超次元AI可能会导致大联盟机器人能力的提升

大家好，我是本栏目的编辑郝帅。现在我给大家解释一下上面的问题。当棒球或垒球运动员击出快球时，他们的大脑(人类智能)无缝且几乎立即发送感官输入(关于投手释放、球速和运动的视觉和声音信息)和知识(记忆的投手倾向、关于击球手自身能力、球数和击数、比赛情况等信息)。)向肌肉发送神经信号(运动指令)。

即使拥有最好的AI和感官能力，面对同一个投手的机器人也没有机会。AI使用连接系统缓慢协调来自传感器的数据和存储的数据，以及机器人的电机功能和动作。另外，机器人什么都不记得了。

然而，对于雄心勃勃的机器人来说，马里兰大学的研究人员刚刚在《科学机器人》杂志上发表的一篇新论文中找到了希望。他们的工作引入了一种新的方法，使用所谓的超维计算理论来组合或集成人工智能感知和运动命令。

作者-安东米特罗钦和小彼得苏托尔，UMD计算机科学的博士生。马里兰大学高级计算机研究所副研究员corneliafermuller；计算机科学教授Yiannis Aloimonos认为，这种整合是机器人领域最重要的挑战，他们的新论文标志着这种感知和行动首次被整合。

目前，机器人的传感器和用于移动它的致动器是独立的系统，它们通过中央学习机制链接在一起，中央学习机制在给定传感器数据的情况下推断所需的动作，反之亦然。这个笨重的三部分人工智能系统——每个部分都讲自己的语言——是机器人完成感觉和运动任务的一种缓慢方式。机器人技术的下一步是将机器人的感知与其运动功能相结合。这种被称为“主动感知”的融合将为机器人完成任务提供一种更有效、更快速的方式。

主动感知和记忆的超维计算。

在作者的新超维计算理论中，机器人的操作系统将基于超维二进制向量(HBV)，它存在于稀疏和极高维的空间中。HBV可以代表不同的离散事物——例如，单一的图像、概念、声音或指令；一系列不连续的事物；以及离散事物和序列的分组。他们可以用一种有意义的方式解释所有这些类型的信息，并将每个模态绑定在一个具有相同维度的1和0的长向量中。在这个系统中，动作的可能性、感官输入和其他信息占据相同的空间，使用相同的语言，并融合在一起为机器人创造一种记忆。

超维框架可以将任何“瞬时”序列转换成新的HBV，并将现有的HBV组合在一起，所有这些都在相同的向量长度上。这是一种自然的方式来创造语义上重要和信息丰富的“记忆”。越来越多的信息编码反过来导致“历史”矢量和记忆能力。信号变成向量，索引转换成记忆，学习通过聚类进行。

对机器人过去所感知和所做的事情的记忆，可以使其对未来的感知产生期待，并影响其未来的行动。这种主动感知会让机器人变得更加自主，能够更好地完成任务。

“积极的感知者知道他们为什么想要感知，然后选择他们想要感知的东西，并决定如何、何时和在哪里实现感知，”Aloimonos说。“它选择并修复场景、瞬间和插曲。然后，它调整其机制、传感器和其他组件，以对其想要看到的内容采取行动，并选择最能抓住其意图的视点。

“我们的超次元框架可以解决这些目标，”他说。

马里兰研究的应用可能远远超出机器人技术。最终目标是能够以一种根本不同的方式进行人工智能本身：从概念到信号到语言。超维计算可以为目前用于计算应用(如数据挖掘、视觉识别、将图像转换为文本)的迭代神经网络和深度学习AI方法提供更快、更有效的替代模型。

Mitrokhin说：“基于神经网络的AI方法规模大、速度慢，因为它们不会被记住。“我们的超维理论方法可以创造记忆，这将需要更少的计算，应该会让这些任务更快、更有效。”

将高维计算与更好的运动感知相结合。

作者还指出，将机器人的感知与运动相结合所需的最重要的改进之一是更好的运动感知。用动态视觉传感器(DVS)代替传统摄像机来完成这一任务一直是检验其超维计算理论的一个关键组成部分。

大多数计算机视觉技术使用的图像质量由每英寸像素决定。每英寸像素很短，但不适合表达运动，因为运动是一个连续的实体。动态传感器(DVS)则不同。它不是通常意义上的“拍照”，而是捕捉动作，尤其是物体移动时的边缘。因此，DVS成像更适合“观察”运动的机器人。受哺乳动物视觉的启发，DVS能够适应从暗到亮的各种照明条件，并且能够以短的传输延迟(低延迟)解决非常快的运动。这些都是机器人实时应用的理想属性，例如自主导航。DVS积累的数据更适合高维计算理论的集成环境。

“这个传感器的数据，即事件云，比图像序列更稀疏，”Fermller说。“此外，事件云包含编码空间和运动的基本信息，在概念上是场景中的轮廓及其运动。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！