Category Archives: AI – vještačka inteligencija

AI - vještačka inteligencija, Inovacije, Primjenjena fizika, Technology, Tehnika i tehnologija, Uncategorized

Fizički proces koji pokreće novu vrstu vještačke inteligencije

Leave a comment

Alati umjetne inteligencije – posebno neuronske mreže – bili su dobri za fizičare. Godinama je ova tehnologija pomagala istraživačima da rekonstruiraju putanje čestica u eksperimentima s akceleratorima, traže dokaze o novim česticama i otkrivaju gravitacijske valove i egzoplanete. Dok alati veštačke inteligencije očigledno mogu učiniti mnogo za fizičare, pitanje je sada, prema Maksu Tegmarku, fizičaru sa Tehnološkog instituta u Masačusetsu,: „Možemo li nešto da vratimo?“

Tegmark vjeruje da njegovi kolege fizičari mogu dati značajan doprinos nauci o umjetnoj inteligenciji, i to je učinio svojim glavnim istraživačkim prioritetom. Jedan od načina na koji bi fizičari mogli da pomognu u unapređenju AI tehnologije, rekao je, bio bi da zamijene algoritame “crne kutije” neuronskih mreža, čiji je rad uglavnom nedokučiv, dobro shvaćenim jednačinama fizičkih procesa.

Ideja nije potpuno nova. Generativni AI modeli zasnovani na difuziji – procesu koji, na primjer, uzrokuje da se mlijeko sipano u šoljicu kafe ravnomjerno raširi – prvi put su se pojavili 2015. godine, a kvalitet slika koje generiraju značajno se poboljšao od tada. Ta tehnologija pokreće popularni softver za proizvodnju slika kao što su DALL·E 2 i Midjourney. Sada, Tegmark i njegove kolege uče da li bi drugi generativni modeli nadahnuti fizikom mogli raditi jednako dobro kao modeli zasnovani na difuziji, ili čak i bolje.

Krajem prošle godine, Tegmarkov tim je predstavio obećavajuću novu metodu za proizvodnju slika nazvanu Poissonov generativni model toka (PFGM). U njemu su podaci predstavljeni nabijenim česticama, koje se u kombinaciji stvaraju električno polje čija svojstva zavise od raspodjele naboja u bilo kojem trenutku. Zove se Poissonov model toka jer kretanjem naelektrisanja upravlja Poissonova jednačina, koja proizlazi iz principa koji kaže da elektrostatička sila između dva naboja varira obrnuto s kvadratom udaljenosti između njih (slično formulaciji Newtonove gravitacije) .

Taj fizički proces je u srcu PFGM-a. “Naš model se može gotovo u potpunosti okarakterizirati snagom i smjerom električnog polja u svakoj tački u svemiru”, rekao je Yilun Xu , diplomirani student na MIT-u i koautor rada. “Ono što neuronska mreža nauči tokom procesa obuke je kako procijeniti to električno polje.” I na taj način može naučiti da stvara slike jer se slika u ovom modelu može sažeto opisati električnim poljem.

PFGM može kreirati slike istog kvaliteta kao one proizvedene pristupima zasnovanim na difuziji i to 10 do 20 puta brže. „Koristi fizičku konstrukciju, električno polje, na način koji nikada ranije nismo vidjeli“, rekao je Hananel Hazan , kompjuterski naučnik sa Univerziteta Tufts. “To otvara vrata mogućnosti da se drugi fizički fenomeni iskoriste za poboljšanje naših neuronskih mreža.”

Modeli difuzije i Poissonovog toka imaju mnogo toga zajedničkog, osim što su zasnovani na jednačinama uvezenim iz fizike. Tokom treninga, model difuzije dizajniran za generisanje slike obično počinje sa slikom — recimo psa — a zatim dodaje vizuelni šum, mijenjajući svaki piksel na nasumičan način sve dok njegove karakteristike ne postanu potpuno pokrivene (iako ne budu potpuno eliminirane). Model tada pokušava obrnuti proces i stvoriti psa koji je blizak originalu. Jednom obučen, model može uspješno kreirati pse – i druge slike – počevši od naizgled praznog platna.

Modeli Poissonovog toka rade na skoro isti način. Tokom treninga, postoji proces naprijed, koji uključuje postepeno dodavanje šuma jednom oštroj slici, i proces obrnutog u kojem model pokušava ukloniti taj šum, korak po korak, sve dok se početna verzija uglavnom ne obnovi. Kao i kod generisanja zasnovanog na difuziji, sistem na kraju nauči da pravi slike koje nikada nije video tokom treninga.

Ali fizika koja leži u osnovi Poissonovih modela je potpuno drugačija. Difuziju pokreću termodinamičke sile, dok Poissonov tok pokreću elektrostatičke sile. Potonji predstavlja detaljnu sliku koristeći raspored naelektrisanja koji može stvoriti vrlo komplicirano električno polje. To polje, međutim, uzrokuje da se naboji ravnomjernije rasporede tokom vremena – baš kao što se mlijeko prirodno raspršuje u šoljici kafe. Rezultat je da samo polje postaje jednostavnije i ujednačenije. Ali ovo uniformno polje prepuno buke nije potpuna prazna ploča; još uvijek sadrži sjeme informacija iz kojih se slike mogu lako sastaviti.

Početkom 2023. tim je nadogradio svoj Poissonov model, proširivši ga tako da obuhvati čitavu porodicu modela. Proširena verzija, PFGM++, uključuje novi parametar, D , koji omogućava istraživačima da prilagode dimenzionalnost sistema. Ovo može napraviti veliku razliku: u poznatom trodimenzionalnom prostoru, jačina električnog polja koje proizvodi naboj je obrnuto proporcionalna kvadratu udaljenosti od tog naboja. Ali u četiri dimenzije, jačina polja prati inverzni zakon kocke. A za svaku dimenziju prostora i svaku vrijednost D , taj odnos je nešto drugačiji.

Ta jedina inovacija dala je Poissonovim modelima toka daleko veću varijabilnost, pri čemu ekstremni slučajevi nude različite prednosti. Kada je D nizak, na primjer, model je robusniji, što znači da je tolerantniji na greške napravljene u procjeni električnog polja. “Model ne može savršeno predvidjeti električno polje,” rekao je Ziming Liu , još jedan diplomirani student na MIT-u i koautor oba rada. “Uvijek ima nekih odstupanja. Ali robusnost znači da čak i ako je vaša greška u procjeni velika, i dalje možete generirati dobre slike.” Dakle, možda nećete završiti sa psom svojih snova, ali ćete ipak završiti sa nečim što liči na psa.

S druge strane, kada je D visok, neuronska mreža postaje lakša za treniranje, zahtijevajući manje podataka za ovladavanje svojim umjetničkim vještinama. Tačan razlog nije lako objasniti, ali duguje se činjenici da kada ima više dimenzija, model ima manje električnih polja za praćenje — a time i manje podataka za asimilaciju.

Poboljšani model, PFGM++, “daje vam fleksibilnost da interpolirate između ta dva ekstrema,” rekla je Rose Yu , kompjuterski naučnik sa Univerziteta Kalifornije u San Dijegu.

I negdje unutar ovog raspona leži idealna vrijednost za D koja uspostavlja pravu ravnotežu između robusnosti i lakoće treninga, rekao je Xu. „Jedan od ciljeva budućeg rada biće pronalaženje sistematskog načina pronalaženja te slatke tačke, tako da možemo izabrati najbolji mogući D za datu situaciju bez pribegavanja pokušajima i greškama.”

Drugi cilj istraživača MIT-a uključuje pronalaženje više fizičkih procesa koji mogu pružiti osnovu za nove porodice generativnih modela. Kroz projekat pod nazivom GenPhys , tim je već identifikovao jednog obećavajućeg kandidata: potencijal Yukawa, koji se odnosi na slabu nuklearnu silu. “Razlikuje se od Poissonovog toka i modela difuzije, gdje je broj čestica uvijek očuvan,” rekao je Liu. “Yukawa potencijal vam omogućava da uništite čestice ili podijelite česticu na dva dijela. Takav model bi, na primjer, mogao simulirati biološke sisteme u kojima broj ćelija ne mora ostati isti.”

Ovo bi moglo biti plodonosno istraživanje, rekao je Yu. “To bi moglo dovesti do novih algoritama i novih generativnih modela s potencijalnim primjenama koje se protežu dalje od generiranja slika.”

Izvor: https://www.quantamagazine.org/new-physics-inspired-generative-ai-exceeds-expectations-20230919/

AI - vještačka inteligencija, Inovacije

Vještačka inteligencija (AI) će da promijeni svijet kakav znamo

Leave a comment

Nedavno je u funkciju pušten tzv. CHAT GPT za koji su svi vjerojatno već čuli. Preko te aplikacije možete da saznate odgovore na skoro sva vaša pitanja na način kao da ih neki ekspert odgovara iako odgovor piše kompjuterski program koji je treniran na milijarde podatala sa interneta i iz raznih izvora informacija. Bez da idem u tehničke detalje kako šta funkcionira, osvrnuti ću se na to zašto sam impresioniran ovim novitetom u svijetu informacionih tehnologija.

Prva stvar koju sam primjetio jest da skoro savršeno gramatički odgovora i to na našem jeziku što je čudno ako se uzme u obzir da naš jezik i nije baš puno zastupljen u svijetu. Druga stvar koja je primjetna jest da zadatke iz fizike rješava na zadovoljavajućoj osnovi uz detaljna objašnjenja rješenja. Treća primjetna stvar je svestranost odnosno da mu se može postaviti pitanje iz skoro svih oblasti koje postoje i također nevjerojatno brzo odgovara, puno brže nego što bi prosječna osoba stigla da progugla odgovor.

Nakon što je izašao chat gpt koji je funkcionirao na gpt 3 tehnologiji ubrzo je izašla i gpt 4 verzija koja je još naprednije i tačnija.

Osim što je openai.com stranica izbacila chat opciju u međuvremenu je i kompanija Microsoft na svoj bing pretraživač uključila chat opciju za koju su otkrili da radi preko gpt 4, a također je i Google izbacio svoju verziju BARD. Razne velike kompanije širom svijeta počele su da se takmiče u tome ko će bolju stvar da ponudi što je savršeno dobra stvar za dalji napredak ove tehnologije. Osim što je inače brže ovo steklo veliki broj korisnika i dalji razvoj je sve brži i brži.

Jedna od primjena je da za svaku sliku ovo može da dadne detaljan opis što je npr. korisno za slijepe osobe koje mogu slikati, a da im ova tehnologija opiše sve šta je oko njih.

Druga moguća primjena jest da će ljudi zahvaljujući ovoj tehnologiji možda uspjeti da komuniciraju sa nekima od životinja i da razumiju njihove znakove.

Iako je bezbroj mogućih primjena vještačke inteligencije od kojih su mnoge već u upotrebi, mnogi su ili u strahu ili izbjegavaju da i prodaju ovu stvar. I jedno i drugo može da se razumije, ali nesumnjivo je da će ovo promijeniti svijet kakav znamo i da je tehnologija korak bliže da bude pametna kao i ljudi ako ne i pametnija.

Za one koji žele isprobati ovaj chat, možete to uraditi preko:

chat.openai.com

bing.com

you.com

Revolucije se rijetko dešavaju, ali onda kada se dese u početku znaju da budu neprimjetne sve dok se sve ne promijeni. Sa CHAT GPT revolucija je počela, ali da je se primjeti treba imati volje i hrabrosti i imati otvoren um.

AI - vještačka inteligencija, Fizika "nemogućeg", fizika nemogućega, Fizika sistema, Inovacije, Medicina, Medicinska fizika, Ostale nauke, Primjenjena fizika, Psihologija, Sva Fizika, Tehnika i tehnologija, Zabava, Zanimljivost

Elon Musk je demonstrirao implantat mozga

Leave a comment

Elon Musk po prvi put je pokazao sučelje mozga i računara svoje kompanije Neuralink. U najavi od 28. avgusta, Neuralink je predstavio prototipove svog uređaja i pokazao svinje s uređajima ugrađenim u mozak.

Uređaj podsjeća na novčić s izuzetno tankim žicama koji dolaze s njegove jedne strane. Dizajniran je za implantaciju u lubanju, sa žicama ugrađenim nekoliko milimetara u površinu mozga. Te žice tada mogu otkriti kada neuroni pucaju, ili emitirati vlastite električne signale kako bi neuroni pucali. Musk je pokazao video neurona koji reagiraju na elektrode.

Na kraju se nada da će ovi mali uređaji moći i čitati i pisati neuronske signale, pomažući u medicinskim problemima koji potiču iz mozga i kičme, a možda čak i omogućujući ljudima da integrišu računare u svoj mozak u dalekoj budućnosti, rekao je Musk.

Neuralink tim je otkrio tri svinje kako bi demonstrirao uređaj: prva, nazvana Joyce, nije imala implantat, a druga, nazvana Gertrude, implantat koji je nadzirao neurone u njušci. Musk je prikazao ekran na kojem su se prikazivali živi signali s Gertrudinog uređaja Neuralink dok se vrtjela okolo u nekom sijenu, nastalom kada je njuškom dodirivala hranu ili zemlju.

Trećoj svinji, zvanoj Dorothy, ugrađen je implantat, a zatim uklonjen. “Ono što Dorothy ilustrira je da možete staviti u Neuralink, ukloniti ga i biti zdrav, sretan i nerazlučiv od normalne svinje”, rekao je Musk. To će biti važno za ljudske korisnike, rekao je, jer će možda htjeti da uklone ili nadograde svoje implante.

„Izazovni deo koji su povukli je to što životinja izgleda sa zadovoljstvom i hoda okolo i ponaša se normalno, a podaci se bežično prenose“, kaže Timir Datta-Chaudhuri sa Feinstein instituta za medicinska istraživanja u Njujorku. “Drugi ljudi koji su možda učinili nešto slično, obično imaju životinju na operativnom stolu pod anestezijom sa žicama koje dolaze iz njenog mozga.”

Iako je ovo impresivno, kaže Datta-Chaudhuri, to još uvijek nije sasvim dovoljno da se dokaže da su uređaji sigurni. Musk je rekao da se implantacija može izvršiti uz relativno malo krvarenja u mozgu. “Nekako mislite da ako nešto ubodete žicom sigurno će iskrvariti, ali zapravo u vrlo malim razmjerima neće”, rekao je.

Umanjili su potencijalnu štetu na mozgu, ali ta šteta ponekad nije lako uočljiva čak ni kod ljudi, a kamoli kod svinja “, kaže Datta-Chaudhuri. “Ne znate da li svinja sada ima ljagu ili se druge svinje zapravo ne druže s njom jer to djeluje čudno.”

Tokom najave, članovi Neuralink tima izrazili su svoje dugoročne nade za uređaj, počevši od vraćanja vida osobama s ozljedama oka i ograničavanjem bola, do snimanja sjećanja i telepatije.

Neki od ovih ciljeva su realniji od drugih, kaže Datta-Chaudhuri. Na primjer, Musk je govorio o zaobilaženju ozljeda kičme kako bi se vratio pokret paraliziranim osobama, što će, kako je rekao, biti u fokusu prvih kliničkih ispitivanja kompanije na ljudima, koja počinju uskoro. Uređaji slični Neuralinku to su postigli, pa nije neobično očekivati ​​da i Neuralink to učini.

S druge strane, za podvig poput čitanja sjećanja ili misli bilo bi potrebno detaljno razumijevanje mozga kojeg jednostavno još nemamo, s naprednom tehnologijom koja bi se mogla podudarati, kaže Datta-Chaudhuri.

“Osjećam da još puno toga moraju naučiti i bit će to teška bitka za njih”, kaže on. “Ali ova snježna kugla mogla bi se zakotrljati i pretvoriti u nešto veće, jednostavno zbog prednosti brenda i što je Elon Musk vezan za njega, taj društveni reflektor.”

Izvor: New Scientist

AI - vještačka inteligencija, Fizika "nemogućeg", fizika nemogućega, Fizika sistema, Inovacije, Primjenjena fizika, Sociofizika, Techno, Technology, Tehnika i tehnologija, Zanimljivost

Da li će korona virus ubrzati robotizaciju i automatizaciju?

Leave a comment

“Roboti polako mijenjaju sve više ljudi na njihovim radnim mjestima, a analitičari tvrde da pandemije ubrzava taj proces.

“Ljudi obično kažu da žele imati ljudski element u svojim interakcijama, ali je koronavirus to promijenio. On će nastaviti mijenjati preference potošača te zaista otvoriti nove prilike na automatizaciju”, izjavio je Martin Ford koji je ranije pisao o tome kako će roboti biti integrisani u ekonomiju u narednim desetljećima.

Velike i male kompanije koje se šire danas koriste robote kako bi se poštovalo društveno distanciranje i smanjio broj radnika koji fizički moraju biti prisutni na radnom mjestu. Roboti se koriste i za obavljanje poslova radnika koji svoj posao ne mogu raditi od kuće. Walmart, najveći lanac prodavnica u Americi, koristi robote za čišćenje podova. Roboti u Južnoj Koreji se koriste za mjerenje temperature pacijentima i raspodjelu sredstva za dezinfekciju ruku.

Dok eksperti upozoravaju da mjere društvenog distanciranja moraju biti na snazi i sljedeće godine, roboti bi mogli postati sve traženiji. Kompanije koje proizvode sredstva za čišćenje i dezinfekciju imaju sve više posla. UVD Robots, danska kompanija koja proizvodi robote za dezinfekciju UV svjetlošću, prodala je stotine robota bolnicama u Kini i Evropi.

Prodavnice i restorani koji nude hranu za ponijeti sve više koriste robote. Esperti kažu da će se roboti sve više upotrebljavati kako se budu pokretali zaustavljeni biznisi. Roboti bi mogli čistiti škole i urede.

Ipak, još uvijek ima ograničenja, jer automatske kase u prodanicama moraju biti nadzirane s obzirom da mnogi od tih sistema ne rade sasvim dobro ili se kvare, tako da ih kupci nerijetko izbjegavaju.

Industrija hrane je također pogodna za korištenje robota zbog zabrinutosti za zdravlje. Restorani brze hrane poput McDonald’sa već testiraju robote na funkciji huhara i posluge.

Skladišta poput Amazonovih i Walmartovih već imaju robote koji povećavaju efikasnost, a koronavirus bi mogao utjecati na njihovo povećanje kako bi radili na zadacima sortiranja, pakovanja i isporuke. To bi moglo pomoći radnicima koji se tranutno žale da na poslu ne mogu poštovati društveno distanciranje, ali bi s druge strane mogli ostati bez posla zbog robota. Jednom kada kompanija zamijeni radnika robotom, teško da će ga ponovo vratiti na posao. Istina je da je proizvodnja i integracija robota skupa, ali kad počnu raditi, obično su jeftiniji od ljudske radne snage.

Vještačka inteligencija se razvija kako bi zamijenila učitelje, fitness trenere i finansijske savjetnike. Facebook i Google se oslanjaju na vještačku inteligenciju kako bi se uklanjali neumjesni komentari, objavio je BBC.”

Izvor: KLIX

AI - vještačka inteligencija, Inovacije, Kompjutaciona fizika, Medicina, Medicinska fizika, Numeričke metode u fizici, Tehnika i tehnologija

Najbrži superračunar na Zemlji primjenjuje se protiv corona virusa

Leave a comment

Američko ministarstvo energetike objavilo je da će se superkompjuter Summit koristiti za pokušaj pronalaska lijeka za bolest Covid-19. Da pojasnimo: Naziv korona virusa koji uzrokuje Covid-19 je SARS-CoV-2.

Summit je mašina od 10 MW izgrađena sa 4.608 čvorova za obradu. Svaki čvor sadrži 2x Power9 CPU na 3.07GHz i šest Nvidia Volta V100 GPU-a. To je najbrži superračunalo na Zemlji, sa demonstriranim performansama od 148,6 petaFLOPS u Linpacku i vrhunskim performansama od preko 200 petaFLOPS.




Razlog zbog kojeg DOE prisvaja najbrže svjetske superračunalo za projekat je taj što je pokušaj pronalaženja metoda inhibiranja ili napada virusa računski prezahtjevan problem. IBM piše:

Kada pokušavaju razumjeti nove biološke spojeve, poput virusa, istraživači u mokrim laboratorijima razvijaju mikroorganizam i vide kako reagira u stvarnom životu na uvođenje novih spojeva, ali ovo može biti spor proces bez računala koji mogu izvoditi digitalne simulacije da suzi raspon potencijalnih varijabli, ali čak i tada postoje izazovi. Kompjuterske simulacije mogu ispitati kako različite varijable reagiraju s različitim virusima, ali kada se svaka od tih pojedinačnih varijabli može sastojati od milijuna ili čak milijardi jedinstvenih podataka i složenih s potrebom da se pokrene više simulacija, to može brzo postati kompjutaciono jako zahtjevno.

Zahvaljujući superkompjuteru, istraživači su u nekoliko dana pregledali 8000 spojeva i identificirali 77 potencijalno korisnih spojeva malih molekula koji pokazuju dokaze inhibiranja SARS-CoV-2.

Samit je bio potreban kako bismo brzo dobili rezultate simulacije koji su nam potrebni. Trebalo nam je dan ili dva, dok bi na normalnom računaru trebalo nekoliko mjeseci, “rekao je Jeremy Smith, predsjedavajući na Univerzitetu u Tennesseeju, direktor UT / ORNL Centra za molekularnu biofiziku i glavni istraživač u studiji. „Naši rezultati ne znače da smo pronašli lijek ili tretman za COVID-19. Mi se, međutim, nadamo da će naši računski nalazi istovremeno obaviti buduće studije i pružiti okvir koji će eksperimentalisti koristiti za daljnje istraživanje ovih spojeva. “




Ako ste pročitali da je Covid-19 u nekim aspektima sličan SARS-u, rana istraga virusa dovela je do tog zaključka. SARS i koronavirus dijele neke uobičajene strategije infekcije, što je dovelo do neke nade da se može pronaći inhibitorni agens. Koristeći Summit, Micholas Smith (nije pogreška pri tisku) testirao je kako se jedinjenja vezuju za „špic“ proteina S kako bi otkrili što može umanjiti šansu za uspešnu infekciju.

Otkad je obavljen prvi rad, pušten je tačniji model S-proteina kod koronavirusa. Tim koji koristi Summit planira ponovo pokrenuti svoju početnu analizu korištenjem detaljnijeg modela, koji može neke spojeve skinuti s liste ili tretirati na vrh.

Naučnici su naglasili da se svi njihovi radovi moraju testirati eksperimentalno, ali sad smo vidjeli neke dokaze da računari mogu biti korisni za ovakve proračune. Iako je veoma rano, naučnici su počeli da otkrivaju nove tretmane lijekovima pomoću mašinskog učenja.

Broj koronavirusa u svijetu raste ubrzano otkako je virus pobjegao iz Kine. Najbolji dan za virus od početka praćenja bio je 19. 2. kada je zabilježeno 516 novih slučajeva. Do 28. februara imali smo do 1.503 nova slučaja. 10. marta zabilježeno je 4.390 novih slučajeva koronavirusa. Broj osoba zaraženih Covid-19 na dan porastao je za 2,92 puta u samo 11 dana. To je puno manje loše od apokaliptičnih scenarija koji se obično predviđaju u filmovima o medicinskim katastrofama, ali to je ipak visoka stopa rasta. Ako se nastavi, gledaćemo 12.822 novih slučajeva dnevno do 22. marta i 37.441 novi slučajeva dnevno do 2. aprila.

Dobra vijest je, međutim, da se ukupni broj teških / ozbiljnih slučajeva i dalje smanjuje u apsolutnom iznosu. Prema Worldometers.info, za koji se čini da održava ažurirano svakodnevno praćenje, ukupan broj teških / ozbiljnih slučajeva smanjio se sa 11.553 22. februara na 5.771 10. marta, između ostalog je samo jedan dan od ozbiljnih slučajeva označeno je prema gore i to je bio mali skok, sa 6.272 na 6.401. Brojka je nastavila da opada.




Na pitanje hoće li Covid-19 imati značajan utjecaj na svjetsku ekonomiju već je odgovoreno: da. Otkazane su brojne glavne konferencije, što je lokalnim zajednicama oduzelo prihod. Aviokompanije izvještavaju o visokim padovima letenja uporedivim sa hitom koji su izveli nakon 11. rujna. Budući da su kineske tvornice zatvorene tjednima, cijela talijanska zemlja pod karantenom, a deseci milijuna ljudi koji sada praktikuju socijalno distanciranje (dobrovoljno ili na neki drugi način), pitanje hoćemo li osjetiti utjecaj u Sjedinjenim Državama je jasno: Da. Možda će trebati vremena da se stigne – ekonomski utjecaj događaja na udaljenim obalama može putovati različitim brzinama – ali usporavanja i otkazivanja već pogađaju kompanije.

Znači li to da trebate potrošiti i kupiti dvije tone proizvoda od papira za jednokratnu upotrebu? Ne. Ali to znači da će, na jedan ili drugi način, Covid-19 utjecati na naše živote.




Naftni rat koji je započeo između Rusije i Saudijske Arabije ove sedmice odličan je primjer kako SARS-CoV-2 može potaknuti globalnu recesiju, čak i ako se ispostavi da je medicinski rizik manji nego što se mislilo. Budući da Rusi i Saudijci doprinose da se vidi tko može naplaćivati ​​manje nafte, američka proizvodnja nafte iz škriljaca možda će morati prestati ako cijene padnu predaleko. To bi imalo vlastiti utjecaj i na američku ekonomiju.

Još niko ne zna kuda se ovaj voz kreće, ali svi smo zajedno u njemu.

Izvor: Extreme Tech

AI - vještačka inteligencija, fenomeni u fizici, Fizika "nemogućeg", fizika nemogućega, Fizika sistema, Fizikalizam, Inovacije, kvantna fizika, Moderna fizika, Najnovija istraživanja i otkrića, Primjenjena fizika, Sva Fizika, Tehnika i tehnologija

Zašto bi Googleov kvantni računarski ‘proboj’ mogao promijeniti sve

Leave a comment

Ako je vjerovati procurjelom Google istraživačkom radu, revolucionarni novi oblik računala upravo je izvršio proračun koji je prethodno bio nemoguć čak i na najmoćnijim modernim superračunalima.

Istraživači koji rade na jednom od kvantnih računara tehnološkog giganta postigli su ono što je poznato kao kvantna nadmoć, tvrdi papir, na taj način najavljujući novu eru neshvatljivo moćnih mašina.

U njihovim eksperimentima, izračunavanje koje bi trajalo tradicionalne superračunare otprilike 10.000 godina oduzelo je Googleovom kvantnom računaru samo 200 sekundi. „Prema našem saznanju“, navodi se u radu, „ovaj eksperiment označava prvo računanje koje se može obaviti samo na kvantnom procesoru“.



Računanje je uključivalo provjeru je li veliki skup brojeva doista slučajni – poznat kao problem slučajnog uzorkovanja – i za sada je samo test dokaza koncepta. Možda nema mnogo neposrednih praktičnih primjena osim pronalaženja slučajnih brojeva, ali moguće posljedice bi mogle promjeniti svijet.

Šta je kvantni računar?
Fizičar Richard Feynman prvi ga je teoretizirao 1982. godine, kvantna računala su u osnovi različita od klasičnih računala na način prijenosa i pohrane podataka.

Umjesto da koriste tradicionalne bitove – ‘1’ i ‘0’ koji se koriste u digitalnoj komunikaciji – kvantna računala koriste qubite.

One postoje u stanju superpozicije, što znači da mogu istovremeno djelovati kao ‘1’ i ‘0’.



Samim time, svaki novi qubit koji se doda u sistem za kvantno računanje čini ga eksponencijalno moćnijim od klasičnih računara.

Ko radi na njima i zašto?
Pored Googlea, mnoge najveće svjetske kompanije trenutno razvijaju kvantne računarske sisteme.

Tehnološke firme poput IBM, Intel i Microsoft grade svoje mašine i ulažu ogromne količine resursa kako ne bi propustili sljedeću računalnu revoluciju.

Manje firme poput kanadskog D-Wave-a takođe grade kvantna računara, koja organizacije poput Nasa i CIA navodno koriste.

Izvanredni potencijal kvantnih računala znači da bi ih mogli koristiti za transformiranje svega, od cyber sigurnosti i komunikacija, do zdravstvene zaštite i prognoziranja vremena.



Za šta su još sposobni kvantni računari?

Fizičar David Deutsch, jedan od prvih pionira kvantnih računara, jednom je slavno tvrdio da bi mogli riješiti probleme za koje bi današnjim računarima trebalo duže od vremena starosti svemira.

Google-ov procurivani istraživački rad možda je samo dokaz koncepta, ali pretpostavlja hipotezu da bi se kvantni čip mogao jednog dana koristiti za simulaciju naučnih eksperimenata koji bi u stvarnom životu bili skupi ili nepraktični.

Izvor: Independent

AI - vještačka inteligencija, Fizika "nemogućeg", fizika nemogućega, Fizika sistema, Fizika u vojsci, Inovacije, Medicina, Medicinska fizika, Najnovija istraživanja i otkrića, Primjenjena fizika, Sva Fizika, Tehnika i tehnologija

Fizičar Elon Musk pravi implantante za povezivanje mozga sa mobitelima!

Leave a comment

Elon Musk želi da umetne implantante koji podržavaju Bluetooth u mozak, tvrdeći da bi ti uređaji mogli omogućiti telepatiju i popraviti motoričku funkciju kod osoba sa povredama.

Govoreći u utorak, CEO Tesla (TSLA) i SpaceX je rekao da će se njegovi uređaji za Neuralink sastojati od sićušnog čipa spojenog na 1.000 žica dimenzija jedne desetine širine ljudske kose.

Čip ima USB-port, isti adapter koji koristi Appleov (AAPL) Macbooks, i povezuje se preko Bluebooth-a sa malim kompjuterom koji se nosi preko uha i pametnog telefona, rekao je Musk.

“Ako želiš nešto da zabiješ u mozak, ne želiš da to bude veliko”, reče Musk, igrajući se malom dimenzijom uređaja.



Neuralink, pokretač koji je osnovao Musk, kaže da ovi uređaji mogu koristiti onima koji traže poticaj za pamćenje ili žrtvama moždanog udara, pacijentima koji boluju od raka, kvadriplegičarima ili drugima sa urođenim manama.

Kompanija kaže da se do 10 jedinica može staviti u mozak pacijenta. Čipovi će se povezati sa iPhone aplikacijom koju korisnik može da kontroliše.

Uređaje će instalirati robot koji je izgradio startup. Musk je rekao da će robot, kada bude operisan od strane hirurga, izbušiti 2 milimetarske rupe u lobanji osobe. Dio uređaja na čipu će utaknuti rupu u lobanji pacijenta.

“Interfejs za čip je bežični, tako da nemate žice koje vam iskaču iz glave. To je vrlo važno”, dodao je Musk.

Upotreba bi mogla početi prije kraja 2020. godine, kaže Musk, uporedivši proceduru sa Lasik kirurgijom za korekciju oka, koja zahtijeva lokalni anestetik.

Musk je rekao da je ovaj najnoviji projekat pokušaj da se koristi umjetna inteligencija (AI) kako bi imala pozitivan učinak na čovječanstvo. Prethodno je pokušao da skrene pažnju na potencijal AI da nanese štetu ljudima.

On je uložio oko 100 miliona dolara u Neuralink iz San Francisca, prema New York Timesu.

Muskov plan da razvije ljudske kompjuterske implantate dolazi na sličan način od strane Googlea (GOOGL) i Facebooka (FB). Ali kritičari nisu sigurni da bi klijenti trebali vjerovati tehnološkim kompanijama s podacima prenesenim izravno iz mozga.

“Ideja da se velikim kompanijama povjere naši podaci o mozgu treba da stvore određeni nivo nelagode za društvo”, rekao je Daniel Newman, glavni analitičar u Futurum Research i koautor knjige Human / Machine.



“Nema dokaza da bismo trebali vjerovati ili biti zadovoljni kretanjem u tom smjeru”, dodao je on.

Iako bi tehnologija mogla pomoći onima koji imaju neku vrstu povrede mozga ili traume, “prikupljanje podataka iz neobrađene moždane aktivnosti moglo bi dovesti ljude u veliki rizik i može ih se koristiti za uticaj, manipulaciju i eksploataciju “, rekao je za CNN Business Frederike Kaltheuner iz organizacije Privacy International.“ Ko ima pristup tim podacima? Da li se ovi podaci dijele s trećim stranama? Ljudi moraju imati potpunu kontrolu nad svojim podacima. ”

Izvor: https://www.cnn.com/2019/07/17/tech/elon-musk-neuralink-brain-implant/index.html

AI - vještačka inteligencija, Fizika "nemogućeg", fizika nemogućega, Fizika sistema, Inovacije, Medicina, Medicinska fizika, Primjenjena fizika, Tehnika i tehnologija

Implantati “Google mozga” mogli bi značiti kraj škole jer će svatko odmah moći nešto naučiti

Leave a comment

Stručnjak vjeruje da će u idućih 20 godina naše glave biti pojačane posebnim implantatima, tako da ne morate ništa pamtiti.

Implantati iz GOOGLE mozga mogli bi značiti kraj škole – budući da će svatko odmah moći nešto naučiti, kaže stručnjak za umjetnu inteligenciju.

Nikolas Kairinos, osnivač i izvršni direktor tvrtke Fountech.ai, kaže da bi tehnologija mogla poboljšati naše živote i potpuno promijeniti način na koji učimo.



U intervjuu za Daily Star, objasnio je da radi na revolucionarnoj umjetnoj inteligenciji kako bi “personalizirao obrazovanje” kako bi omogućio “svatko može naučiti gotovo sve, koristeći AI”.

I vjeruje da će nam u iduća dva desetljeća naše glave biti pojačane posebnim implantatima, tako da “ne morate ništa pamtiti”.

Rekao je za Daily Star da ljudi neće morati gnjaviti bilo kakva pitanja, jer će se na sve upite odmah odgovoriti iz “implantata umjetne inteligencije”, što će rezultirati završetkom učenja “papiga mode” u školama.

Stručnjak, koji je ostvario više od 20 godina rada s start-upovima, dodaje: “Google će biti u vašoj glavi, a to nije pretjerano. To će biti kao da imate stvarno pametnog asistenta koji će skoro misliti za vas.”



Kairinos vjeruje da će se takvim AI-om svatko u dobi od osam do osamdeset godina moći naučiti “gotovo sve” vlastitim tempom.

Rekao je da će biti personaliziran i da će se vremenom poboljšati, tako da što više tehnologija “upoznaje vas, to više prilagođava svoj stil poučavanja, svoj glas, doba dana koje vam govori – sve kako bi optimizirali učenje”.

Prema Fountechovoj web stranici: “Za nekoga tko nema dublje razumijevanje tehnologije, AI može izgledati kao izvanzemaljski koncept.

“Ipak, osnovna srž pojma je jednostavna – naime sposobnost računala ili stroja da razmišlja, uči i oponaša inteligentno ljudsko ponašanje.”



“Kada je riječ o inteligentnoj inteligenciji u učenju, mi samo grebemo površinu … ne bismo trebali misliti da je prilagođeno učenje kroz inteligenciju nešto što nećemo vidjeti za desetljeća.”

Izvor: https://www.thesun.co.uk/tech/8710836/google-brain-implants-could-mean-end-of-school-as-anyone-will-be-able-to-learn-anything-instantly/

AI - vještačka inteligencija, Inovacije, Kompjutaciona fizika, Moderna fizika, Najnovija istraživanja i otkrića, Tehnika i tehnologija

Istraživači su napravili ‘AI fizičara’ koji može izvesti fizičke zakone u imaginarnim Univerzumima

Leave a comment

Naučiti AI kako kombinovati manje modele za razumjevanje složenih situacija je bio glavni kamen spoticanja za istraživanje mašinskog učenja.

Dva istraživača iz MIT-a su stvorili “AI fizičara” koji je sposoban da generiše teorije o fizičkim zakonima imaginarnih univerzuma. To predstavlja veliki korak ka kreiranju algoritama mašinskog učenja koji ne mogu samo pronaći šeme, već i ekstrapolirati iz tih obrazaca da bi napravili predviđanja o budućnosti. To bi postavilo osnovu za naučna otkrića u potpunosti napravljena od vještačkih inteligencija.

Kada AI dobije skup podataka, on analizira ovaj skup podataka kako bi kreirao model. Priroda ovog modela zavisiće od zadatka. Na primjer, ako sam želio da obučem AI da prepoznam mačku, mogao bih da mu pokažem hiljade slika mačaka tako da se algoritam može generalizovati od sličnih karakteristika pronađenih na svakoj fotografiji da bi se napravio model mačke.



Način vještačke inteligencije koji stvara modele sličan je načinu na koji naučnici koriste teorije da generalizuju iz određene instance fenomena sve slučajeve takve pojave u sličnim kontekstima. Ipak, postoji jedna ključna razlika.

U gore navedenom primjeru, AI se hranila slikama koje su već bile fokusirane na mačku. Mnogo teži zadatak, i onaj koji je analogan procesu nauke, bio bi da se hrane AI slikama mačaka u sličnim sredinama, recimo, na primjer, u šumi. Uz ovaj skup podataka, AI zadužen za kreiranje modela mačke bi morao ignorisati irelevantne detalje (kao što su sve biljke) i samo se fokusirati na mačku. Alternativno, može doći do modela koji prikazuje sve mačke kako žive u šumama. Ako ste onda AI hranili slikom mačke koja spava na krevetu, to ne bi prepoznala jer je njen model bio neispravan.

Iako AI nije bio sasvim pogrešan – postoji broj vrsta mačaka koje žive isključivo u šumama – napravio je grešku stvaranja jednog velikog modela i pokušaja da se taj model prilagodi svim podacima. Plodniji pristup, a onaj koji koriste naučnici, je da kreira male modele ili teorije koje se odnose na podskupove podataka o opservaciji, a zatim sabiru te male teorije dok se ne nadamo da će doći do “teorije svega”.



Podučavanje AI-a kako se podijele podaci za kreiranje malih modela koji se mogu dodati zajedno za kreiranje većih modela pokazao se kao izazov za istraživače u mašinskom učenju. Međutim, kako je navedeno u članku objavljenom na arXiv prošle, međutim, Tailin Wu i Max Tegmark, dva fizičara iz MIT-a, napravili su veliki korak u tom pravcu sa svojim “AI fizičarima”.

Da bi se ovo desilo, Tegmark i Wu su svojim algoritmom za učenje mašinskog učenja dodijelili su četiri strategije koje su takođe angažovane od strane naučnika čovjeka, tako da mogu generisati teorije o složenim posmatranjima. Ove strategije su bile podijeljene i osvajane (generišu više teorija, od kojih svaka odgovara samo jednom dijelu podataka), Occamov brijač (koriste najjednostavniju teoriju), ujedinjenje (kombinuje teorije) i “doživotno učenje” (pokušajte primjeniti teorije na buduće probleme).

Nakon što su ove strategije kodirane u algoritam za mašinsko učenje, Tegmark i Wu su ga predstavili nizom sve kompleksnijih virtuelnih okruženja kojima upravljaju čudni fizički zakoni i zadužili AI da osmisle to. Konkretno, cilj AI-a je bio što preciznije predvidjeti kretanje objekta u dvije dimenzije. To bi zahtjevalo da AI generiše jedinstvene fizičke teorije za svako “misteriozno okruženje” da bi shvatio kako će se objekat kretati u tom okruženju.

Primjer okruženja koje se hranilo fizičaru AI. Ovde je polje gledišta podijeljeno na četiri kvadranta, od kojih je svaki regulisan drugačijim fizičkim efektom, kao što su gravitacija ili elektromagnetno polje. Tačke i linije predstavljaju putanju lopte kroz okolinu. Na osnovu načina na koji lopta prolazi kroz okolinu, AI mora koristiti strategije za opis fizičkih zakona koji regulišu kretanje lopte. Slika: Tegmark i Wu / arXiv

Kao što su otkrili Tegmark i Wu, fizičar AI-a ima sve teže razumjevanje zakona fizike pošto okruženje postaje komplikovanije. Sve u svemu, fizičar AI je bio izložen 40 različitih misterioznih okruženja i bio je u stanju da generiše tačne teorije o fizičkim zakonima koji su ih upravljali u preko 90 procenata slučajeva. Štaviše, Tegmark i Wu-ov AI fizičar uspeli su smanjiti pogreške predviđanja “milijardu puta” u odnosu na konvencionalne algoritme za mašinsko učenje.

Izvor: https://motherboard.vice.com/en_us/article/evwj9p/researchers-created-an-ai-physicist-that-can-derive-the-laws-of-physics-in-imaginary-universes?utm_campaign=sharebutton



AI - vještačka inteligencija, Inovacije, Kompjutaciona fizika, Sva Fizika, Technology, Tehnika i tehnologija

Znate li šta je mašinsko učenje?

Leave a comment

Velika većina AI napredaka i aplikacija koje se čuju odnose se na kategoriju algoritama poznatih kao mašinsko učenje.

Algoritmi mašinskog učenja koriste statistiku da bi pronašli obrasce u masivnim količinama podataka. I podaci, ovdje, obuhvataju mnoštvo stvari – brojeve, riječi, slike, klikove, šta god. Ako se može digitalno uskladištiti, može se unijeti u algoritam za mašinsko učenje.

Mašinsko učenje je proces koji upravlja mnogim uslugama koje danas koristimo – preporuke poput onih na Netflix-u, YouTube-u i Spotify-u; pretraživači kao što su Google i Baidu; socijalni mediji kao Facebook i Twitter; glasovni asistenti poput Siri i Alexa. Lista se nastavlja.

U svim ovim slučajevima svaka platforma sakuplja što je moguće više podataka o vama – koje žanrove želite gledati, koje linkove klikate, na koje statuse reagujete – i koristite mašinsko učenje da biste napravili visoko obrazovnu pretpostavku o tome šta ćete vi možda uraditi sljedeće. Ili, u slučaju govornog asistenta, o tome koja se riječi najbolje uklapaju sa smješnim zvukovima koji izlaze iz usta.


Iskreno, ovaj proces je sasvim osnovan: pronađite obrazac, primijenite obrazac. Ali, u velikoj mjeri upravlja svetom. To je u velikoj meri zahvaljujući izumu iz 1986. godine, zahvaljujući Džefri Hintonu, danas poznatom kao otac dubokog učenja.

Duboko učenje je mašinsko učenje na steroidima: ono koristi tehniku koja daje mašinama povećanu sposobnost pronalaženja-i pojačavanja-čak i najmanjih šablona. Ova tehnika se duboko naziva dubokom neuronskom mrežom jer ima mnogo, mnogo slojeva jednostavnih računskih čvorova koji rade zajedno da gniježu podatke i daju konačni rezultat u obliku predviđanja.

Neuronske mreže su nejasno inspirisane unutrašnjim djelovanjem ljudskog mozga. Čvorovi su poput neurona, a mreža je kao i sam mozak. (Za istraživače među vama koji se suočavaju u ovom poređenju: zaustavite pooh-poohing analogiju. To je dobra analogija.) Ali Hinton je objavio svoj proboj u trenutku kada su neuronske mreže pale iz mode. Niko nije znao kako da ih obučava, tako da nisu dale dobre rezultate. Bilo je potrebno skoro 30 godina da se tehnika vrati. I dečko, kako se samo vratila.



Posljednja stvar koju trebate znati: mašinsko (i dubinsko) učenje dolazi u tri arome: nadgledana, bez nadzora i pojačana. Kod superviziranog učenja, najčešće, podaci se označavaju kako bi mašinu precizno naveli koje obrasce treba tražiti. Pomislite na to kao nešto kao psi koji su uhvatili tragove koji će loviti mete kada prepoznaju miris. To je ono što radite kada pritisnete igru na Netflix šou-vi kažete algoritmu da pronađe slične emisije.

U nenadležnom učenju, podaci nemaju oznake. Mašina samo traži sve obrasce koje može pronaći. To je kao da pusti psa da miriše tone različitih predmeta i sortira ih u grupe sa sličnim mirisima. Nenadlećene tehnike nisu toliko popularne jer imaju manje očigledne primjene. Interesantno, one su stekle popularnost u sajber sigurnosti.

Na kraju, imamo učvršćeno učenje, najnoviju granu mašinskog učenja. Algoritam pojačanja uči se probama i greškama kako bi se postigao jasan cilj. Isprobava puno različitih stvari i nagrađuje se ili kažnjava u zavisnosti od toga da li njegovo ponašanje pomaže ili onemogućava da postigne svoj cilj. Ovo je kao davanje i zadržavanje poslastica kada učite psa novi trik. Učenje ojačavanja je osnova Google-ovog AlphaGo-a, programa koji je slavno pretukao najbolje ljudske igrače u kompleksnoj igri Go.

Izvor: https://www.technologyreview.com/s/612437/what-is-machine-learning-we-drew-you-another-flowchart/?utm_campaign=site_visitor.unpaid.engagement&utm_medium=tr_social&utm_source=facebook