Xorte.pl

Turing-NLG firmy Microsoft, czy Megatron-LM stworzony przez NVIDIA. Te dwa modele językowe na bazie sztucznej inteligencji są potężne, ale nie dorastają nawet do pięt owocowi wysiłku obu tych firm w postaci poświęconego zastosowaniom NLP (Natural Language Processing) MT-NLG, który właśnie doczekał się ujawnienia. Językowa potęga na wyciągnięcie ręki. Oto model MT-NLG na bazie sztucznej inteligencji w skrócie Zacznijmy może od podkreślenia potęgi modelu MT-NLG, co jest skrótem od Megatron-Turing Natural Language Generation Model. Ten może pochwalić się tym, że jego […]

Chiny wygrały wyścig w dziedzinie Sztucznej Inteligencji. Kto tak twierdzi? Chiny? Nie. Były dyrektor do spraw oprogramowania w amerykańskim resorcie obrony Nicolas Chaillan.Rywalizacja Chin i USA o prymat na świecie coraz bardziej się zaostrza i to ten drugi kraj wykonuje nerwowe ruchy. Oczywiście ich szczyt był za rządów Donalda Trumpa, ale nie znaczy to, że teraz doszło do fundamentalnej zmiany. We wrześniu ze stanowiska dyrektora Pentagonu do spraw oprogramowania Nicolas Chaillan zrezygnował ze stanowiska. Już miesiąc później powiedział dlaczego. To efekt frustracji żółwim tempem technologicznej transformacji USA. Chaillan mówi wprost - w dziedzinie Sztucznej Inteligencji USA już przegrały. Przewaga Chin ma być w tym segmencie tak wielka, że już za 15 lat USA nie będą mogły nawet marzyć o powstrzymaniu Chin. Nic nie wskazuje na to, by USA w ostatniej chwili dały radę nadrobić chociaż trochę dystansu. Co jest powodem? Chaillian mówi, że między innymi dyskusje o kwestiach etycznych. Zajmują one za dużo czasu. Jednocześnie dawny dyrektor w amerykańskim resorcie obrony nie rozumie, czemu Google wzbrania się przed współpracą z władzą. Amerykańskie firmy mają bowiem wybierać własny zysk ponad współpracę z wojskowymi. Poziom obrony przed cyberatakami ma być w instytucjach USA na równie słabym poziomie. Zobacz: Chiny powoli dołączają do chipsetowej ekstraklasy Zobacz: Chiny: zakaz ukrywania negatywnych recenzji i kłamania o ruchu

Firma DeepMind, specjalizująca się w rozwiązaniach związanych ze sztuczną inteligencją, zabiera się za prognozowanie pogody. Najnowsze narzędzie tej firmy zostało zaprojektowane do przewidywania opadów poprzez tzw. nowcasting – wielu meteorologów uznała je za dokładniejsze od stosowanych na świecie metod prognozowania. Prognozowanie pogody zmieniało się na przestrzeni dziejów. W średniowieczu meteorolodzy wykorzystywali gwiazdy do przewidywania pogody dnia następnego. Znacznie później Lewis Fry wykorzystał równania matematyczne do przewidywania pogody na świecie. Dzisiejsze prognozy pogody powstają dzięki systemom numerycznego prognozowania pogody (NWP), które […]

Zdjęcie w tle: NASA; Teleskopy i sondy kosmiczne badające Słońce muszą pracować w bardzo trudnych warunkach. Umieszczone na nich urządzenia badawcze są stale bombardowane energetycznymi cząsteczkami słonecznymi (ang. Solar Energetic Particles – SEP) i intensywnym promieniowaniem słonecznym. Pod ich długotrwałym wpływem, delikatne czujniki teleskopów słonecznych zaczynają powoli zużywać się, co przekłada się na zmniejszenie ich czułości i sprawia, że wysyłane przez nie dane są coraz bardziej zniekształcone. Naukowcy starają się zniwelować te zniekształcenia, przeprowadzając okresowe kalibracje sprzętu. Dzięki temu, znając stopień zużycia przyrządów, są w stanie nanosić odpowiednie poprawki na otrzymane z teleskopu dane. Przykładów takiego działania dostarcza obserwatorium Solar … The post Jak dzięki sztucznej inteligencji możemy lepiej badać Słońce? first appeared on AstroNET Polski Portal Astronomiczny.

Naukowcy z Facebook AI, Uniwersytetu Kalifornijskiego w Berkeley oraz Uniwersytetu Carnegie Mellon ogłosili powstanie technologii Rapid Motor Adaptation (RMA). To przełomowe rozwiązanie w dziedzinie sztucznej inteligencji, umożliwiające robotom poruszającym się za pomocą nóg lepszą adaptację do zmian warunków w rzeczywistym świecie.Do tej pory roboty poruszające się za pomocą nóg były albo w pełni ręcznie konfigurowane do środowisk, w których będą funkcjonować, albo uczone przemieszczania się w otoczeniu poprzez połączenie ręcznego kodowania i technik uczenia się. Zaprogramowanie robota do działania we wszelkich możliwych warunkach spotykanych w świecie rzeczywistym jest trudne lub wręcz niemożliwe. Wymagałoby ono uwzględnienia nie tylko różnic w przenoszonych ciężarach, lecz także ewentualnego zużycia, na przykład wgniecenia na spodzie stopy czy lekkiego zużycia jakiejś części. Chodzi nie tylko o to, co roboty potrafią, lecz także jak to robią Ulepszenia w zakresie ręcznego kodowania mogą poprawić osiągi robota w kontrolowanym środowisku, ale jedynym sposobem, aby naprawdę dostosować go do nieskończenie dużej różnorodności świata rzeczywistego, jest nauczenie maszyny faktycznej adaptacji podobnie jak robią to ludzie. Wyposażenie robotów w taką umiejętność wymaga uczenia przez wykonanie milionów powtórzeń, a najlepszą przestrzenią do tego jest nie świat realny, gdzie mogłyby one ulec uszkodzeniu, ale symulacja. Może się z tym jednak wiązać wiele problemów. Robot w postaci fizycznej i jego model w symulatorze często różnią się małymi, ale ważnymi szczegółami. Może na przykład wystąpić niewielkie opóźnienie między wysłaniem sygnału a faktycznym ruchem siłownika lub zadrapanie na stopie, które zmniejszy poślizg, a kąt nachylenia stawu może różnić się o jedną setną stopnia. Zobacz: Zobacz jak bawią się roboty z Boston Dynamics Zobacz: Zabawa robotem Abilix to Dzień Dziecka w listopadzie Sam świat fizyczny również stawia wyzwania, z którymi symulator oparty na sztywnych obiektach poruszających się w wolnej przestrzeni nie umie w pełni dać sobie rady. Powierzchnie takie jak materac czy kałuża błota mogą odkształcić się w wyniku kontaktu fizycznego. Środowisko w symulacji dość ustandaryzowane w świecie rzeczywistym jest znacznie bardziej zróżnicowane i złożone, między innymi ze względu na ogromny wachlarz powierzchni, które mogą występować w pomieszczeniach i na zewnątrz. Oczywiście w świecie realnym warunki nigdy nie są statyczne, więc jedno środowisko rzeczywiste, które potrafi opanować robot kroczący, może diametralnie różnić się od innego. Trening w symulatorze i praktyka w rzeczywistości Technologia Rapid Motor Adaptation radzi sobie z tymi wyzwaniami przy pomocy dwóch odrębnych podsystemów reguł podstawowych i modułu adaptacyjnego. Reguły podstawowe są wpajane podczas symulacji ze wzmacnianiem (RL) w oparciu o starannie dobrane informacje o różnych środowiskach (np. o intensywności tarcia czy wadze i kształcie ładunku). Wprowadza się różne zmienne, symulując w ten sposób bardziej lub mniej śliskie podłoże czy inne nachylenie terenu. Dzięki temu maszyna nabywa właściwe sposoby kontroli w różnych warunkach, a informacje o tych zmiennych kodujemy jako parametry zewnętrzne. Nie można po prostu wypuścić w świat robota wyposażonego wyłącznie w reguły podstawowe, ponieważ nie są znane bariery, z jakimi zetknie się on w rzeczywistości. Oparto się więc na danych, jakie robot zbiera o swoim otoczeniu samodzielnie, czyli informacjach o ostatnich ruchach "ciała". Na przykład nagła przeszkoda blokująca ruch nogi spowoduje zatrzymanie, ale także dostarczy informacji o wysokości terenu w bliskiej okolicy. Ponieważ znane są rzeczywiste uwarunkowania zewnętrzne, jakie robot napotyka w symulacji, można wykorzystać uczenie nadzorowane do trenowania modułu adaptacyjnego. Nie tylko adaptacja, lecz także niemal natychmiastowa reakcja Dzięki połączeniu reguł podstawowych i modułu adaptacyjnego maszyna może dostosować się do nowych warunków w ułamku sekundy. Roboty szkolone z wykorzystaniem wcześniejszych metod opartych na technice RL potrzebują kilku minut, a czasem interwencji człowieka, aby się do nich zaadaptować, co czyni je niepraktycznymi w prawdziwym świecie. Funkcjonujący w rzeczywistych warunkach robot z obsługą RMA wykorzystuje podstawowe reguły i moduł adaptacyjny jednocześnie i asynchronicznie. Te pierwsze stosowane są szybciej, podczas gdy moduł adaptacyjny działa znacznie wolniej, aby umożliwić maszynie poruszanie się w sposób pewny i pasujący do warunków bez konieczności dokonywania drobnych korekt. Wyniki przeprowadzonych eksperymentów wskazują na to, że robot z obsługą RMA sprawnie porusza się w wielu trudnych środowiskach, przewyższając osiągami jednostki niewyposażone w tę technologię. We wszystkich naszych próbach był on w stanie chodzić po piasku, błocie, szlakach turystycznych, w wysokiej trawie i po zwałach ziemi. W 70% przypadków udawało mu się także schodzić po szlaku turystycznym, a w 80% prób przejść przez kopce cementu i kamyków, mimo że podczas treningu nigdy nie spotkał się z niestabilnym lub zapadającym się podłożem, utrudniającą manewry roślinnością czy schodami. Z dużym powodzeniem utrzymywał też posturę podczas przemieszczania się z ładunkiem o wadze 12 kg, czyli równowartością jego masy. Tworzenie wielu form bardziej elastycznej sztucznej inteligencji RMA to ekscytująca innowacja w dziedzinie robotyki, która może przyczynić się do wykorzystania w świecie rzeczywistym nowych, bardzo sprawnych i elastycznych robotów kroczących. Metody oparte wyłącznie na uczeniu się potencjalnie pozwalają na zastosowanie dużo tańszego, mniej precyzyjnego sprzętu, co znacznie obniżyłoby koszt eksploatacji tego typu maszyn w przyszłości. Istnieje duża szansa, że dzięki lepszej wydajności i redukcji kosztów roboty wyposażone w technologię RMA będą kiedyś używane na niezliczoną liczbę sposobów, na przykład jako wsparcie w akcjach poszukiwawczo-ratowniczych, szczególnie w obszarach zbyt niebezpiecznych lub problematycznych dla ludzi. Zobacz: Lećcie po popcorn. Facebook udowadnia, że iPhone jest be Zobacz: Facebook, Twitter, Instagram... Polacy w social media 2021