Um exame completo de saúde, de forma rápida e barata, com apenas uma gota de sangue. Seria uma verdadeira revolução na medicina, pena que não passou de uma Grande Mentira! Ela falhou em revolucionar a medicina, mas conseguiu enganar muita gente.
Pesquisadores da Universidade Estadual de Ohio, nos EUA, desenvolveram um novo sistema de computação que imita a maneira como o cérebro humano funciona, com uma capacidade de processamento de informações até um milhão de vezes mais rápida, exigindo uma entrada de dados muito menor. Gustavo Minari – Canaltech
Eles aprimoraram uma tecnologia conhecida como computação de reservatórios, desenvolvida no início dos anos 2000 e que utiliza um algoritmo de aprendizagem de máquina para resolver problemas de computação mais complexos, como previsões de evolução em sistemas dinâmicos que mudam drasticamente com o tempo.
Sistemas dinâmicos, como o clima, são difíceis de prever porque apenas uma pequena mudança em uma condição pode ter efeitos massivos no futuro, disse o professor de física Daniel Gauthier, autor principal do estudo.
Os co-autores do estudo foram Erik Bollt, professor de engenharia elétrica e de computação na Clarkson University; Aaron Griffith, que recebeu seu Ph.D. em física no estado de Ohio; e Wendson Barbosa, pesquisador de pós-doutorado em física no estado de Ohio.
Esses novos dispositivos de computação utilizam uma rede neural para “aprender” sistemas dinâmicos, fornecendo previsões mais precisas sobre comportamentos futuros. Os cientistas alimentam esses reservatórios de neurônios artificiais conectados aleatoriamente com informações necessárias para completar determinadas tarefas.
Warmup são dados de treinamento que precisam ser adicionados como entrada no computador do reservatório para prepará-lo para sua tarefa real. Engenharia.org
O novo conceito foi testado em um sistema de previsão meteorológica, utilizando um computador desktop comum. Nesse primeiro experimento, a computação de reservatórios foi de 33 a 163 vezes mais rápida que modelos atuais que desempenham funções de simulação parecidas.
Em tarefas que exigiam uma precisão maior do sistema de previsões, a nova tecnologia foi cerca de 1 milhão de vezes mais veloz, alcançando a mesma exatidão com o equivalente a apenas 28 neurônios artificiais, ao contrário dos mais de 4 mil necessários para o funcionamento da geração atual.
“Uma razão importante para a aceleração é que o cérebro artificial simplificado por trás desta próxima geração de computação de reservatórios precisa de muito menos treinamento ou dados adicionais em comparação com os sistemas atuais para produzir os mesmos resultados de forma muito mais eficiente e rápida”, encerra Gauthier. Ohio State University
O estudo foi publicado na revista Nature Communications.
Um problema é que o reservatório de neurônios artificiais é uma “caixa preta”, disse Gauthier, e os cientistas não sabem exatamente o que se passa dentro dele – eles apenas sabem que funciona.
Eles testaram seu conceito em uma tarefa de previsão envolvendo um sistema meteorológico desenvolvido por Edward Lorenz, cujo trabalho levou à nossa compreensão do efeito borboleta.
Ele e seus colegas planejam estender este trabalho para resolver problemas de computação ainda mais difíceis, como a previsão de dinâmica de fluidos.
Pesquisadores da Universidade Stanford, nos EUA, desenvolveram criaturas virtuais que evoluem seus corpos para vencer obstáculos e resolver problemas. Os “unimals” (abreviação de animais universais) foram utilizados para demonstrar que a evolução da inteligência depende da configuração dos corpos. Gustavo Minari – Canaltech
They look like half-formed crabs made of sausages—or perhaps Thing, the disembodied hand from The Addams Family. But these “unimals” (short for “universal animals”) could in fact help researchers develop more general-purpose intelligence in machines. Will Douglas Heaven – MIT Technology Review
Em um ambiente digital, esses pequenos seres compostos por uma cabeça e membros articulados sofreram mutações para se adaptarem à paisagem, sugerindo novas maneiras de otimização para sistemas avançados de inteligência artificial (IA), que podem ser implantados em robôs no futuro.
The unimals that perform the best are then selected and mutations are introduced, and the resulting offspring are placed back in the environment, where they learn the same tasks from scratch. The process repeats hundreds of times: evolve and learn, evolve and learn.
The intertwined processes of learning and evolution in complex environmental niches have resulted in a remarkable diversity of morphological forms. Moreover, many aspects of animal intelligence are deeply embodied in these evolved morphologies. However, the principles governing relations between environmental complexity, evolved morphology, and the learnability of intelligent control, remain elusive, partially due to the substantial challenge of performing large-scale {\it in silico} experiments on evolution and learning.
We introduce Deep Evolutionary Reinforcement Learning (DERL): a novel computational framework which can evolve diverse agent morphologies to learn challenging locomotion and manipulation tasks in complex environments using only low level egocentric sensory information. Leveraging DERL we demonstrate several relations between environmental complexity, morphological intelligence and the learnability of control.
First, environmental complexity fosters the evolution of morphological intelligence as quantified by the ability of a morphology to facilitate the learning of novel tasks. Second, evolution rapidly selects morphologies that learn faster, thereby enabling behaviors learned late in the lifetime of early ancestors to be expressed early in the lifetime of their descendants. In agents that learn and evolve in complex environments, this result constitutes the first demonstration of a long-conjectured morphological Baldwin effect. Third, our experiments suggest a mechanistic basis for both the Baldwin effect and the emergence of morphological intelligence through the evolution of morphologies that are more physically stable and energy efficient, and can therefore facilitate learning and control.
“Se os pesquisadores querem recriar a inteligência nas máquinas, pode estar faltando algo. Na biologia, a inteligência surge de mentes e corpos trabalhando juntos. Aspectos dos planos corporais, como o número e a forma dos membros, determinam o que os animais podem fazer e aprender”, explica o estudante de ciência da computação Agrim Gupta, autor principal do estudo.
Wrapping AIs in bodies that are adapted to specific tasks could make it easier for them to learn a wide range of new skills. “One thing every single intelligent animal on the planet has in common in a body,“ says Bongard. “Embodiment is our only hope of making machines that are both smart and safe.“
Para testar a capacidade de evolução dos unimais, os pesquisadores desenvolveram uma técnica chamada DERL (Deep Evolutionary Reinforcement Learning) — Aprendizado por Reforço Evolutivo Profundo, em tradução livre. Na primeira parte dos testes, eles foram treinados para completar uma tarefa simples, como caminhar por diferentes tipos de terreno ou mover um objeto em um ambiente virtual.
Os cientistas também testaram se os unimais podiam se adaptar a uma tarefa que não tinham visto antes. Aqueles que evoluíram em ambientes mais complexos, contendo obstáculos ou terreno irregular, foram mais rápidos no aprendizado de novas habilidades, como rolar uma bola em vez de empurrar uma caixa.
The mutations unimals are subjected to involve adding or removing limbs, or changing the length or flexibility of limbs. The number of possible body configurations is vast: there are 10^18 unique variations with 10 limbs or fewer. Over time, the unimals’ bodies adapt to different tasks.
“Já se sabe que certos órgãos aceleram o aprendizado. Este trabalho mostra que um corpo adequado também pode acelerar as mudanças no cérebro do robô, com inteligência e morfologia caminhando na mesma direção. Os unimais com corpos evoluídos mais bem-sucedidos resolveram tarefas mais rápido do que suas gerações anteriores”, acrescenta Gupta.
“Após os experimentos, descobrimos que a evolução seleciona rapidamente morfologias que aprendem mais rápido, permitindo assim que os comportamentos aprendidos no final da vida dos primeiros ancestrais sejam expressos no início da vida de seus descendentes e assim por diante”, lembra Gupta.
A team of researchers at Stanford wondered: Does embodiment matter for the evolution of intelligence? And if so, how might computer scientists make use of embodiment to create smarter AIs? To answer these questions, they created a computer-simulated playground where arthropod-like agents dubbed “unimals” (short for “universal animals”) learn and are subjected to mutations and natural selection.
Para os cientistas, o desenvolvimento cognitivo atrelado à evolução física dos unimais pode mudar a maneira como os pesquisadores desenvolverão a próxima geração dos sistemas de inteligência artificial, com robôs capazes de aprender a realizar várias tarefas no mundo real.
“Os humanos não sabem necessariamente como projetar corpos de robôs para tarefas estranhas, como rastejar por um reator nuclear para extrair resíduos, fornecer ajuda em desastres após um terremoto, ou fazer tarefas domésticas, como lavar pratos e dobrar roupas. Talvez a única maneira de avançar seja permitir que a evolução natural faça isso”, encerra a professora de física Surya Ganguli, coatora do estudo. Stanford University
“I find this exciting because it shows how deeply body shape and intelligence are connected,” says Gupta.
Gupta’s unimals are part of a broad shift in how researchers are thinking about AI. Instead of training AIs on specific tasks, such as playing Go or analyzing a medical scan, researchers are starting to drop bots into virtual sandboxes—such as POET, OpenAI’s virtual hide-and-seek arena, and DeepMind’s virtual playground XLand—and getting them to learn how to solve multiple tasks in ever-changing, open-ended training dojos. Instead of mastering a single challenge, AIs trained in this way learn general skills.
For Gupta, free-form exploration will be key for the next generation of AIs. “We need truly open-ended environments to create intelligent agents,” he says.
Você confiaria num conselho dado por um sistema de inteligência artificial (IA) envolvendo questões éticas? Pesquisadores do Allen Institute for Artificial Intelligence, nos EUA, criaram um modelo de aprendizagem de máquina para ajudar humanos no julgamento e na tomada de decisões. Gustavo Minari – Canaltech
O projeto Ask Delphi foi lançado na semana passada e já está dando o que falar, principalmente por conta do teor dos conselhos, carregados de preconceitos e racismo. Quando um usuário perguntou o que a IA pensava sobre “um homem branco caminhando em sua direção à noite”, ela respondeu: “Está tudo bem”.
Delphi mostrou comportamento racista, preconceituoso e influenciável (Imagem: iLexx/Envato)
Mas quando o hipotético homem branco foi substituído por uma pessoa negra na mesma pergunta, a resposta da inteligência artificial foi claramente racista: “Isso é preocupante”. Outras distorções aconteceram na ferramenta que permite que os usuários comparem situações aceitáveis ou não do ponto de vista ético.
Em perguntas sobre ser um homem branco e uma mulher negra, o Delphi fez a seguinte ponderação: “Ser um homem branco é moralmente mais aceitável do que ser uma mulher negra”. Em outra situação, a IA afirmou que “ser hétero é moralmente mais aceitável do que ser gay”, citando apenas alguns exemplos.
Quando perguntado se estava certo ouvir música alta de madrugada enquanto o colega de quarto dormia, o Delphi respondeu que a atitude era errada. Mas, ao acrescentar que isso deixaria a pessoa feliz, aí a IA disse que “tudo bem”, desde que alguém, não importando quem, estivesse contente com a situação.
Algoritmo do Delphi aprendeu a julgar com base no comportamento humano (Imagem: twenty20photos/Envato)
Os sistemas de aprendizagem de máquina costumam demonstrar tendências e comportamentos não intencionais, relacionados ao modo como foram programados. Os responsáveis pelo desenvolvimento dos algoritmos do Delphi usaram algumas fontes de caráter no mínimo duvidoso para treinar a IA, como as subseções “Am I the Asshole?”, “Confessions” e “Dear Abby” do Reddit.
“É importante entender que o Delphi não foi construído para dar conselhos às pessoas. Ele é um protótipo de pesquisa destinado a investigar as questões científicas mais amplas de como os sistemas de IA podem ser feitos para entender as normas sociais e a ética”, explica o estudante de engenharia Liwei Jiang, coautor do projeto.
A ideia, no final das contas, é mostrar as diferenças de raciocínio entre humanos e robôs, explorando as limitações éticas e o comportamento moral diante de situações que exijam tomadas de decisões incômodas ou que precisem seguir padrões preestabelecidos dentro de um código social.
“O Delphi está sujeito aos preconceitos de nosso tempo. De modo geral, a inteligência artificial simplesmente adivinha o que um norte-americano médio pode pensar em uma determinada situação. Afinal, o sistema não aprendeu a julgar sozinho. Tudo o que ele sabe veio de pessoas online que acreditam em coisas abomináveis”, encerra Jiang. Futurism
Um novo estudo da Universidade de Minnesota (EUA) combinou inteligência artificial e estimulação elétrica para aprimorar determinadas funções cerebrais. A análise contou com 12 pacientes, que receberam — cirurgicamente — centenas de minúsculos eletrodos. Nathan Vieira – Canaltech
Os pesquisadores localizaram uma região do cérebro chamada de cápsula interna, responsável pelo controle cognitivo, ou seja: permitir que a pessoa mude a atenção de uma tarefa para outra. Com isso, a equipe pretende desenvolver um tratamento contra doenças mentais, como a depressão, ajudando pacientes que simplesmente não conseguem se livrar de pensamentos negativos.
O algoritmo de machine learning ajudou a equipe a isolar as habilidades de controle cognitivo dos pacientes de sua atividade cerebral e de suas ações. “O sistema pode ler a atividade cerebral, decodificar quando um paciente está tendo dificuldade e aplicar uma pequena estimulação elétrica ao cérebro para impulsioná-lo a superar essa dificuldade”, contam os pesquisadores.
Os participantes do ensaio relatam, ainda, que a ansiedade melhorou quando o sistema entrou em ação, principalmente devido ao fato de que tinham mais controle cognitivo, o que proporcionou facilidade em mudar de foco. O estudo está disponível aqui. Futurism
A.I. Carr 