เหนือกว่า AI ในปัจจุบัน

แนวทางอัลกอริธึมใหม่ๆ จะจำลองการโต้ตอบของสมองมนุษย์กับโลกรอบตัว

ศักยภาพที่เกิดขึ้นใหม่ในปัญญาประดิษฐ์ซึ่งได้รับการขับเคลื่อนโดย Intel Labs มีความคล้ายคลึงกับการรับรู้ของมนุษย์มากกว่าตรรกะคอมพิวเตอร์แบบทั่วไป

การประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกคืออะไร
AI เจนเนอเรชั่นแรกนั้นเป็นแบบอิงตามกฎและจำลองตรรกะแบบดั้งเดิมในการสรุปความอย่างเป็นเหตุเป็นผลภายในขอบเขตปัญหาเฉพาะที่กำหนดไว้ในวงแคบ ซึ่งเหมาะสำหรับการติดตามกระบวนการและการเพิ่มประสิทธิภาพ AI เจนเนอเรชั่นที่สองซึ่งเป็นเจนเนอเรชั่นปัจจุบันนั้นให้ความสำคัญกับการตรวจจับและการรับรู้เป็นส่วนใหญ่ เช่น การใช้เครือข่ายการเรียนรู้เชิงลึกเพื่อวิเคราะห์เนื้อหาของเฟรมวิดีโอ

เจนเนอเรชั่นต่อไปที่กำลังจะมาถึงนั้นจะขยาย AI เข้าไปในส่วนที่เกี่ยวข้องกับการรับรู้ของมนุษย์ เช่น การตีความและการปรับตัวอัตโนมัติ ซึ่งมีความสำคัญในการก้าวข้าม “ความเปราะบาง” ของโซลูชัน AI ที่อิงตามการปลูกฝังและการอนุมานโครงข่ายประสาท ซึ่งพึ่งพามุมมองตามความเป็นจริงเชิงกำหนดของเหตุการณ์ที่ขาดความเข้าใจบริบทและสามัญสำนึก AI เจนเนอเรชั่นถัดไปต้องสามารถจัดการกับสถานการณ์รูปแบบใหม่และสร้างระบบนามธรรมเพื่อให้ดำเนินการกระทำทั่วไปของมนุษย์ได้โดยอัตโนมัติ

Intel Labs กำลังขับเคลื่อนการค้นคว้าวิจัยทางวิทยาการคอมพิวเตอร์ที่มีส่วนใน AI เจนเนอเรชั่นที่สามนี้ ส่วนสำคัญที่มุ่งเน้นประกอบด้วยการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิก ซึ่งให้ความสำคัญกับการจำลองโครงสร้างระบบประสาทและการทำงานของสมองมนุษย์ รวมถึงการประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติ ซึ่งสร้างแนวทางอัลกอริธึมที่จะจัดการกับความไม่แน่นอน ความกำกวม และความขัดแย้งในโลก

การมุ่งเน้นของการค้นคว้าวิจัยการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิก
ความท้าทายหลักๆ ในการค้นคว้าวิจัยการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกคือการจับคู่ความยืดหยุ่นของมนุษย์ และความสามารถในการเรียนรู้จากตัวกระตุ้นที่ไม่มีโครงสร้างด้วยสมรรถนะในการใช้พลังงานของสมองมนุษย์ ส่วนประกอบพื้นฐานของการประมวลผลภายในระบบการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกนั้นคล้ายคลึงกับเซลล์ประสาทในทางตรรกวิทยา โครงข่ายประสาทที่เพิ่มขึ้นอย่างรวดเร็วในทันที (SNN) เป็นโมเดลรูปแบบใหม่สำหรับจัดเรียงองค์ประกอบเหล่านั้นเพื่อจำลองโครงข่ายประสาทที่เป็นธรรมชาติซึ่งมีอยู่ในสมองชีวภาพ

“เซลล์ประสาท” แต่ละเซลล์ใน SNN สามารถสื่อหากันได้อย่างอิสระ และการทำเช่นนั้นจะเป็นการส่งสัญญาณคลื่นไปยังเซลล์ประสาทอื่นในโครงข่ายซึ่งจะเปลี่ยนแปลงสถานะทางไฟฟ้าของเซลล์ประสาทเหล่านั้น การเข้ารหัสข้อมูลไว้ในสัญญาณและจังหวะของตัวเองทำให้ SNN สามารถจำลองกระบวนการเรียนรู้ตามธรรมชาติได้โดยการตั้งโปรแกรมไซแนปส์ระหว่างเซลล์ประสาทสังเคราะห์ขึ้นใหม่เพื่อตอบสนองต่อตัวกระตุ้น

การผลิตรากฐานซิลิคอนสำหรับการประมวลผลที่ได้รับแรงบันดาลใจจากสมอง
เพื่อมอบระบบการทำงานสำหรับให้นักวิจัยนำ SNN ไปใช้ ทาง Intel Labs จึงได้ออกแบบ Loihi ซึ่งเป็นชิปทดสอบสำหรับการค้นคว้าวิจัยนิวโรมอร์ฟิกที่เรียนรู้ได้ด้วยตัวเองเจนเนอเรชั่นที่ห้าขึ้นมา และเปิดตัวในเดือนพฤศจิกายน 2017 การออกแบบที่มี 128 คอร์นี้อิงตามสถาปัตยกรรมพิเศษที่ได้รับการปรับแต่งมาสำหรับอัลกอริธึม SNN และผลิตขึ้นในเทคโนโลยีการประมวลผลขนาด 14nm Loihi สนับสนุนการทำงานของ SNN ที่ไม่จำเป็นต้องได้รับการปลูกฝังในโครงข่ายประสาทแบบคอนโวลูชันรูปแบบดั้งเดิม และโครงข่ายเหล่านี้จะมีความสามารถมากขึ้น (“ฉลาดขึ้น”) เมื่อเวลาผ่านไป

ชิป Loihi ประกอบด้วยเซลล์ประสาทประมาณ 130,000 เซลล์ ซึ่งแต่ละเซลล์สามารถสื่อสารกับเซลล์ประสาทอื่นๆ นับพันได้ นักพัฒนาสามารถเข้าถึงและควบคุมทรัพยากรบนชิปแบบโปรแกรมด้วยเอนจิ้นการเรียนรู้ที่ฝังอยู่ในคอร์จำนวน 128 คอร์แต่ละคอร์ เนื่องจากฮาร์ดแวร์นั้นได้รับการปรับแต่งเฉพาะสำหรับ SNN ฮาร์ดแวร์จึงสนับสนุนการเรียนรู้ที่เร็วขึ้นเป็นอย่างมากในสภาพแวดล้อมที่ไม่มีโครงสร้างสำหรับระบบที่ต้องการการทำงานอัตโนมัติและการเรียนรู้อย่างต่อเนื่อง พร้อมด้วยการใช้พลังงานต่ำที่สุด และประสิทธิภาพและความจุที่สูง

Intel Labs มุ่งมั่นที่จะทำให้ชุมชนการค้นคว้าวิจัยในวงกว้างได้เข้าถึงระบบทดสอบที่ใช้ Loihi เนื่องจากเทคโนโลยีนี้ยังอยู่ในระหว่างการค้นคว้าวิจัย (ซึ่งตรงข้ามกับการผลิต) จึงมีระบบทดสอบที่ใช้ Loihi ในจำนวนจำกัด เพื่อเพิ่มขยายให้เข้าถึงระบบนี้ได้มากขึ้น ทาง Intel Labs จึงได้พัฒนาแพลตฟอร์มระบบคลาวด์สำหรับให้ชุมชนการค้นคว้าวิจัยได้เข้าถึงโครงสร้างพื้นฐานที่ใช้ Loihi แบบปรับขนาดได้

ชิปการค้นคว้าวิจัยนิวโรมอร์ฟิกที่สามารถเรียนรู้ได้ด้วยตัวเองของ Intel Corporation ซึ่งมีชื่อรหัสว่า "Loihi" (โดย: Intel Corporation)

การขับเคลื่อนการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกให้เป็นความท้าทายข้ามสาขาวิชา
การประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกนั้นพัฒนาขึ้นที่การบรรจบกันของสาขาการวิจัยที่หลากหลาย ซึ่งรวมถึงประสาทวิทยาเชิงคำนวณ การเรียนรู้ของเครื่อง ไมโครอิเล็กทรอนิกส์ และสถาปัตยกรรมคอมพิวเตอร์ท่ามกลางสาขาวิชาอื่นๆ อีกหลายสาขา Intel Labs ได้จัดตั้ง ชุมชนการค้นคว้าวิจัยนิวโรมอร์ฟิก Intelซึ่งเป็นการค้นคว้าวิจัยร่วมกันที่จะนำหน่วยงานการศึกษา หน่วยงานรัฐ และหน่วยงานอุตสาหกรรมมาทำงานร่วมกันในสถาปัตยกรรม เครื่องมือ และแนวทางที่สอดคล้องกันซึ่งจะทำให้ได้ประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิกโดยรวม

ชุมชนนั้นทำงานเพื่อแยกหลักการของประสาทวิทยาและปรับใช้หลักการนั้นกับเทคโนโลยีการประมวลผลที่ใช้งานได้จริง ตัวอย่างเช่น การผลิตอัลกอริธึม SNN ล้ำหน้ายิ่งขึ้นเป็นส่วนมุ่งเน้นที่สำคัญ ซึ่งรวมถึงการพัฒนาโมเดลและเครื่องมือของการเขียนโปรแกรม โดยเฉพาะอย่างยิ่ง หลักการนี้ยังขับเคลื่อนการทดลองและการพัฒนาด้วยชิปการค้นคว้าวิจัย Loihi รวมถึงแอพพลิเคชั่นที่จะแก้ไขปัญหาในชีวิตจริงและกลไกสำหรับการต่อประสานระบบที่ใช้ SNN ด้วยข้อมูลภายนอกและระบบการประมวลผล

สมาชิกของชุมชนนี้ยอมรับแนวทางแบบเปิดร่วมกันที่ซึ่งพวกเขาจะแชร์ผลลัพธ์การค้นคว้าวิจัยของพวกเขา Intel Labs ได้ให้ความช่วยเหลือการค้นคว้าวิจัยบางรายการในชุมชนโดยการสนับสนุนเงินทุนและให้การเข้าถึงระบบการพัฒนา Loihi

การมุ่งเน้นของการค้นคว้าวิจัยการประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติ
ความไม่แน่นอนและสัญญาณรบกวนในระดับพื้นฐานที่ถูกปรับเข้าไปในข้อมูลธรรมชาติเป็นความท้าทายที่สำคัญสำหรับการพัฒนาของ AI อัลกอริธึมต้องมีความช่ำชองในงานไปตามข้อมูลธรรมชาติ ซึ่งมนุษย์บริหารจัดการได้โดยสัญชาตญาณแต่ระบบคอมพิวเตอร์ทำได้ยาก

การมีความสามารถในการทำความเข้าใจและคำนวณด้วยความไม่แน่นอนจะทำให้ได้การประยุกต์ใช้งานแบบอัจฉริยะในขอบเขต AI ที่หลากหลาย ตัวอย่างเช่น ในการถ่ายภาพทางการแพทย์ เมื่ออิงตามความไม่แน่นอนแล้ว การวัดสิ่งใดสิ่งหนึ่งอาจให้ความสำคัญว่ารูปภาพใดที่รังสีแพทย์จำเป็นต้องดูและแสดงบนขอบเขตภาพที่ไฮไลท์ด้วยความไม่แน่นอนที่ต่ำ ในกรณีของผู้ช่วยเหลืออัจฉริยะที่บ้าน ตัวแทนสามารถโต้ตอบกับผู้ใช้ได้โดยถามคำถามเพื่อความชัดเจนเพื่อให้เข้าใจคำขอได้ดีขึ้น เมื่อมีความไม่แน่นอนในการจดจำเจตนาที่สูง

ในขอบเขตของยานพาหนะอัตโนมัติ ระบบที่ควบคุมรถยนต์อัตโนมัติสามารถรับงานจำนวนมากที่เหมาะสมกับการประมวลผลแบบดั้งเดิมได้ เช่น การนำทางไปตามเส้นทาง GPS และการควบคุมความเร็ว สถานะ AI ในปัจจุบันนั้นทำให้ระบบสามารถจดจำและตอบสนองต่อสิ่งรอบข้างได้ เช่น หลีกเลี่ยงการชนกับคนเดินเท้าที่ไม่ได้คาดคิด

เพื่อพัฒนาความสามารถเหล่านั้นให้เข้าสู่ยุคแห่งการขับขี่อัตโนมัติ อัลกอริธึมต้องผสานประเภทของความเชี่ยวชาญที่มนุษย์พัฒนาไปเป็นผู้ขับขี่ที่มีประสบการณ์ เซ็นเซอร์ต่างๆ เช่น GPS, กล้อง, ฯลฯ แสดงให้เห็นความไม่แน่นอนในการประมาณการณ์ตำแหน่งที่ตั้ง และลูกบอลที่เด็กๆ กำลังเล่นกันในสนามใกล้ๆ อาจกลิ้งออกมาบนถนนและเด็กคนใดคนหนึ่งอาจไล่ตามลูกบอลมา ควรระวังผู้ขับขี่ที่ก้าวร้าวในเลนข้างๆ ในวงจรการรับรู้และการตอบสนองเหล่านี้ ทั้งข้อมูลเข้าและข้อมูลออกจะมีระดับของความไม่แน่นอนอยู่ การตัดสินใจในสถานการณ์ดังกล่าวนั้นขึ้นอยู่กับการรับรู้และการทำความเข้าใจสภาพแวดล้อมเพื่อคาดการณ์เหตุการณ์ในอนาคตในการตัดสินใจเลือกการกระทำที่ถูกต้อง งานการรับรู้และการทำความเข้าใจจำเป็นต้องตระหนักถึงความไม่แน่นอนที่มีอยู่ในงานดังกล่าว

การจัดการและการจำลองแบบความไม่แน่นอน
การประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติมักจะจัดการกับปัญหาเกี่ยวกับความไม่แน่นอน ซึ่งมีอยู่ในข้อมูลธรรมชาติ ความไม่แน่นอนมีบทบาทในระบบ AI อยู่สองทางหลักคือ

  • ความไม่แน่นอนในการรับรู้และการจดจำข้อมูลธรรมชาติ แหล่งที่มีส่วนนั้นรวมถึงอินพุตความไม่แน่นอนที่มาจากเซ็นเซอร์ของฮาร์ดแวร์และสภาพแวดล้อม และความไม่แน่นอนของแบบจำลองการจดจำ เนื่องจากความแตกต่างในข้อมูลการปลูกฝังและข้อมูลที่จดจำ
  • ความไม่แน่นอนในการทำความเข้าใจและการคาดการณ์เหตุการณ์ที่เปลี่ยนแปลงอยู่ตลอดเวลา การคาดการณ์การเคลื่อนไหวและเจตนาของมนุษย์เป็นตัวอย่างหนึ่งที่แสดงให้เห็นความไม่แน่นอน ตัวแทนที่พยายามคาดการณ์เหตุการณ์ที่เปลี่ยนแปลงอยู่ตลอดเวลาดังกล่าวจำเป็นต้องจำลองเจตนาของมนุษย์และทำความเข้าใจความไม่แน่นอนในแบบจำลองนั้น สามารถทำการสังเกตการณ์เพื่อลดความไม่แน่นอนสำหรับการคาดการณ์เจตนาและเป้าหมายลงได้อย่างต่อเนื่อง

ปัญหาหลักๆ ในส่วนนี้จะขึ้นอยู่การแสดงลักษณะและการบอกจำนวนความไม่แน่นอนอย่างมีประสิทธิภาพ โดยผสานความไม่แน่นอนเข้าไปในการประมวลผลและผลลัพธ์ และจัดเก็บแบบจำลองความไม่แน่นอนที่ทำการโต้ตอบเหล่านั้นไว้กับข้อมูลที่เกี่ยวข้อง

นัยยะหนึ่งของข้อเท็จจริงที่เอาต์พุตถูกแสดงออกมาเป็นความน่าจะเป็นแทนที่จะเป็นค่าเชิงกำหนดคือ ผลสรุปทั้งหมดยังไม่แน่นอนและเกี่ยวข้องกับระดับความมั่นใจที่กำหนด เพื่อเพิ่มขยายตัวอย่างการขับขี่อัตโนมัติข้างต้น ลูกบอลของเด็กๆ ที่หายไปจากมุมมองหรือพฤติกรรมที่ไม่แน่ไม่นอนของผู้ขับขี่ที่ก้าวร้าวอาจเพิ่มความมั่นใจว่าอันตรายที่อาจเกิดขึ้นดังกล่าวจะต้องการการตอบสนอง

นอกเหนือจากการใช้สัญชาตญาณและการคาดการณ์ใน AI แล้ว วิธีการความน่าจะเป็นยังสามารถถูกใช้เพื่อแจ้งระดับความโปร่งใสให้กับระบบการจดจำของ AI ที่มีอยู่ซึ่งมักจะทำงานเป็นกล่องดำ ตัวอย่างเช่น เอนจิ้นการเรียนรู้เชิงลึกในวันนี้ให้ผลลัพธ์ออกมาโดยที่ไม่มีการวัดความไม่แน่นอน วิธีการความน่าจะเป็นสามารถเป็นส่วนเสริมให้เอนจิ้นดังกล่าวให้การประมาณความไม่แน่นอนที่เป็นหลักการออกมาพร้อมกับผลลัพธ์ที่ทำให้แอพพลิเคชั่นตัดสินใจเรื่องความน่าเชื่อถือของการคาดการณ์ได้ การทำให้ความไม่แน่นอนปรากฏขึ้นจะช่วยสร้างความน่าเชื่อถือให้กับความมั่นใจในการตัดสินใจของระบบ AI

ในขณะที่กระบวนการเชิงกำหนดมีผลลัพธ์ที่คาดการณ์ได้และเกิดขึ้นซ้ำได้ กระบวนการแบบความน่าจะเป็นจะไม่มี เนื่องจากไม่สามารถทราบหรือวัดอิทธิพลแบบสุ่มได้ กระบวนการนี้ผสานเอาสัญญาณรบกวน ความไม่แน่นอน และความขัดแย้งของข้อมูลธรรมชาติเข้าไว้ด้วยกันเป็นแง่มุมที่สำคัญในการสร้างคอมพิวเตอร์ที่มีการทำความเข้าใจ การคาดการณ์ และการตัดสินใจในระดับมนุษย์ (หรือเหนือมนุษย์) งานนี้ต่อยอดมาจากการประยุกต์ใช้งานความไม่มีแบบแผนในการวิเคราะห์ข้อมูลก่อนหน้านี้ เช่น การใช้อัลกอริธึม Monte Carlo ในการจำลองแบบความไม่แน่นอน

การใช้ระบบนิเวศน์การประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติ
นอกเหนือจากความมุ่งหมายหลักที่จะจัดการกับข้อมูลที่ไม่สมบูรณ์และไม่แน่นอนแล้ว การประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติยังพึ่งพาความสำเร็จในการได้รับการผสานแบบองค์รวมเข้าไปในจักรวาลเทคโนโลยีการประมวลผลในวงกว้าง Intel Labs กำลังช่วยสร้างสะพานเชื่อมที่จำเป็นทั่วทั้งหน่วยงานในการศึกษาและอุตสาหกรรมผ่านทาง Intel Strategic Research Alliance สำหรับการประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติ

การริเริ่มการค้นคว้าวิจัยนี้ทุ่มเทให้กับการพัฒนาการประมวลผลคอมพิวเตอร์แบบความเป็นไปได้ทางสถิติจากห้องทดลองให้ออกมาเป็นจริง โดนการผสานความน่าจะเป็นและความไม่มีแบบแผนเข้าไปในส่วนประกอบพื้นฐานฮาร์ดแวร์และซอฟต์แวร์ เหล่าพันธมิตรที่มาร่วมกันและทำการค้นคว้าวิจัยในส่วนเหล่านี้ทำงานโดยมีจุดหมายสู่การกำหนดโครงสร้างศักยภาพสำหรับการรับรู้และการตัดสินใจเพื่อให้ได้ AI เจนเนอเรชั่นถัดไป

Loihi: โปรเซสเซอร์หลายคอร์แบบนิวโรมอร์ฟิกที่มีการเรียนรู้บนชิป

Loihi ผสานรวมคุณสมบัติใหม่ๆ อันหลากหลายสำหรับวงการนั้น ซึ่งรวมถึงกฎการเรียนรู้ไซแนปส์ที่ตั้งโปรแกรมได้

อ่านเอกสาร

ข่าวล่าสุด


สำรวจดูข่าวสารล่าสุดเกี่ยวกับ Intel และการประมวลผลคอมพิวเตอร์แบบนิวโรมอร์ฟิก

เข้าร่วม Intel Labs

นำความหลงใหลในเทคโนโลยีและการแก้ไขปัญหาของคุณมาที่ Intel Labs และช่วยสร้างสิ่งที่ไม่เคยเกิดขึ้นมาก่อน

สำรวจความเป็นไปได้

เพิ่มเติมจาก Intel Labs

เกี่ยวกับ Intel Labs

ทำงานร่วมกันและสนับสนุนนักวิจัยชั้นนำทั่วโลกเพื่อพัฒนานวัตกรรมครั้งต่อไปที่เปลี่ยนแปลงวิธีการคิด การเรียนรู้ และการปรับใช้ของเครื่องจักร

เรียนรู้เพิ่มเติม

คอมพิวเตอร์ควอนตัม

ค้นพบว่า Intel ช่วยขับเคลื่อนการพัฒนาควอนตัมโปรเซสเซอร์อย่างไร

เรียนรู้เพิ่มเติม

นวัตกรรมที่เกิดขึ้นใหม่

เทคโนโลยีที่กำลังเริ่มต้นกำลังขับเคลื่อนและสร้างอนาคตของคอมพิวเตอร์ สำรวจประเด็นสำคัญของนวัตกรรมต่างๆ ที่เป็นแนวหน้าของการปฏิวัติทางเทคนิคในอนาคต

เรียนรู้เพิ่มเติม