независимо от того, во что он одет.

---

КЕЛЛИ КЛАНСИ (@kellybclancy) — нейробиолог из Университетского колледжа Лондона и DeepMind.Она написала о фатальной семейной бессоннице , редком заболевании, в номере 27.02.

Эта статья опубликована в июньском номере. Подписаться сейчас .

Сообщите нам, что вы думаете об этой статье. Отправьте письмо редактору на номер [email protected] .

---

Специальная серия: будущее мыслящих машин

Интерфейсы мозг-машина: злодейские гаджеты или инструменты для супергероев нового поколения?

Каковы основные проблемы при подключении мозга к устройствам?

Ключевая проблема в том, что нужно вытаскивать много информации из мозга.Сегодняшние протезы работают очень медленно, и если мы хотим работать быстрее, это компромисс: я могу двигаться медленнее, а затем точнее, или я могу двигаться быстрее и быть более шумным. Нам нужно получить больше данных из мозга, и мы хотим делать это электрически, то есть нам нужно ввести больше электродов в мозг.

Так что вам нужно? Вам нужен способ вводить электроды в мозг, не превращая ваш мозг в пульпу, вы хотите, чтобы электроды были гибкими, чтобы они могли оставаться в нем дольше, а затем вы хотите, чтобы система была беспроводной.Не стоит иметь большой коннектор на макушке.

Это в первую очередь проблема оборудования. Мы можем вживить электроды в мозг, но они быстро портятся из-за слишком большой толщины. У нас могут быть затычки на головах людей, но это исключает любое использование в реальном мире. Все эти факторы пока сдерживают нас.

Вот почему анонс Neuralink был очень интересным. Они вводят в мозг довольно большое количество электродов, используя хорошо разработанные подходы, которые делают это возможным.Разница в том, что Neuralink берет лучшие идеи из разных областей и объединяет их.

Большинство примеров в поп-культуре соединения мозга с машинами имеют гнусные или гнусные цели. Совпадает ли это с тем, как в настоящее время разрабатываются интерфейсы мозг-машина?

Допустим, у вас был инсульт, вы не можете говорить, но есть протез, который позволяет вам снова говорить. Или если вы потеряли руку и получаете новую, не уступающую оригиналу, — это абсолютная сила добра.

Это не мрачное, уродливое будущее, это прекрасный шаг вперед для медицины. Я хочу добиться значительного прогресса в борьбе с этими заболеваниями. Я хочу, чтобы пациенты, перенесшие инсульт, снова заговорили; Я хочу, чтобы у ветеринаров были протезы, не уступающие по качеству настоящим. Я думаю, что это произойдет в краткосрочной перспективе, но мы начинаем беспокоиться о темных сторонах.

А как насчет интерфейсов мозг-машина, таких как Cerebro профессора X из комиксов X-Men, который усиливает его экстрасенсорные способности, чтобы он мог находить других мутантов?

Это самый глупый пример такой технологии, который только можно придумать.Если я хочу обыскать мир, я объясню своему компьютеру, что ищу, и тогда он сможет его искать.

Есть иллюзия, что много данных поступает в мозг, а много данных выходит из мозга. Но мы можем видеть и читать намного быстрее, чем понимать текст, и в нашем теле больше мышц, которые могут печатать быстрее, чем мы можем принимать осмысленные решения.

Такое разделение труда, когда мы передаем команды компьютеру, который отчитывается нам, является гораздо лучшим способом взаимодействия с миром.В этом смысле, я думаю, профессор X решает не проблему.

Какие примеры поп-культуры изображают более точный или эффективный способ соединения людей с машинами?

То, что человеческое тело не может поддерживать, можно использовать для интерфейсов мозг-машина. Скажем, мне нужно управлять сильным роботом; это то, что мое собственное тело не поддерживает. Так что, если я хочу быть Железным Человеком, это очень хорошо, потому что вы хотите делать то, что не поддерживает тело.И, конечно же, в «Трансформерах» они делают то, что ваше или мое тело не поддержало бы.

Также Люк Скайуокер: У него есть протез, который соединяет культю его руки с его новым протезом, и это исключительно лечебное средство.

Есть ли какие-нибудь реальные примеры того, как компьютеры улучшают человеческие способности?

Компьютерные системы уже расширяют нашу деятельность. Если я хочу выиграть у шахматиста, я использую компьютер, который подсказывает мне, какие ходы он считает хорошими.Мне не обязательно встраивать это в голову.

Ближайшим будет удаленная хирургия. В некотором смысле у нас есть что-то вроде интерфейса мозг-машина: у вас есть глаза робота, а движения ваших рук переводятся в хирургию. Там вы могли бы сказать, что технологии интерфейса мозг-машина могут позволить вам стать хирургом сверх того, что действительно может сделать каждый.

Но, может быть, быть супер-хирургом на самом деле не проблема, и в этом случае вы захотите встроить в устройство интеллект.У нас есть система искусственного интеллекта, которая действительно хороша в анестезии, система, которая перемещает скальпель, и все, что вы делаете, это говорите: «Вот опухоль, удали ее».

Это зависит от того, как вы хотите работать с компьютерами. С одной стороны, происходит то, что компьютеры предоставляют нам информацию, имеющую отношение к нашим решениям на высоком уровне, а мы отдаем команды для принятия решений на среднем уровне. В качестве альтернативы мы хотим, чтобы все проходило через нас, но я не думаю, что это сработает, потому что люди не очень хороши в вводе / выводе с высокой пропускной способностью.

Вы упомянули, что исследователи уже начинают задумываться о темных сторонах использования интерфейсов мозг-машина. Какие риски связаны с использованием этой технологии?

Риск на данный момент связан с операцией и ее осложнениями, а не с перепрограммированием вас. Но вам нужно подумать о рисках, прежде чем начинать внедрять, потому что мы больше запутаемся в электронных системах, и они могут иметь большее влияние на нас.

Это уже происходит на каком-то уровне.Все, что находится вокруг вас, электронное, меняет то, кем вы являетесь. Если мы перейдем к интерфейсам мозг-машина, появится больше возможностей, в том числе сделать вас счастливыми или грустными. Это связано с риском неврального порабощения людей. Вы можете заставить их делать все, что захотите, таким образом, чтобы лишить людей их личности.

Нам нужно будет разработать системы, которые защищают нас, например, рекламный фильтр. В будущем никто не мог бы мечтать о том, чтобы позволить системе иметь широкий доступ к их мозгу без довольно агрессивного программного обеспечения, которое проходит и фильтрует вещи.Мы должны начать думать об этом, и я говорил об этом с [профессором PIK] Джонатаном Морено в области нейроэтики.

Если бы в вашем распоряжении было неограниченное количество технологий, как бы вы решили включить интерфейс мозг-машина в свой супергеройский образ?

Если бы я мог быть Трансформером, я мог бы ходить, а затем летать в небо в стиле Железного Человека, это было бы довольно круто.

Демонстрация Neuralink Илона Маска показывает интерфейс мозг-машина в действии

На мероприятии в пятницу Илон Маск рассказал больше о своей загадочной нейробиологической компании Neuralink и ее планах по подключению компьютеров к человеческому мозгу.Хотя разработка этой футуристически звучащей технологии все еще находится на начальной стадии, ожидалось, что презентация продемонстрирует вторую версию небольшого роботизированного устройства, которое вводит крошечные электродные нити через череп в мозг. Маск сказал перед мероприятием, что «покажет, как нейроны срабатывают в режиме реального времени. Матрица в матрице ».

И он так и сделал. На мероприятии Маск продемонстрировал нескольких свиней, в голову которых были имплантированы прототипы нейронных связей, а также оборудование, которое отслеживало активность мозга этих свиней в режиме реального времени.Миллиардер также объявил, что Управление по санитарному надзору за качеством пищевых продуктов и медикаментов выдало компании разрешение на передовое устройство, которое может помочь ускорить исследование медицинского устройства.

Подобно строительству подземных автомобильных туннелей и отправке частных ракет на Марс, это поддерживаемое Маском предприятие невероятно амбициозно, но Neuralink основывается на многолетних исследованиях интерфейсов мозг-машина. Интерфейс мозг-машина — это технология, которая позволяет устройству, например компьютеру, взаимодействовать и взаимодействовать с мозгом.Neuralink, в частности, нацелена на создание невероятно мощного интерфейса мозг-машина, устройства, способного обрабатывать большое количество данных, которое можно вставить в относительно простую операцию. Его краткосрочная цель — создать устройство, которое может помочь людям с определенными заболеваниями.

Фактический статус исследований Neuralink был несколько туманным, и в пятницу было сделано важное заявление, поскольку бывшие сотрудники жалуются на внутренний хаос в компании. Маск уже сказал, что проект позволяет обезьяне управлять компьютерным устройством с помощью своего разума, и, как сообщила New York Times в 2019 году, Neuralink продемонстрировала систему с 1500 электродами, подключенными к лабораторной крысе.С тех пор Маск намекнул на успехи компании (иногда в Твиттере), хотя участники, как правило, скрывали статус исследования.

Маск открыл мероприятие в пятницу, подчеркнув широкий спектр заболеваний позвоночника и неврологических заболеваний, включая судороги, паралич, повреждение головного мозга и депрессию, в лечении которых может помочь технология Neuralink.

«Все эти проблемы можно решить с помощью имплантируемой нейронной связи», — сказал Маск. «Нейроны похожи на проводку, и вам нужна электроника для решения электронной проблемы.”

Но стоит подчеркнуть, что Маск хочет, чтобы Neuralink занималась гораздо большим, чем лечением конкретных заболеваний. Он видит в этой технологии возможность создать широко доступный интерфейс мозг-компьютер для потребителей, который, по его мнению, может помочь людям идти в ногу с все более мощным искусственным интеллектом.

Итак, несмотря на скромность, исследование Neuralink уже предвещает, как эта технология может однажды изменить жизнь, которую мы знаем. В то же время это напоминание о том, что потенциальное, возможное слияние людей с компьютерами суждено поставить широкий круг этических и социальных вопросов, о которых нам, вероятно, следует задуматься прямо сейчас.

Neuralink хочет связать ваш мозг с компьютерами, но на это потребуется время

Основанная в 2016 году, Neuralink — технологическая компания в области нейробиологии, специализирующаяся на создании систем со сверхтонкими нитями, на которых установлены электроды. При имплантации в мозг эти потоки образуют канал с высокой пропускной способностью для связи компьютера с мозгом, система, которая должна быть намного более мощной, чем существующие интерфейсы мозг-машина, которые исследуются.

Одним из основных препятствий для вставки этих невероятно крошечных проводов, которые тоньше, чем прядь человеческого волоса, на самом деле является протягивание их через череп в мозг.Вот почему Neuralink также разрабатывает невероятно маленького робота, который соединяет электрод с людьми с помощью хирургической операции, которая примерно такая же интенсивная, как глазная процедура Lasik. В пятницу Маск рассказал, как компания надеется провести процедуру без общей анестезии во время однодневного пребывания в больнице. По крайней мере, это цель, и она представляет собой огромный скачок вперед по сравнению с предыдущими интерфейсами мозг-машина, которые требовали более инвазивных операций.

«Мы подключаем различные виды компьютеров к мозгу уже 20 или 30 лет», — сказал Recode Нолан Уильямс, директор Стэнфордской лаборатории стимуляции мозга, сославшись на глубокую стимуляцию, используемую для пациентов с болезнью Паркинсона, как на один из примеров подключения мозга и компьютер.

«Сам мозг использует определенные частоты и определенные виды электрических пороговых значений, чтобы общаться с самим собой», — объяснил Уильямс. «Ваш мозг представляет собой серию цепей, которые взаимодействуют между собой».

Снимок экрана демонстрации показывает, как прототип может отслеживать нервные импульсы свиньи, которой имплантировали устройство. Скриншот с YouTube

По сути, интерфейс мозг-машина может использовать электричество, которое мозг уже использует для работы, а также ряд электродов, соединяющих мозг с машиной.Neuralink цитирует предыдущие примеры, в которых люди использовали электроды для управления курсорами и роботизированными конечностями с помощью своего разума в качестве основы для его системы. Но что нового в плане Neuralink — это минимизировать процесс подключения устройства к мозгу, а также значительно увеличить количество задействованных электродов. Компания хочет сделать интерфейсы мозг-машина не только проще в установке, но и сделать их более мощными.

Хирургический робот Neuralink, представленный в пятницу, должен манипулировать и вставлять крошечные нити в мозг. Woke Studios

В центре внимания пятничного мероприятия Маск показал, как будет выглядеть второе поколение этого робота: большая белая конструкция с пятью степенями свободы.

«Робот — это сверхсложная, высокоточная машина, которая может захватывать ваш мозг, а затем с помощью микроточной иглы и нити почти швейной машины размещать нервные нити в точном нужном месте на основе Хирург принимает решение о том, в какие безопасные места вставлять нити », — сказал Recode Афшин Мехин, дизайнер и основатель фирмы Woke, которая работала над внешним устройством робота, удерживающим иглу.

Машина работает в очень маленьком масштабе, и Neuralink надеется расширить свои возможности. Например, нынешний робот имеет захват на 150 микрометров и еще более тонкую иглу — менее 40 микрометров — которая может «захватывать нити имплантата, а затем точно вводить каждую нить в кору, избегая видимой сосудистой сети», по словам директора Neuralink по робототехнике Иана О. ‘Хара. Он добавил в своем заявлении по электронной почте, что, хотя робот в настоящее время обрабатывает только вставку нитей, Neuralink работает над расширением роли робота в хирургии, чтобы увеличить количество пациентов, которым он может помочь, и сделать процедуру короче.

Маск сказал, что в прошлом году Neuralink упростила свои планы по созданию носимого устройства, которое подключается к потокам, имплантированным в мозг пользователя. В то время как первое поколение этого устройства должно было быть установлено за ухом человека, новейшая версия представляет собой небольшое устройство размером с монету, которое размещается под верхней частью черепа.

«Это похоже на Fitbit в черепе с крошечными проводами», — объяснил Маск, сравнив устройство с умными часами.

По словам профессора нейрохирургии Стэнфордского университета Маин Адамсон, исследование все еще находится на начальной стадии, и по мере его продвижения, вероятно, потребуется сосредоточить внимание на том, как технология может помочь людям с конкретными тяжелыми заболеваниями.В то время как медицинские применения такой технологии могут быть самыми разнообразными, для вывода ее из ее нынешнего, зарождающегося состояния потребуется пристальный надзор со стороны Управления по контролю за продуктами и лекарствами, которое не будет комментировать конкретно Neuralink.

Опять же, конечные планы Neuralink выходят за рамки лечения определенных заболеваний. Компания заявила, что надеется позволить людям «сохранить и улучшить» свой мозг и «создать гармоничное будущее». Хотя это может показаться не особенно острой потребностью для обычного человека, проект укладывается в давние опасения Маска по поводу искусственного интеллекта.Маск ранее заявлял, что эта технология может быть более опасной, чем ядерное оружие, и предупреждал, что ИИ может стать слишком мощным и слишком быстро, что не позволит людям держать его под контролем.

Конечная цель Neuralink, как объяснил Маск на мероприятии по запуску в 2019 году, — это «полноценный интерфейс мозг-машина», который позволит достичь «симбиоза с искусственным интеллектом». Но опять же, это еще далеко.

Интерфейсы мозг-машина не являются чем-то новым, но они вызывают этические проблемы

Neuralink и Маск — не единственные, кто интересуется интерфейсами мозг-машина.Facebook, например, вместе с Калифорнийским университетом в Сан-Франциско усердно работает над собственным исследованием интерфейса мозг-машина. Компания намерена создать «свободные руки» способ связи с компьютерами и поделилась некоторыми очень предварительными результатами. В прошлом году Facebook приобрел CTRL-Labs, стартап, который разработал технологию, которая измеряет активность нейронов с помощью носимого на руке устройства, чтобы контролировать цифровую активность.

Кроме того, продолжаются медицинские исследования, которые более распространены, чем вы думаете.

«Это то, что делается сегодня», — сказал Recode Стивен Чейз из Института нейробиологии Карнеги-Меллона. «В настоящее время продолжаются клинические испытания, в которых пациентам с параличом нижних конечностей имплантируют электроды в мозг, и они используют эти электроды и нейронную активность, записанную на этих электродах, для управления внешними устройствами, такими как курсоры на экранах компьютеров или роботизированные руки».

Фактически, некоторые из первых медицинских исследований такой технологии были проведены во второй половине 20-го века, и до некоторой степени интерфейсы мозг-машина в настоящее время существуют с ограниченными возможностями.В 1980-е годы были изобретены как глубокая стимуляция мозга, так и так называемая транскраниальная магнитная стимуляция, которая, согласно клинике Мэйо, использует «магнитные поля для стимуляции нервных клеток в головном мозге» и может использоваться для лечения пациентов с депрессией.

В начале 2000-х появился BrainGate, экспериментальное устройство, в котором используется набор электродов для передачи желания перемещать конечности от мозга к устройству, исследования которого все еще ведутся. FDA в 2013 году одобрило систему под названием RNS Simulator, которая посылает в мозг небольшие электрические сигналы, чтобы остановить приступы у некоторых пациентов с эпилепсией.

Уже есть некоторые рудиментарные коммерческие устройства, которые делают вещи, которые можно приблизительно сравнить с тем, что делает интерфейс мозг-машина. Есть повязки на голову, которые утверждают, что используют ЭЭГ для измерения активности вашего мозга, а затем используют эти данные для чего угодно, от улучшения медитации до пилотирования дрона. Эти приложения далеки от технологии, которую стремится предоставить Neuralink, но они могут намекать на то, как может выглядеть наше будущее: два года назад DARPA использовало экспериментальный интерфейс мозг-компьютер, хирургический микрочип, который позволял парализованному человеку управлять имитируемым самолетом. .

«Идея передачи сложных мыслей по всему миру по беспроводной сети далеко, далеко, далеко за пределами нашей жизни», — сказал Тим Марлер, старший инженер-исследователь RAND. «Это определенно не научная фантастика. В конечном итоге он станет зрелым, практичным и коммерческим, но предстоит еще много работы ».

Существует огромный технический разрыв между тем, что в настоящее время возможно в современных исследовательских лабораториях, и концепцией, которую представляет Маск, которая требует устройств, способных обрабатывать значительный объем информации, поступающей в мозг и исходящей из него.Одна из более широких надежд на технологию интерфейса мозг-машина заключается в том, что она в конечном итоге может помочь людям с параличом выполнять повседневные задачи самостоятельно. Как объяснил Чейз из Карнеги-Меллона: «Самое большое, чего хотят эти пациенты, — это независимость; эта технология может предложить им это ».

«По мере того, как мы углубляемся в этот проект, мы спрашиваем себя: каково будет иметь интерфейс, основанный на мыслях? Тебе придется думать по-другому, чтобы отправлять и получать идеи? » — заметил Мехин, дизайнер.«Тебе придется тренировать свой мозг, чтобы думать определенным образом? Каково будет получить информацию? »

Но помимо технологических проблем, разработка интерфейсов мозг-машина также выходит на неизведанную этическую и юридическую территорию. В четверг финансируемый правительством аналитический центр RAND опубликовал отчет о необходимости политики, связанной с использованием интерфейсов мозг-машина в военном контексте, где технология может вызвать новые проблемы, такие как широко распространенное хакерство.Конечно, с устройствами, которые могут по существу вычеркивать данные из вашего собственного разума, в том числе о психологическом и эмоциональном состоянии людей, последствия взаимодействия мозг-машина для конфиденциальности также огромны.

«Если устройства для чтения мозга способны считывать содержание мыслей, в ближайшие годы правительства будут заинтересованы в использовании этой технологии для допросов и расследований», — сказал Vox в прошлом году исследователь нейробиологии Марчелло Йенка.

Список проблем можно продолжить.Чейз выдвигает другой сценарий, вызывающий беспокойство: мир, в котором эта технология доступна только богатым, что создает крайний технологический разрыв. Кроме того, существует непредвиденный риск для здоровья, связанный с хирургическим вмешательством компьютерного оборудования в человеческий мозг.

Хотя сейчас нет причин для беспокойства по этому поводу, следующее большое объявление Neuralink — знак того, что идея более регулярного подключения человеческого мозга к компьютерам быстро становится реальностью.

Обновление Вторник, 1 сентября, 6:15 ET: В эту статью добавлены дополнительные сведения от Neuralink.

Открытый исходный код стал возможным благодаря Omidyar Network. Все материалы с открытым исходным кодом редакционно независимы и созданы нашими журналистами.

---

Новый гол: 25000

Весной мы запустили программу с просьбой к читателям внести финансовые пожертвования, чтобы сделать Vox бесплатным для всех, а на прошлой неделе мы поставили цель привлечь 20 000 участников.Что ж, вы помогли нам преодолеть это. Сегодня мы увеличиваем эту цель до 25 000 человек. Миллионы обращаются к Vox каждый месяц, чтобы понять, что мир становится все более хаотичным — от того, что происходит с USPS до кризиса с коронавирусом и, возможно, самых значимых президентских выборов в нашей жизни. Даже когда экономика и рынок новостной рекламы восстановятся, ваша поддержка будет критически важной частью поддержки нашей ресурсоемкой работы — и поможет всем разобраться во все более хаотичном мире.