Hunter
„Szuper-Turing”, az MI forradalma
Az amerikai Amherst-i Massachusetts Egyetem számítógép tudósa, Hava Siegelmann finanszírozást nyert a világ első "szuper-Turing" számítógépének kifejlesztéséhez. Az analóg visszacsatolt neurális hálózatokon alapuló eszköz olyan intelligenciaszintet fog megtestesíteni a mesterséges számítás területén, amire korábban még nem volt példa.
A ma is alkalmazott számítástechnika alapjait Alan Turing matematikus (képünkön) fektette le még az 1930-as években. Az alapokon nyugvó klasszikus számítógépek szekvenciálisan működnek és csak azokon az adott környezeteken belül működnek hatékonyan, amire programozva lettek. Intelligensnek tűnhetnek, ha előre meghatározzuk nekik, mire számíthatnak és hogyan reagáljanak ezekre a helyzetekre, taglalta Siegelmann, a neurális hálózatok szakértője, azonban nem képesek új információkat befogadni, vagy alkalmazni a probléma megoldási képességeik fejlesztésére, esetleg újabb alternatívák kidolgozására.
1948-ban Turing maga is felvázolt egy más típusú számítást, ami magát az életet utánozta volna, azonban élete tragikus fordulatot vett mielőtt koncepcióját, az általa „adaptív következtetésnek” nevezett megoldást alkalmazó géppé fejleszthette volna.
1993-ban az akkoriban a Rutgers Egyetemen dolgozó Siegelmann doktori disszertációjában bebizonyította, hogy lehetséges egy más típusú, a "számoló számítógép" modelltől teljesen eltérő, Turing életszerű intelligenciájára azonban nagyon is hasonlító számítás. Eredményeit a Science magazinban, majd később saját könyvében is közzé tette.
Most Siegelmann elhatározta, hogy valóra váltja Turing elképzeléseit. Kutatótársával, Jeremie Cabessa-val az általuk szuper-Turing számításnak nevezett módszer egy alkalmazkodó számítógépes rendszerbe ültetésén dolgoznak, ami tanul és fejlődik. A rendszer inputjait saját környezetéből nyeri, a klasszikus Turing típusú számítógépektől egészen eltérő módon. Munkájukról a Neural Computation szaklapban számolnak be részletesen.
"A modellt az agy ihlette" - magyarázta Siegelmann. "Ez az agy neurális hálózatainak és adaptív képességeinek matematikai szabályokba foglalása. Minden alkalommal, amikor egy szuper-Turing gép inputot kap, szó szerint egy más géppé válik. Erre nincs szükség egy PC esetében, azok kiválóan és gyorsan végzik el a számításokat, és mi pontosan ezt várjuk el egy számítógéptől. Ha azonban egy robotra van szükség, ami elkísér egy vak embert a boltba, akkor egy olyan eszközt szeretnénk, ami képes egy dinamikus környezetben is boldogulni. Ha tehát egy olyan gépet akarunk, ami sikeresen együtt tud működni egy emberrel, akkor annak tudnia kell alkalmazkodni az idioszinkretikus beszédhez, fel kell ismernie az arc mimikáját és lehetővé kell tenni a partnerek közötti együttműködést, hogy ugyanúgy fejlődjön, ahogy mi. Ez az, ami ezzel a modellel elérhető"
Siegelmann szuper-Turing modelljének minden lépése egy új Turing-géppel kezdődik, ami egyszer számol, majd alkalmazkodik. Ennek a természetes számsornak a méretét alef-nullával (ℵ0) fejezik ki, amit Georg Cantor vezetett be a megszámlálhatóan végtelen számosság jelölésére, ami a klasszikus Turing-gépek által lehetséges egy valós, folyamatos inputokat biztosító környezetben. Siegelmann szerint legutóbbi elemzésük azt mutatja, hogy a szuper-Turing számításnak 2ℵ0 lehetséges viselkedése van. "Ha a Turing gép 300 viselkedéssel rendelkezik, a szuper-Turing 2300 viselkedéssel, ami több, mint az észlelhető univerzum atomjainak a száma" - magyarázta.
Siegelmann állítása szerint a szuper-Turing gép nem csupán rugalmas és alkalmazkodó lesz, de gazdaságos is. Ha például egy vizuális problémával állítják szembe, akkor az emberi agyhoz hasonlóan fog cselekedni és a környezet kiugró jegyeire fog fókuszálni, sem mint arra használja energiáját, hogy vizuálisan végig nézze az egész környezetet, mint egy kamera tenné. Ez a gazdaságosság egy újabb jele a magas mesterséges intelligenciának.
"Ha egy Turing-gépre úgy tekintünk, mint egy sínpályán futó vonatra, egy szuper-Turing gép olyan, mint egy repülő. Hatalmas terheket képes megmozgatni, ugyanakkor végtelen irányba mozoghat és szükség szerint változtathatja célállomását. A szuper-Turing váz lehetővé teszi, hogy egy stimulus minden számítási lépésnél megváltoztassa a számítógépet és ezáltal sokkal inkább a folyamatosan alkalmazkodó és fejlődő agyra hasonlítson" - tette hozzá.
A ma is alkalmazott számítástechnika alapjait Alan Turing matematikus (képünkön) fektette le még az 1930-as években. Az alapokon nyugvó klasszikus számítógépek szekvenciálisan működnek és csak azokon az adott környezeteken belül működnek hatékonyan, amire programozva lettek. Intelligensnek tűnhetnek, ha előre meghatározzuk nekik, mire számíthatnak és hogyan reagáljanak ezekre a helyzetekre, taglalta Siegelmann, a neurális hálózatok szakértője, azonban nem képesek új információkat befogadni, vagy alkalmazni a probléma megoldási képességeik fejlesztésére, esetleg újabb alternatívák kidolgozására.1948-ban Turing maga is felvázolt egy más típusú számítást, ami magát az életet utánozta volna, azonban élete tragikus fordulatot vett mielőtt koncepcióját, az általa „adaptív következtetésnek” nevezett megoldást alkalmazó géppé fejleszthette volna.
1993-ban az akkoriban a Rutgers Egyetemen dolgozó Siegelmann doktori disszertációjában bebizonyította, hogy lehetséges egy más típusú, a "számoló számítógép" modelltől teljesen eltérő, Turing életszerű intelligenciájára azonban nagyon is hasonlító számítás. Eredményeit a Science magazinban, majd később saját könyvében is közzé tette.
Most Siegelmann elhatározta, hogy valóra váltja Turing elképzeléseit. Kutatótársával, Jeremie Cabessa-val az általuk szuper-Turing számításnak nevezett módszer egy alkalmazkodó számítógépes rendszerbe ültetésén dolgoznak, ami tanul és fejlődik. A rendszer inputjait saját környezetéből nyeri, a klasszikus Turing típusú számítógépektől egészen eltérő módon. Munkájukról a Neural Computation szaklapban számolnak be részletesen.
"A modellt az agy ihlette" - magyarázta Siegelmann. "Ez az agy neurális hálózatainak és adaptív képességeinek matematikai szabályokba foglalása. Minden alkalommal, amikor egy szuper-Turing gép inputot kap, szó szerint egy más géppé válik. Erre nincs szükség egy PC esetében, azok kiválóan és gyorsan végzik el a számításokat, és mi pontosan ezt várjuk el egy számítógéptől. Ha azonban egy robotra van szükség, ami elkísér egy vak embert a boltba, akkor egy olyan eszközt szeretnénk, ami képes egy dinamikus környezetben is boldogulni. Ha tehát egy olyan gépet akarunk, ami sikeresen együtt tud működni egy emberrel, akkor annak tudnia kell alkalmazkodni az idioszinkretikus beszédhez, fel kell ismernie az arc mimikáját és lehetővé kell tenni a partnerek közötti együttműködést, hogy ugyanúgy fejlődjön, ahogy mi. Ez az, ami ezzel a modellel elérhető"
Siegelmann szuper-Turing modelljének minden lépése egy új Turing-géppel kezdődik, ami egyszer számol, majd alkalmazkodik. Ennek a természetes számsornak a méretét alef-nullával (ℵ0) fejezik ki, amit Georg Cantor vezetett be a megszámlálhatóan végtelen számosság jelölésére, ami a klasszikus Turing-gépek által lehetséges egy valós, folyamatos inputokat biztosító környezetben. Siegelmann szerint legutóbbi elemzésük azt mutatja, hogy a szuper-Turing számításnak 2ℵ0 lehetséges viselkedése van. "Ha a Turing gép 300 viselkedéssel rendelkezik, a szuper-Turing 2300 viselkedéssel, ami több, mint az észlelhető univerzum atomjainak a száma" - magyarázta.
Siegelmann állítása szerint a szuper-Turing gép nem csupán rugalmas és alkalmazkodó lesz, de gazdaságos is. Ha például egy vizuális problémával állítják szembe, akkor az emberi agyhoz hasonlóan fog cselekedni és a környezet kiugró jegyeire fog fókuszálni, sem mint arra használja energiáját, hogy vizuálisan végig nézze az egész környezetet, mint egy kamera tenné. Ez a gazdaságosság egy újabb jele a magas mesterséges intelligenciának.
"Ha egy Turing-gépre úgy tekintünk, mint egy sínpályán futó vonatra, egy szuper-Turing gép olyan, mint egy repülő. Hatalmas terheket képes megmozgatni, ugyanakkor végtelen irányba mozoghat és szükség szerint változtathatja célállomását. A szuper-Turing váz lehetővé teszi, hogy egy stimulus minden számítási lépésnél megváltoztassa a számítógépet és ezáltal sokkal inkább a folyamatosan alkalmazkodó és fejlődő agyra hasonlítson" - tette hozzá.
[/spiler]
