В рекламных агентствах ведь не только креативный дизайн придумывают, но и креативный подход могут создать к любым процессам. Так, в «Студии Артемия Лебедева» год назад появился новый дизайнер логотипов Николай Иронов. Его работы полюбились многим клиентам, а потом неожиданно выяснилось, что все их создал не дизайнер. Не волшебная палочка, конечно, накреативила, а искусственный интеллект- нейронная сеть.
Нельзя не отметить, что все клиенты работами неизвестного креативщика были довольны, как обычно людям нравятся произведения современного искусства. Да и сложно представить что-то более современное, чем иронично-нейронные творения.
Похожая история произошла в Лондоне. Три брата Джолион, Джордж и Доминик задумали переосмыслить логотипы всех известных брендов. Хорошо получилось или нет, каждый может лично оценить в галерее. Хотя Ray-ban, например, мне понравился. А вам?
Нельзя не отметить, что все клиенты работами неизвестного креативщика были довольны, как обычно людям нравятся произведения современного искусства. Да и сложно представить что-то более современное, чем иронично-нейронные творения.
Похожая история произошла в Лондоне. Три брата Джолион, Джордж и Доминик задумали переосмыслить логотипы всех известных брендов. Хорошо получилось или нет, каждый может лично оценить в галерее. Хотя Ray-ban, например, мне понравился. А вам?
😁10👍6❤2🔥2🥰1💩1
Страдания робота Вертера
В старом советском фильме «Гостья из будущего» одна из самых душераздирающих сцен — гибель робота-андроида Вертера. Во всех эпизодах он двигается и говорит нарочито механически, но его смерть вызывает неподдельную грусть. И неспроста — если робот при взаимодействии с нами имитирует эмоции, мы начинаем воспринимать его как личность.
🤖 Группа психологов из Италии провела серию экспериментов с гуманоидным роботом iCub. В мире существует всего пара десятков таких машин. Их разрабатывает международный консорциум The RobotCub Project. Все они предназначены для исследований взаимодействия людей с антропоморфными машинами.
🦾 iCub метр высотой и в общих чертах повторяет геометрию человеческого тела. С помощью подвижных глаз и световых индикаторов на месте бровей и рта он способен имитировать мимику. Его пятипалые руки позволяют воспроизводить сложные жесты, а набор сервоприводов в ногах и теле — разнообразные позы.
🧑🏻💼👨🏻💼 Для общения с роботом были отобраны 119 добровольцев. До и после эксперимента они заполняли опросник Intentional Stance Test (IST), разработанный психологами несколько лет назад. Испытуемым требовалось ответить — из каких побуждений действуют роботы, запечатленные в различных бытовых ситуациях.
❤️⚙️ Вариантов ответа всегда два. Первый подразумевает чисто рациональный выбор машины. Второй же исходит из наличия у неё интенций и желаний. Например, изображение на котором робот выбирает один из разложенных перед ним инструментов, предлагается интерпретировать как
☺️ Испытуемых поделили на две группы. Членов экспериментальной робот встречал и радостно приветствовал, представлялся сам и знакомился с ними, удерживая зрительный контакт. Затем волонтёры просматривали совместно с iCub несколько коротких документальных фильмов. При этом робот бурно реагировал на происходящее на экране, изображая в соответствующих моментах радость или грусть.
😐 А вот с контрольной группой машина вела холодно и механистично. Во время сеанса iCub никак не реагировал на происходящее, не изображал эмоций, лишь периодически издавал компьютерное «пиканье».
📑 После сеансов испытуемые из обеих групп вновь отвечали на вопросник с интерпретацией намерений робота. Выяснилось, что те, кто взаимодействовал с демонстрировавшей живые и эмоциональные «антропоморфные» реакции машиной, намного чаще оценивали её действия как намеренные. Тогда как члены контрольной группы, наоборот, считали их запрограммированными.
🫂 По мнению психологов, это показывает, что совместное переживание эмоций заставляет людей считать роботов наделенными личностью, собственными потребностями и желаниями. Это подчеркивает важность имитации эмоций для роботов-компаньонов, занятых, например, поддержкой одиноких и престарелых людей.
❓ Но кажется, данные результаты могут внести ясность и в недавние дискуссии о «разумности» языковой модели LaMDA. Напомним, что работавший с ней в Google инженер Блейк Лемойн объявил систему разумной личностью. Возможно, он просто слишком долго взаимодействовал с чатботом, способным достоверно имитировать живую речь и человеческие эмоциональные реакции.
Почитать подробнее: научная статья в Technology, Mind, and Behavior.
#Робототехника, #Цифровизация_и_общество, #Психология_общения_с_роботами
В старом советском фильме «Гостья из будущего» одна из самых душераздирающих сцен — гибель робота-андроида Вертера. Во всех эпизодах он двигается и говорит нарочито механически, но его смерть вызывает неподдельную грусть. И неспроста — если робот при взаимодействии с нами имитирует эмоции, мы начинаем воспринимать его как личность.
🤖 Группа психологов из Италии провела серию экспериментов с гуманоидным роботом iCub. В мире существует всего пара десятков таких машин. Их разрабатывает международный консорциум The RobotCub Project. Все они предназначены для исследований взаимодействия людей с антропоморфными машинами.
🦾 iCub метр высотой и в общих чертах повторяет геометрию человеческого тела. С помощью подвижных глаз и световых индикаторов на месте бровей и рта он способен имитировать мимику. Его пятипалые руки позволяют воспроизводить сложные жесты, а набор сервоприводов в ногах и теле — разнообразные позы.
🧑🏻💼👨🏻💼 Для общения с роботом были отобраны 119 добровольцев. До и после эксперимента они заполняли опросник Intentional Stance Test (IST), разработанный психологами несколько лет назад. Испытуемым требовалось ответить — из каких побуждений действуют роботы, запечатленные в различных бытовых ситуациях.
❤️⚙️ Вариантов ответа всегда два. Первый подразумевает чисто рациональный выбор машины. Второй же исходит из наличия у неё интенций и желаний. Например, изображение на котором робот выбирает один из разложенных перед ним инструментов, предлагается интерпретировать как
«Он возьмет ближайший» или «Ему очень нравится пользоваться инструментами».☺️ Испытуемых поделили на две группы. Членов экспериментальной робот встречал и радостно приветствовал, представлялся сам и знакомился с ними, удерживая зрительный контакт. Затем волонтёры просматривали совместно с iCub несколько коротких документальных фильмов. При этом робот бурно реагировал на происходящее на экране, изображая в соответствующих моментах радость или грусть.
😐 А вот с контрольной группой машина вела холодно и механистично. Во время сеанса iCub никак не реагировал на происходящее, не изображал эмоций, лишь периодически издавал компьютерное «пиканье».
📑 После сеансов испытуемые из обеих групп вновь отвечали на вопросник с интерпретацией намерений робота. Выяснилось, что те, кто взаимодействовал с демонстрировавшей живые и эмоциональные «антропоморфные» реакции машиной, намного чаще оценивали её действия как намеренные. Тогда как члены контрольной группы, наоборот, считали их запрограммированными.
🫂 По мнению психологов, это показывает, что совместное переживание эмоций заставляет людей считать роботов наделенными личностью, собственными потребностями и желаниями. Это подчеркивает важность имитации эмоций для роботов-компаньонов, занятых, например, поддержкой одиноких и престарелых людей.
❓ Но кажется, данные результаты могут внести ясность и в недавние дискуссии о «разумности» языковой модели LaMDA. Напомним, что работавший с ней в Google инженер Блейк Лемойн объявил систему разумной личностью. Возможно, он просто слишком долго взаимодействовал с чатботом, способным достоверно имитировать живую речь и человеческие эмоциональные реакции.
Почитать подробнее: научная статья в Technology, Mind, and Behavior.
#Робототехника, #Цифровизация_и_общество, #Психология_общения_с_роботами
👍12🤔5🔥1💩1
ИИ научили понимать физику на уровне трёхмесячного младенца. На самом деле это огромное достижение
👶 Играя и экспериментируя, младенцы быстро усваивают физические законы окружающего их мира. Например, они понимают, что объект, скрытый за препятствием, никуда не исчезает. Когда такое происходит при демонстрации фокуса — малыши выказывают сильное удивление.
🤖 Подобное интуитивное понимание физики необходимо и машинам для ориентации в реальном мире. Ряд специалистов считает, что без активного освоения и деятельности в условиях сложных сред из материальных объектов принципиально невозможно появление сильного или общего ИИ (AGI).
🤱🏻 Поэтому в компании DeepMind предложили модель PLATO (Physics Learning through Auto-encoding and Tracking Objects) или «Обучение физике с помощью автокодировщика и отслеживания объектов». Подход к её тренировке вдохновлен развитием восприятия физических отношений у младенцев.
🔵🔴 Для начала исследователи сгенерировали датасет Physical Concepts. В нём 300 тыс. видеороликов простых взаимодействий объектов: качение шара с горки, столкновение пары шаров и т.д.
↗️↘️Сама PLATO состоит из двух модулей. Первый отвечает за «восприятие» — кодирует изображения и формирует эмбеддинги — сжатые векторные представления. Затем они поступают в динамический модуль, который на их основе учится предсказывать поведение объектов — координаты, векторы скорости и т.п.
⁉️ Построен он с использованием «долгой краткосрочной памяти» (Long short-term memory, LSTM). В ней сохраняется как текущий, так и ряд предыдущих эмбеддингов, что позволяет успешно предсказывать последующие. Интересно, что в случае несовпадения предсказаний с происходящим на видеозаписи, система отмечала «удивление» — тем более выраженное, чем сильнее оказалось отклонение.
В ходе обучения система развила все базовые физические концепции, такие как непрерывность движения, постоянство структуры (неспособность твердых тел исчезать или проходить одно сквозь другое), сохранение формы, неизменность свойств (например, упругости) объектов и т.п., которые есть у младенцев 2,5 - 3 месяцев от роду. Правда достичь их удалось всего за 28 часов зрительного опыта.
Почитать подробнее: для всех в блоге и для продвинутых в научном журнале Nature Human Behaviour
Датасет Physical Concepts доступен на GitHub.
#Машинное_обучение, #Сильный_искусственный_интеллект
👶 Играя и экспериментируя, младенцы быстро усваивают физические законы окружающего их мира. Например, они понимают, что объект, скрытый за препятствием, никуда не исчезает. Когда такое происходит при демонстрации фокуса — малыши выказывают сильное удивление.
🤖 Подобное интуитивное понимание физики необходимо и машинам для ориентации в реальном мире. Ряд специалистов считает, что без активного освоения и деятельности в условиях сложных сред из материальных объектов принципиально невозможно появление сильного или общего ИИ (AGI).
🤱🏻 Поэтому в компании DeepMind предложили модель PLATO (Physics Learning through Auto-encoding and Tracking Objects) или «Обучение физике с помощью автокодировщика и отслеживания объектов». Подход к её тренировке вдохновлен развитием восприятия физических отношений у младенцев.
🔵🔴 Для начала исследователи сгенерировали датасет Physical Concepts. В нём 300 тыс. видеороликов простых взаимодействий объектов: качение шара с горки, столкновение пары шаров и т.д.
↗️↘️Сама PLATO состоит из двух модулей. Первый отвечает за «восприятие» — кодирует изображения и формирует эмбеддинги — сжатые векторные представления. Затем они поступают в динамический модуль, который на их основе учится предсказывать поведение объектов — координаты, векторы скорости и т.п.
⁉️ Построен он с использованием «долгой краткосрочной памяти» (Long short-term memory, LSTM). В ней сохраняется как текущий, так и ряд предыдущих эмбеддингов, что позволяет успешно предсказывать последующие. Интересно, что в случае несовпадения предсказаний с происходящим на видеозаписи, система отмечала «удивление» — тем более выраженное, чем сильнее оказалось отклонение.
В ходе обучения система развила все базовые физические концепции, такие как непрерывность движения, постоянство структуры (неспособность твердых тел исчезать или проходить одно сквозь другое), сохранение формы, неизменность свойств (например, упругости) объектов и т.п., которые есть у младенцев 2,5 - 3 месяцев от роду. Правда достичь их удалось всего за 28 часов зрительного опыта.
Почитать подробнее: для всех в блоге и для продвинутых в научном журнале Nature Human Behaviour
Датасет Physical Concepts доступен на GitHub.
#Машинное_обучение, #Сильный_искусственный_интеллект
Deepmind
Intuitive physics learning in a deep-learning model inspired by developmental psychology
Although recent years have seen striking advances in artificial intelligence (AI), it is increasingly remarked that most of this progress is limited to narrow domains. Less success has been gained in capturing what are broadly referred to as commonsense…
👍15🔥8😁2❤1💩1
Не утихают разговоры о том, что DALL-E 2 и другие новейшие модели для генерации изображений по текстовым описаниям убьют профессию иллюстратора. Я с этим категорически не согласна. Наиболее умные и продвинутые дизайнеры уже активно используют ИИ для обработки своих изображений и быстрого создания прототипов визуалов.
Будущее — за кентавр-системами. Это будет гармоничное сочетание профессионала-человека и целого арсенала инструментов на основе искусственного интеллекта. Нечто подобное описывал Виктор Пелевин в романе S.N.U.F.F., когда от орка Грыма требовалось дать дикую, насыщенную эмоциями интенцию тексту, а алгоритм-доводчик превращал её в гладкую статью любого выбранного жанра. Дионисийское человеческое начало, уложенное в аполлоническое машинное.
Впрочем, внимательно следить за трендами надо и специалистам по инфографике. Генеративные модели уже могут и в неё. Да, пока это скорее забавный эксперимент, но скоро и здесь дизайнеры вполне смогут прототипировать и черпать вдохновение для своих работ.
Так, дизайнер, специалист по инфографике и главный редактор Journal of the Data Visualization Society — Nightingale в честь Дня освобождения рабов сделал DALL-E 2 запрос: «
Восемь инфографик получились вполне визуально интересными, хотя и не отображающими точно данные, период, суть явления, тип графика или изобразительный стиль Нойрата. Но всё ещё впереди. Вполне возможно крупнейшая вариация Parti даже сейчас справится гораздо лучше.
Будущее — за кентавр-системами. Это будет гармоничное сочетание профессионала-человека и целого арсенала инструментов на основе искусственного интеллекта. Нечто подобное описывал Виктор Пелевин в романе S.N.U.F.F., когда от орка Грыма требовалось дать дикую, насыщенную эмоциями интенцию тексту, а алгоритм-доводчик превращал её в гладкую статью любого выбранного жанра. Дионисийское человеческое начало, уложенное в аполлоническое машинное.
Впрочем, внимательно следить за трендами надо и специалистам по инфографике. Генеративные модели уже могут и в неё. Да, пока это скорее забавный эксперимент, но скоро и здесь дизайнеры вполне смогут прототипировать и черпать вдохновение для своих работ.
Так, дизайнер, специалист по инфографике и главный редактор Journal of the Data Visualization Society — Nightingale в честь Дня освобождения рабов сделал DALL-E 2 запрос: «
Визуализация данных об экономическом прогрессе в афро-американском сообществе начиная с 1886 года в стиле работ Отто Нойрата» (“Data visualization about economic progress in the African-American community since 1886 as designed by Otto Neurath”). Восемь инфографик получились вполне визуально интересными, хотя и не отображающими точно данные, период, суть явления, тип графика или изобразительный стиль Нойрата. Но всё ещё впереди. Вполне возможно крупнейшая вариация Parti даже сейчас справится гораздо лучше.
🔥12👍2🤔1💩1
Исследователи представили гигантскую языковую модель. Она бесплатна и работает на 46 языках
📚 До недавнего времени лишь несколько крупных компаний могли похвастаться успехами в разработке большой языковой модели. Для обучения нейросети нужны гигантские объемы данных и вычислительные мощности — непосильная задача для малого бизнеса и некоммерческих организаций. К тому же информация об обучении этих моделей ИИ обычно не раскрывается.
🌐 Устранить преграду для прогресса решились авторы исследовательского проекта BigScience, который стартовал в 2021 году. Их новая языковая модель BLOOM включает 176 миллиардов параметров. Она обучалась в течение 11 недель на французском суперкомпьютере Jean Zay.
㊙️🈴🆎 В отличие от GPT-3, LaMBDA и других крупных языковых моделей, BLOOM многоязычна и полностью открыта для исследователей. Она может генерировать текст на 46 естественных языках и диалектах, а также на 13 языках программирования. Для испанского, французского и арабского языков это первая модель, поддерживающая такое большое количество параметров.
🔀 По сути, Bloom — это модернизированная модель Megatron-LM GPT-2, которую выпустила NVIDIA в 2019 году. Продвинутая версия основана на архитектуре трансформера (decoder-only). Для оценки точности прогнозов здесь применяется перекрестная энтропия.
👨🏻🍳 При помощи подсказок нейросеть даже умеет создавать кулинарные рецепты или писать предложения с использованием недавно изобретенных слов. При этом разработчики модели никогда не обучали ее для работы с такими задачами.
🆓 В проекте участвуют около тысячи исследователей из более чем 60 стран и 250 организаций. Среди последних — американские техногиганты NVIDIA и Microsoft. Разработчики позволили бесплатно изучать, загружать и использовать BLOOM всем желающим. Любое физическое лицо или организация могут строить производные языковые модели на локальном компьютере или у облачного провайдера.
В будущем исследователи планируют увеличить количество поддерживаемых языков.
📚 До недавнего времени лишь несколько крупных компаний могли похвастаться успехами в разработке большой языковой модели. Для обучения нейросети нужны гигантские объемы данных и вычислительные мощности — непосильная задача для малого бизнеса и некоммерческих организаций. К тому же информация об обучении этих моделей ИИ обычно не раскрывается.
🌐 Устранить преграду для прогресса решились авторы исследовательского проекта BigScience, который стартовал в 2021 году. Их новая языковая модель BLOOM включает 176 миллиардов параметров. Она обучалась в течение 11 недель на французском суперкомпьютере Jean Zay.
㊙️🈴🆎 В отличие от GPT-3, LaMBDA и других крупных языковых моделей, BLOOM многоязычна и полностью открыта для исследователей. Она может генерировать текст на 46 естественных языках и диалектах, а также на 13 языках программирования. Для испанского, французского и арабского языков это первая модель, поддерживающая такое большое количество параметров.
🔀 По сути, Bloom — это модернизированная модель Megatron-LM GPT-2, которую выпустила NVIDIA в 2019 году. Продвинутая версия основана на архитектуре трансформера (decoder-only). Для оценки точности прогнозов здесь применяется перекрестная энтропия.
👨🏻🍳 При помощи подсказок нейросеть даже умеет создавать кулинарные рецепты или писать предложения с использованием недавно изобретенных слов. При этом разработчики модели никогда не обучали ее для работы с такими задачами.
🆓 В проекте участвуют около тысячи исследователей из более чем 60 стран и 250 организаций. Среди последних — американские техногиганты NVIDIA и Microsoft. Разработчики позволили бесплатно изучать, загружать и использовать BLOOM всем желающим. Любое физическое лицо или организация могут строить производные языковые модели на локальном компьютере или у облачного провайдера.
В будущем исследователи планируют увеличить количество поддерживаемых языков.
👍17🔥9💩1
Ещё один шаг к самосознанию: робот научился формировать образ собственного тела
🏃🏼♀️🚶🏻♂️Любое движение нашего тела постоянно корректируется посредством обратной связи от проприорецепторов в мышцах, связках и суставах, а также благодаря зрительному контролю и «шестому чувству» — сигналам вестибулярного аппарата. Такая способность формируется у людей ещё в младенчестве, и постепенно, с годами, складывается в целостную схему тела — важную часть человеческого «Я». Схема тела настолько укоренена в нашей психике, что утратив руку или ногу, многие люди ещё длительное время ощущают фантомную конечность.
🦿🦾 Скоро похожие механизмы удастся в полной мере воплотить и у роботов. В Лаборатории креативных машин Колумбийского университета в Нью-Йорке учёные оснастили роботизированный манипулятор набором из пяти видеокамер, наблюдавших за его движениями с разных углов. Поток видеоданных анализировался системой компьютерного зрения.
📹 Машина использовала их, чтобы оценить, как те или иные команды, посылаемые на электродвигатели манипулятора, меняли его геометрию и занимаемый в окружающем пространстве объём. Движения производились без выполнения определённых задач, случайно, примерно так, как играет ребёнок перед зеркалом.
🤖 Обучение проводилось без учителя и заняло всего около трёх часов, после чего система смогла предсказать, как те или иные движения повлияют на положение её «тела». Например, она точно «знала», будет ли занята манипулятором или свободна та или иная точка в пространстве после заданного движения сочленений.
☁️ В финале исследователи применили разные техники визуализации, чтобы воочию увидеть «представления о теле», которые сформировались в процессе работы нейросети. «Это что-то вроде мягко мерцающего облака, которое окружает трёхмерное тело робота, — рассказал руководитель проекта. — Куда движется он, туда и оно».
❗️ Уже сейчас робот-манипулятор легко приспосабливается к изменению геометрии пространства и компенсирует повреждения сочленений. В будущем же эта примитивная схема тела станет фундаментом для создания сильного или общего ИИ (AGI).
Почитать подробнее: научная статья опубликованная в журнале Science Robotics
#Машинное_обучение, #Сильный_искусственный_интеллект, #Компьютерное_зрение, #Робототехника
🏃🏼♀️🚶🏻♂️Любое движение нашего тела постоянно корректируется посредством обратной связи от проприорецепторов в мышцах, связках и суставах, а также благодаря зрительному контролю и «шестому чувству» — сигналам вестибулярного аппарата. Такая способность формируется у людей ещё в младенчестве, и постепенно, с годами, складывается в целостную схему тела — важную часть человеческого «Я». Схема тела настолько укоренена в нашей психике, что утратив руку или ногу, многие люди ещё длительное время ощущают фантомную конечность.
🦿🦾 Скоро похожие механизмы удастся в полной мере воплотить и у роботов. В Лаборатории креативных машин Колумбийского университета в Нью-Йорке учёные оснастили роботизированный манипулятор набором из пяти видеокамер, наблюдавших за его движениями с разных углов. Поток видеоданных анализировался системой компьютерного зрения.
📹 Машина использовала их, чтобы оценить, как те или иные команды, посылаемые на электродвигатели манипулятора, меняли его геометрию и занимаемый в окружающем пространстве объём. Движения производились без выполнения определённых задач, случайно, примерно так, как играет ребёнок перед зеркалом.
🤖 Обучение проводилось без учителя и заняло всего около трёх часов, после чего система смогла предсказать, как те или иные движения повлияют на положение её «тела». Например, она точно «знала», будет ли занята манипулятором или свободна та или иная точка в пространстве после заданного движения сочленений.
☁️ В финале исследователи применили разные техники визуализации, чтобы воочию увидеть «представления о теле», которые сформировались в процессе работы нейросети. «Это что-то вроде мягко мерцающего облака, которое окружает трёхмерное тело робота, — рассказал руководитель проекта. — Куда движется он, туда и оно».
❗️ Уже сейчас робот-манипулятор легко приспосабливается к изменению геометрии пространства и компенсирует повреждения сочленений. В будущем же эта примитивная схема тела станет фундаментом для создания сильного или общего ИИ (AGI).
Почитать подробнее: научная статья опубликованная в журнале Science Robotics
#Машинное_обучение, #Сильный_искусственный_интеллект, #Компьютерное_зрение, #Робототехника
YouTube
A robot learns to imagine itself
A Columbia Engineering team announced today they have created a robot that—for the first time—is able to learn a model of its entire body from scratch, without any human assistance. Read more at http://physorg.com/news576922905.html
Video credit: Boyuan…
Video credit: Boyuan…
👍20🔥3💩2
На Красной планете нашли родину «Чёрной красавицы». Помогли суперкомпьютер и модель компьютерного зрения
☄️ Метеоритные удары регулярно выбивают фрагменты с поверхности Луны и Марса. Некоторые из них, совершив космическое путешествие, падают на Землю. Учёные идентифицировали несколько сотен марсианских метеоритов. Самый древний из них — Northwest Africa 7034 — обнаружен в Марокко в 2011 году и получил прозвище «Чёрная красавица» (Black Beauty). Он датируется возрастом около 4,5 млрд лет и сохранил остатки воды, которая тогда ещё имелась на Красной планете.
💥 Но откуда именно он происходит? Сегодня минералогия Марса картографирована с большой точностью. Можно сопоставить состав, магнитные и другие свойства метеорита с характеристиками вещества из разных ударных кратеров на поверхности Красной планеты.
🔴 Это колоссальная по сложности задача: в отличие от Земли, которая защищена плотной атмосферой и отличается высокой геологической активностью, Марс бомбардируется метеоритами намного чаще, а следы падений сохраняются дольше. На нём известно более 43 тыс. ударных кратеров диаметром больше 5 км. При этом подходящих на роль источника марсианских метеоритов ещё больше.
Несколько лет назад учёные уже использовали для их поиска суперкомпьютер Pawsey в Пертском университете (Австралия), а также специально разработанную модель компьютерного зрения. Crater Detection Algorithm (CDA) обучили на датасете из 1762 известных марсианских кратеров диаметром более километра. Затем дообучили с использованием нового размеченного массива, содержащего данные по кратерам меньших размеров. После чего Pawsey и CDA вместе обнаружили на Красной планете более 94 млн ударных кратеров.
🪨 В новой работе учёные идентифицировали среди них 19 кратеров-кандидатов на звание «родины» NWA 7034. После чего детально изучили каждый по отдельности, сравнив их свойства с особенностями самого метеорита.
🌋 320-граммовый NWA 7034 является вулканогенной брекчией — фрагментом застывшей лавы с обломками. Это единственный марсианский метеорит, демонстрирующий магнитные свойства. А по химическому составу он выделяется повышенным содержанием тория и калия.
Исходя из этих характеристик, вероятнее всего «Черная красавица» родилась 5-10 млн лет назад при формировании кратера Каррата диметром 10 км. Он расположен в Земле Киммерия в южном полушарии Марса. По-видимому, именно здесь сохранились остатки древнейшей коры Красной планеты.
Читать подробнее: научная статья в журнале Nature Communications
#Искусственный_интеллект, #Компьютерное_зрение, #ИИ_в_астрономии
☄️ Метеоритные удары регулярно выбивают фрагменты с поверхности Луны и Марса. Некоторые из них, совершив космическое путешествие, падают на Землю. Учёные идентифицировали несколько сотен марсианских метеоритов. Самый древний из них — Northwest Africa 7034 — обнаружен в Марокко в 2011 году и получил прозвище «Чёрная красавица» (Black Beauty). Он датируется возрастом около 4,5 млрд лет и сохранил остатки воды, которая тогда ещё имелась на Красной планете.
💥 Но откуда именно он происходит? Сегодня минералогия Марса картографирована с большой точностью. Можно сопоставить состав, магнитные и другие свойства метеорита с характеристиками вещества из разных ударных кратеров на поверхности Красной планеты.
🔴 Это колоссальная по сложности задача: в отличие от Земли, которая защищена плотной атмосферой и отличается высокой геологической активностью, Марс бомбардируется метеоритами намного чаще, а следы падений сохраняются дольше. На нём известно более 43 тыс. ударных кратеров диаметром больше 5 км. При этом подходящих на роль источника марсианских метеоритов ещё больше.
Несколько лет назад учёные уже использовали для их поиска суперкомпьютер Pawsey в Пертском университете (Австралия), а также специально разработанную модель компьютерного зрения. Crater Detection Algorithm (CDA) обучили на датасете из 1762 известных марсианских кратеров диаметром более километра. Затем дообучили с использованием нового размеченного массива, содержащего данные по кратерам меньших размеров. После чего Pawsey и CDA вместе обнаружили на Красной планете более 94 млн ударных кратеров.
🪨 В новой работе учёные идентифицировали среди них 19 кратеров-кандидатов на звание «родины» NWA 7034. После чего детально изучили каждый по отдельности, сравнив их свойства с особенностями самого метеорита.
🌋 320-граммовый NWA 7034 является вулканогенной брекчией — фрагментом застывшей лавы с обломками. Это единственный марсианский метеорит, демонстрирующий магнитные свойства. А по химическому составу он выделяется повышенным содержанием тория и калия.
Исходя из этих характеристик, вероятнее всего «Черная красавица» родилась 5-10 млн лет назад при формировании кратера Каррата диметром 10 км. Он расположен в Земле Киммерия в южном полушарии Марса. По-видимому, именно здесь сохранились остатки древнейшей коры Красной планеты.
Читать подробнее: научная статья в журнале Nature Communications
#Искусственный_интеллект, #Компьютерное_зрение, #ИИ_в_астрономии
👍21🔥4😱2💩1
«Мемристоры-палимпсесты»
⚡️ Подумала, что давно уже не писала про железо для ИИ. А тут как раз интересная новость подоспела. Сеть из мемристоров научили накапливать долговременные воспоминания и одновременно с этим продолжать обработку кратковременных запросов.
🧠 Схожим образом это происходит у биологических нейронов. Сами разработчики сравнивают эту способность со старинными рукописями — палимпсестами, текст в которых написан поверх предыдущего.
🤖 Количество вычисляемых параметров — «искусственных нейронов» — в самых больших моделях машинного обучения сегодня уже приближается к числу нервных клеток в головном мозге. При этом их способности к решению разнообразных когнитивных задач несравнимы.
🔬Предполагается, что способность живых нейронов консолидировать разные воспоминания — одна из ключевых причин, обеспечивающих высочайшую пластичность и эффективность работы мозга. Учёные попробовали создать электронные элементы памяти с аналогичными способностями.
🔀 Для этого они использовали мемристоры на основе тонких плёнок из диоксида титана. Из них была собрана примитивная сеть, содержавшая всего шесть синапсов — соединений между мемристорами. Оказалось, что если подавать на такую сеть два сигнала одновременно, информация распределяется между синапсами и частично сохраняется на каждом из них.
🌉 Дополнительные эксперименты показали, что сеть способна накапливать длительные воспоминания, одновременно сохраняя несколько картинок с качеством, достаточным для их извлечения и реконструкции. При этом параллельная обработка сотен событий за исследуемый отрезок времени никак не влияет на эти «воспоминания».
Почитать подробнее: научная статья в журнале Science Advances
#Инфраструктура_искусственного_интеллекта, #Железо_для_искусственного_интеллекта
⚡️ Подумала, что давно уже не писала про железо для ИИ. А тут как раз интересная новость подоспела. Сеть из мемристоров научили накапливать долговременные воспоминания и одновременно с этим продолжать обработку кратковременных запросов.
🧠 Схожим образом это происходит у биологических нейронов. Сами разработчики сравнивают эту способность со старинными рукописями — палимпсестами, текст в которых написан поверх предыдущего.
🤖 Количество вычисляемых параметров — «искусственных нейронов» — в самых больших моделях машинного обучения сегодня уже приближается к числу нервных клеток в головном мозге. При этом их способности к решению разнообразных когнитивных задач несравнимы.
🔬Предполагается, что способность живых нейронов консолидировать разные воспоминания — одна из ключевых причин, обеспечивающих высочайшую пластичность и эффективность работы мозга. Учёные попробовали создать электронные элементы памяти с аналогичными способностями.
🔀 Для этого они использовали мемристоры на основе тонких плёнок из диоксида титана. Из них была собрана примитивная сеть, содержавшая всего шесть синапсов — соединений между мемристорами. Оказалось, что если подавать на такую сеть два сигнала одновременно, информация распределяется между синапсами и частично сохраняется на каждом из них.
🌉 Дополнительные эксперименты показали, что сеть способна накапливать длительные воспоминания, одновременно сохраняя несколько картинок с качеством, достаточным для их извлечения и реконструкции. При этом параллельная обработка сотен событий за исследуемый отрезок времени никак не влияет на эти «воспоминания».
Почитать подробнее: научная статья в журнале Science Advances
#Инфраструктура_искусственного_интеллекта, #Железо_для_искусственного_интеллекта
🔥16👍3💩1
Colossal-AI позволяет тренировать огромные модели ИИ на обычном ноутбуке
🤷🏼 Обучение с нуля или даже тонкая настройка больших моделей ИИ обычно недоступна рядовым пользователям. Она требует десятков или сотен графических процессоров и глубоких познаний архитектуры искусственного интеллекта.
🙋🏻♂️ Компания HPC-AI Tech попыталась обойти этот барьер. В 2021 году она представила Colossal-AI — единую систему глубокого обучения, которую в теории может освоить даже инженер-любитель с обычным лэптопом.
📉 Инструмент на основе фреймворка PyTorch использует гетерогенный подход в обучении нейросетей. В его основе — оптимизация потребления памяти во время тренировки. Здесь поддерживаются тензорный параллелизм и контрольные точки активации.
💻 Для работы Colossal-AI не обязательно нужны суперкомпьютеры. Инструмент может обучать большие модели с 1,5 млрд параметров на ноутбуке с RTX 206 (6 ГБ) на борту. А компьютер с графическим чипом RTX 3090 (24 ГБ) способен натренировать нейросеть с 18 млрд параметров.
💽 Недавно у Colossal-AI появился модуль Gemini — аналог Zero-offload от майкрософтской библиотеки DeepSpeed. По словам разработчиков, их менеджер памяти превосходит конкурента, потому что эффективнее распределяет данные.
🆓 Например, Zero-offload статически делит данные модели между памятью CPU и GPU, и их расположение остается постоянным для разных конфигураций обучения. Поэтому когда память GPU закончится, система выдаст ошибку, даже если память процессора будет не заполнена. При этом Colossal-AI сможет завершить тренировку, перекинув часть информации на ЦП.
🔁 Для обучения моделей Colossal-AI делит итерации на два этапа: прогревочный и непрогревочный. На первом система собирает информацию об использовании памяти, а на втором — использует ее для перераспределения тензоров. Это позволяет свести к минимуму объем перемещаемых данных между CPU и GPU.
Исходный код проекта открыт, поэтому воспользоваться возможностями Colossal-AI может любой желающий.
🤷🏼 Обучение с нуля или даже тонкая настройка больших моделей ИИ обычно недоступна рядовым пользователям. Она требует десятков или сотен графических процессоров и глубоких познаний архитектуры искусственного интеллекта.
🙋🏻♂️ Компания HPC-AI Tech попыталась обойти этот барьер. В 2021 году она представила Colossal-AI — единую систему глубокого обучения, которую в теории может освоить даже инженер-любитель с обычным лэптопом.
📉 Инструмент на основе фреймворка PyTorch использует гетерогенный подход в обучении нейросетей. В его основе — оптимизация потребления памяти во время тренировки. Здесь поддерживаются тензорный параллелизм и контрольные точки активации.
💻 Для работы Colossal-AI не обязательно нужны суперкомпьютеры. Инструмент может обучать большие модели с 1,5 млрд параметров на ноутбуке с RTX 206 (6 ГБ) на борту. А компьютер с графическим чипом RTX 3090 (24 ГБ) способен натренировать нейросеть с 18 млрд параметров.
💽 Недавно у Colossal-AI появился модуль Gemini — аналог Zero-offload от майкрософтской библиотеки DeepSpeed. По словам разработчиков, их менеджер памяти превосходит конкурента, потому что эффективнее распределяет данные.
🆓 Например, Zero-offload статически делит данные модели между памятью CPU и GPU, и их расположение остается постоянным для разных конфигураций обучения. Поэтому когда память GPU закончится, система выдаст ошибку, даже если память процессора будет не заполнена. При этом Colossal-AI сможет завершить тренировку, перекинув часть информации на ЦП.
🔁 Для обучения моделей Colossal-AI делит итерации на два этапа: прогревочный и непрогревочный. На первом система собирает информацию об использовании памяти, а на втором — использует ее для перераспределения тензоров. Это позволяет свести к минимуму объем перемещаемых данных между CPU и GPU.
Исходный код проекта открыт, поэтому воспользоваться возможностями Colossal-AI может любой желающий.
GitHub
GitHub - hpcaitech/ColossalAI: Making large AI models cheaper, faster and more accessible
Making large AI models cheaper, faster and more accessible - hpcaitech/ColossalAI
👍16🔥3🤮1💩1
Самый «негуманный» суд в мире
Сюжеты из «Чёрного зеркала» воплощаются с невиданной быстротой. Китайских судей обязали советоваться с ИИ. А любой приговор, не совпадающий с решением нейросети, придется письменно обосновать.
🏛 Внедрение элементов «умного суда» в Китае началось ещё в 2016 году со сбора базы данных законодательства и судебных прецедентов. К настоящему моменту все суды КНР обязаны фиксировать каждое решение в электронном виде и передавать в централизованную систему, в едином формате.
👮🏻♂️ Ежедневно в «умный суд» пересылается порядка 100 тыс. новых постановлений. Помимо этого, ИИ имеет доступ к базам данных полиции и других правоохранительных органов, а также к действующей в КНР системе социальных кредитов.
📉 Благодаря этому все поступившие в «умный суд» дела автоматически проверяются на признаки судебных ошибок и коррупции. Одобренное решение часто тут же и реализуется: рейтинг нарушителя в системе социальных кредитов падает, ограничивая его доступ к билетам на транспорт и другим общественным сервисам.
✔️ Кроме того, верховный суд КНР постановил, что каждый судья обязан консультироваться с системой перед вынесением приговора, и если его решение не соответствует варианту ИИ, составлять письменное обоснование. Это позволит унифицировать правоприменение в масштабах всей страны, невзирая на экономические и этнокультурные различия между регионами.
По словам инициаторов системы, только за 2019-2021 годы она сэкономила около 1,7 млрд человеко-часов и сумму, эквивалентную $45 млрд. Однако профессиональные юристы принимают эти заявления довольно прохладно. Они считают, что директивное применение ИИ подрывает принцип независимости судебной системы, уводит на второй план личный опыт, образование и моральные качества судей.
Кто прав — рассудит история. Или ИИ.
#Искусственный_интеллект, #Цифровизация_и_общество, #Регулирование_искусственного_интеллекта
Сюжеты из «Чёрного зеркала» воплощаются с невиданной быстротой. Китайских судей обязали советоваться с ИИ. А любой приговор, не совпадающий с решением нейросети, придется письменно обосновать.
🏛 Внедрение элементов «умного суда» в Китае началось ещё в 2016 году со сбора базы данных законодательства и судебных прецедентов. К настоящему моменту все суды КНР обязаны фиксировать каждое решение в электронном виде и передавать в централизованную систему, в едином формате.
👮🏻♂️ Ежедневно в «умный суд» пересылается порядка 100 тыс. новых постановлений. Помимо этого, ИИ имеет доступ к базам данных полиции и других правоохранительных органов, а также к действующей в КНР системе социальных кредитов.
📉 Благодаря этому все поступившие в «умный суд» дела автоматически проверяются на признаки судебных ошибок и коррупции. Одобренное решение часто тут же и реализуется: рейтинг нарушителя в системе социальных кредитов падает, ограничивая его доступ к билетам на транспорт и другим общественным сервисам.
✔️ Кроме того, верховный суд КНР постановил, что каждый судья обязан консультироваться с системой перед вынесением приговора, и если его решение не соответствует варианту ИИ, составлять письменное обоснование. Это позволит унифицировать правоприменение в масштабах всей страны, невзирая на экономические и этнокультурные различия между регионами.
По словам инициаторов системы, только за 2019-2021 годы она сэкономила около 1,7 млрд человеко-часов и сумму, эквивалентную $45 млрд. Однако профессиональные юристы принимают эти заявления довольно прохладно. Они считают, что директивное применение ИИ подрывает принцип независимости судебной системы, уводит на второй план личный опыт, образование и моральные качества судей.
Кто прав — рассудит история. Или ИИ.
#Искусственный_интеллект, #Цифровизация_и_общество, #Регулирование_искусственного_интеллекта
South China Morning Post
China’s court AI reaches into every corner of justice system: report
Smart court’s electronic reach allows the system to access police, prosecutor and government databases and integrate with China’s social credit system.
🔥18👍7🤯2