بازی آزاد

هوش مصنوعی دیپ مایند گوگل، تعامل با اشیاء فیزیکی را می آموزد

گوگل تاکنون گوشه ای از توانایی های هوش مصنوعی «دیپ مایند» از جمله ، ، و را به نمایش گذاشته. اما اکنون خالقین آن می خواهند تعامل با جهان واقعی را به این AI بیاموزند.

در مقاله ای جدید که در این رابطه منتشر شده، محققین نحوه آموزش AI برای یادگیری و شناخت اشیاء فیزیکی در محیطی مجازی را توضیح داده اند. برای این کار، آنها روشی را به کار گرفته اند که کودکان در مواجهه با جهان پیرامون خود استفاده می کنند.

البته پژوهشگران سطح این تعامل را تا حد زیادی پایین آوردند، و نهایتاً دیپ مایند توانسته با مفاهیمی همچون عدد و جرم آشنا گردد.

برای تست این پروژه، دو وضعیت مختلف در محیط واقعیت مجازی طراحی شده. در اولین حالت پنج بلوک وجود دارد که جرم آنها در هر بار اجرای آزمایش، تغییر می کند. هدف هوش مصنوعی، تعیین سنگین ترین بلوک است، اما هیچ اطلاعات و دستورالعملی در مورد نحوه تشخیص این موضوع برایش فراهم نشده.

هوش مصنوعی با هر بار تشخیص صحیح، بازخورد مثبت دریافت می کند و در صورت اشتباه، فیدبک منفی می گیرد. پس از چند باز آزمون و خطا، بالاخره AI تشخیص می دهد که تنها راه برای حصول نتیجه مطلوب، بررسی تمامی بلوک ها و تشخیص حسّی وزن آنهاست.

در آزمایش دوم، بلوک ها به یکدیگر متصل هستند و در واقع به شکل یک جسم مستقل به نظر می رسند. این قطعات روی هم چیده شده و هوش مصنوعی باید تعداد آنها را تشخیص دهد. همانند حالت قبل، دیپ مایند بر اثر آزمون و خطا متوجه می شود که چگونه آنها را تغییر داده، از هم جدا کرده و بشمارد.

این تحقیقات اگرچه در ظاهر بسیار ابتدایی به نظر می رسند، اما بنیان تعامل هوش مصنوعی با جهان واقعی و البته با انسان ها را تشکیل می دهند. همچنین نتایج چنین پژوهشی در علم رباتیک بسیار حائز اهمیت است، زیرا ربات های آینده می توانند درک بهتری از جهان طبیعی و نحوه جابجایی در آن پیدا کنند.

البته با دستیابی به این سطح از هوشمندی، دیگر نمی توان انتظار داشت که ترمیناتور فریب خورده و وارد حوضچه فولاد مذاب گردد.

The post appeared first on .

هوش مصنوعی دیپ مایند گوگل، تعامل با اشیاء فیزیکی را می آموزد

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

لب خوانی عملی دشوار و پیچیده است. نتایج به دست آمده از این تکنیک تفاوت های زیادی را بین افراد نشان می دهد، اما در مجموع می توان گفت شخص عادی با نگاه به چهره دیگران، می تواند از هر 10 واژه یکی را به درستی حدس بزند، و این موضوع در بین متخصصین لب خوانی کمی بالاتر است.

با این حال، اگر با به کار گیری روش های هوش مصنوعی و یادگیری عمیق توانسته ایم تشخیص گفتار صوتی را به عملکردی در سطح انسان برسانیم، پس چرا از همین رویه برای لب خوانی بهره نگیریم؟

به تازگی محققین دانشگاه اکسفورد مقاله ای را منتشر کرده اند که به کار گیری روش یادگیری عمیق را در لب خوانی نشان می دهد، و نتایج آن نسبتاً امیدوارکننده است. این نرم افزار که LipNet نام دارد، در شرایط کنترل شده به دقت 93.4 درصدی در تشخیص لغات دست یافته، در حالی که متخصصین لب خوانی در شرایطی مشابه حداکثر 52.3 درصد واژه ها را به درستی شناسایی کردند.

نکته مهم در مورد این نرم افزار، عملکرد سریع و بلادرنگ آن است و با اینکه سیستم هنوز در مراحل اولیه قرار دارد، باز هم می تواند ویدیوی صامت را به صورت آنی به متن نوشتاری تبدیل نماید.

آموزش سیستم فوق با استفاده از مجموعه داده GRID صورت گرفته، که ده ها هزار ویدیوی کوتاه از 34 نفر داوطلب را در بر می گیرد. این افراد در کلیپ های 3 ثانیه ای، جملاتی با الگوی مشخص و کلمات محدود را بیان می کردند. به همین دلیل منتقدین پروژه فوق می گویند این پژوهش در جهان واقعی کاربرد نخواهد داشت.

البته محققین مورد بحث در دفاع از خود عنوان داشتند دلیل استفاده از GRID صرفاً به خاطر محدودیت داده های استاندارد کنونی بوده و در صورتی که مجموعه داده غنی تر و گسترده تری در اختیار داشته باشند، می توانند همین نتایج مثبت را به دست آورند.

گفتنیست افرادی که در مورد حریم شخصی و مشکلات امنیتی این تکنولوژی بدبین هستند نیز نگران نباشند. به گفته این پژوهشگران، لب خوانی دقیق به تصویربرداری مستقیم از چهره با وضعیتی ثابت و قابلیت مشاهده زبان وابسته است، بنابراین دوربین های شهری هیچگاه محتوایی با کیفیت را برای استفاده از این فناوری تولید نخواهند کرد.

The post appeared first on .

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

لب خوانی عملی دشوار و پیچیده است. نتایج به دست آمده از این تکنیک تفاوت های زیادی را بین افراد نشان می دهد، اما در مجموع می توان گفت شخص عادی با نگاه به چهره دیگران، می تواند از هر 10 واژه یکی را به درستی حدس بزند، و این موضوع در بین متخصصین لب خوانی کمی بالاتر است.

با این حال، اگر با به کار گیری روش های هوش مصنوعی و یادگیری عمیق توانسته ایم تشخیص گفتار صوتی را به عملکردی در سطح انسان برسانیم، پس چرا از همین رویه برای لب خوانی بهره نگیریم؟

به تازگی محققین دانشگاه اکسفورد مقاله ای را منتشر کرده اند که به کار گیری روش یادگیری عمیق را در لب خوانی نشان می دهد، و نتایج آن نسبتاً امیدوارکننده است. این نرم افزار که LipNet نام دارد، در شرایط کنترل شده به دقت 93.4 درصدی در تشخیص لغات دست یافته، در حالی که متخصصین لب خوانی در شرایطی مشابه حداکثر 52.3 درصد واژه ها را به درستی شناسایی کردند.

نکته مهم در مورد این نرم افزار، عملکرد سریع و بلادرنگ آن است و با اینکه سیستم هنوز در مراحل اولیه قرار دارد، باز هم می تواند ویدیوی صامت را به صورت آنی به متن نوشتاری تبدیل نماید.

آموزش سیستم فوق با استفاده از مجموعه داده GRID صورت گرفته، که ده ها هزار ویدیوی کوتاه از 34 نفر داوطلب را در بر می گیرد. این افراد در کلیپ های 3 ثانیه ای، جملاتی با الگوی مشخص و کلمات محدود را بیان می کردند. به همین دلیل منتقدین پروژه فوق می گویند این پژوهش در جهان واقعی کاربرد نخواهد داشت.

البته محققین مورد بحث در دفاع از خود عنوان داشتند دلیل استفاده از GRID صرفاً به خاطر محدودیت داده های استاندارد کنونی بوده و در صورتی که مجموعه داده غنی تر و گسترده تری در اختیار داشته باشند، می توانند همین نتایج مثبت را به دست آورند.

گفتنیست افرادی که در مورد حریم شخصی و مشکلات امنیتی این تکنولوژی بدبین هستند نیز نگران نباشند. به گفته این پژوهشگران، لب خوانی دقیق به تصویربرداری مستقیم از چهره با وضعیتی ثابت و قابلیت مشاهده زبان وابسته است، بنابراین دوربین های شهری هیچگاه محتوایی با کیفیت را برای استفاده از این فناوری تولید نخواهند کرد.

The post appeared first on .

هوش مصنوعی و یادگیری عمیق به کمک تکنیک لب خوانی می آیند

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

به نظر می رسد که فناوری هوش مصنوعی دیگر محدود به دنیای کامپیوترها نمی شود و از آن بعد خارج شده تا دنیای واقعی را کمی بهتر کند. از کاربردهای سرگرم کننده گرفته تا کاربردهای اجتماعی.

اما اخیرا محققین با هوش مصنوعی به سراغ موجودات دریایی رفته اند، به خصوص گاوهای دریایی که خطر انقراض آن ها را شدیدا تهدید می کند. اگرچه این جانوران اندام بسیار درشتی در قیاس با دیگر موجودات دریایی دارند اما زیر نظر گرفتن آن ها در اعماق دریا کار دشواری است.

پهپادهایی که در آسمان بالای اقیانوس پرواز می کنند تنها سطح اندکی را می توانند تصویربرداری کرده و نمایش دهند. حالا تصور کنید چشم انسان تا چه حد توانایی دارد که تشخیص شرایط دهد؟

اینجاست که پروژه نرم افزاری شبکه عصبی مصنوعی TensorFlow گوگل وارد می شود. با استفاده از این نرم افزار متن باز، آماندا هاجسون و تیم تحقیقاتی اش از دانشگاه مرداک موفق شدند پایشگری بسازند که گاوهای دریایی را در تصاویر گرفته شده توسط پهپادها پیدا کند.

همین هوش مصنوعی را برای پایش تعداد و مکان دیگر گونه های در حال انقراض نیز به کار برد.

The post appeared first on .

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

به نظر می رسد که فناوری هوش مصنوعی دیگر محدود به دنیای کامپیوترها نمی شود و از آن بعد خارج شده تا دنیای واقعی را کمی بهتر کند. از کاربردهای سرگرم کننده گرفته تا کاربردهای اجتماعی.

اما اخیرا محققین با هوش مصنوعی به سراغ موجودات دریایی رفته اند، به خصوص گاوهای دریایی که خطر انقراض آن ها را شدیدا تهدید می کند. اگرچه این جانوران اندام بسیار درشتی در قیاس با دیگر موجودات دریایی دارند اما زیر نظر گرفتن آن ها در اعماق دریا کار دشواری است.

پهپادهایی که در آسمان بالای اقیانوس پرواز می کنند تنها سطح اندکی را می توانند تصویربرداری کرده و نمایش دهند. حالا تصور کنید چشم انسان تا چه حد توانایی دارد که تشخیص شرایط دهد؟

اینجاست که پروژه نرم افزاری شبکه عصبی مصنوعی TensorFlow گوگل وارد می شود. با استفاده از این نرم افزار متن باز، آماندا هاجسون و تیم تحقیقاتی اش از دانشگاه مرداک موفق شدند پایشگری بسازند که گاوهای دریایی را در تصاویر گرفته شده توسط پهپادها پیدا کند.

همین هوش مصنوعی را برای پایش تعداد و مکان دیگر گونه های در حال انقراض نیز به کار برد.

The post appeared first on .

هوش مصنوعی چگونه گاوهای دریایی را نجات می دهد؟

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند

محققین پروژه یادگیری عمیق Google Brain قابلیت بسیار خارق العاده و البته خطرناکی را به هوش مصنوعی آموخته اند: رمزنگاری مبتنی بر AI و بدون دخالت انسان. پژوهشگران این مرکز تحقیقاتی به سه شبکه عصبی مصنوعی با نام های Alice و Bob و Eve اجازه دادند یادداشت هایی را با روش رمزنگاری ساخت خودشان، بین یکدیگر رد و بدل نمایند.

طبق گزارش New Scientist تیم مورد بحث برای هرکدام از AIها وظیفه ای را تعیین کردند: آلیس باید پیامی رمزی را ارسال می کرد که فقط باب قادر به خواندن آن بود، و Eve در این میان باید تلاش می کرد تا متن را رمزگشایی کند.

آزمایش با پیامی متنی و ساده شروع شد، که آلیس آن را به عبارات نامفهومی تبدیل کرد، و باب توانست آن را با استفاده از کلید مربوطه رمزگشایی کند. در آغاز، آلیس و باب در پنهان کردن پیام با مشکل مواجه بودند، اما پس از 15 هزار مرتبه تلاش، بالاخره توانستند راهکار رمزنگاری ویژه ای را بیابند.

در این حالت، آلیس از روش مخصوصی بهره گرفت و باب نیز به راحتی توانست نحوه رمزگشایی آن را متوجه شود، اما Eve از این فرایند کاملاً بی خبر ماند و فقط توانست نیمی از 16 بیت داده را به درستی حدس بزند، که به نظر می رسد آن هم کاملاً تصادفی بوده.

البته با توجه به اینکه سه هویت هوش مصنوعی مورد استفاده در این پروژه به صورت انسانی مورد خطاب قرار گرفته اند، شاید تصور کنید با عملیات ساده ای روبرو هستیم، اما در واقع حتی محققین نیز نمی دانند چه روش رمزنگاری توسط آلیس استفاده شده، و باب چگونه از نحوه رمزگشایی آن اطلاع یافته.

گفتنی است هنوز کاربرد عملی این آزمایش مشخص نیست، اما به هر حال باید کمی نگران بود، و با توجه به توسعه ابزارهای یادگیری عمیق اُپن-سورس همچون «جعبه ابزار شناختی» مایکروسافت، بعید نیست که AI ها در سرتاسر جهان با یکدیگر متحد شوند و ما هیچ روشی برای آگاهی از گفتگوی سرّی مابین آنها در اختیار نداشته باشیم.

The post appeared first on .

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند

محققین پروژه یادگیری عمیق Google Brain قابلیت بسیار خارق العاده و البته خطرناکی را به هوش مصنوعی آموخته اند: رمزنگاری مبتنی بر AI و بدون دخالت انسان. پژوهشگران این مرکز تحقیقاتی به سه شبکه عصبی مصنوعی با نام های Alice و Bob و Eve اجازه دادند یادداشت هایی را با روش رمزنگاری ساخت خودشان، بین یکدیگر رد و بدل نمایند.

طبق گزارش New Scientist تیم مورد بحث برای هرکدام از AIها وظیفه ای را تعیین کردند: آلیس باید پیامی رمزی را ارسال می کرد که فقط باب قادر به خواندن آن بود، و Eve در این میان باید تلاش می کرد تا متن را رمزگشایی کند.

آزمایش با پیامی متنی و ساده شروع شد، که آلیس آن را به عبارات نامفهومی تبدیل کرد، و باب توانست آن را با استفاده از کلید مربوطه رمزگشایی کند. در آغاز، آلیس و باب در پنهان کردن پیام با مشکل مواجه بودند، اما پس از 15 هزار مرتبه تلاش، بالاخره توانستند راهکار رمزنگاری ویژه ای را بیابند.

در این حالت، آلیس از روش مخصوصی بهره گرفت و باب نیز به راحتی توانست نحوه رمزگشایی آن را متوجه شود، اما Eve از این فرایند کاملاً بی خبر ماند و فقط توانست نیمی از 16 بیت داده را به درستی حدس بزند، که به نظر می رسد آن هم کاملاً تصادفی بوده.

البته با توجه به اینکه سه هویت هوش مصنوعی مورد استفاده در این پروژه به صورت انسانی مورد خطاب قرار گرفته اند، شاید تصور کنید با عملیات ساده ای روبرو هستیم، اما در واقع حتی محققین نیز نمی دانند چه روش رمزنگاری توسط آلیس استفاده شده، و باب چگونه از نحوه رمزگشایی آن اطلاع یافته.

گفتنی است هنوز کاربرد عملی این آزمایش مشخص نیست، اما به هر حال باید کمی نگران بود، و با توجه به توسعه ابزارهای یادگیری عمیق اُپن-سورس همچون «جعبه ابزار شناختی» مایکروسافت، بعید نیست که AI ها در سرتاسر جهان با یکدیگر متحد شوند و ما هیچ روشی برای آگاهی از گفتگوی سرّی مابین آنها در اختیار نداشته باشیم.

The post appeared first on .

هوش مصنوعی گوگل به دور از چشم انسان پیام های رمزی رد و بدل می کند