Forfattere
Anvendelser af kunstig intelligens har udviklet sig hurtigt i de sidste par år, så computere kan udføre komplekse handlinger som at køre uden fører, træffe beslutninger og genkende ansigter. Disse applikationer kræver, at mange beregninger udføres parallelt, og der er brug for enorme mængder information. Denne artikel viser, hvor ineffektiv nutidens computerstruktur er til at udføre applikationer med kunstig intelligens. For at håndtere denne udfordring og forbedre applikationer med kunstig intelligens vil vi se, hvordan inspiration fra den måde, den menneskelige hjerne fungerer på, vil give os mulighed for at bygge helt nye computere, som vil rokke ved den måde, computere er blevet bygget på i mange år.
Computere findes i forskellige former og størrelser, fra de små computere i mobiltelefoner til supercomputere i enorme haller kaldet serverfarme. På trods af de store forskelle i de forskellige computeres brug og evner er deres grundlæggende struktur ens – de indeholder alle en beregningsenhed, der kaldes en processor og en datalagringsenhed kaldet memory. Beregningsenheden udfører en samling aritmetiske operationer på tal, der er lagret i hukommelsen. For at udføre en kompleks operation skrives en samling af enklere operationer som et computerprogram, hvor hver operation er en kommando, der skrives som en linje i programmet. Når vi f.eks. vil lægge to tal sammen, vil computeren faktisk udføre en række operationer, herunder læse hvert tal ved at bringe det fra hukommelsen til processoren, lægge tallene sammen (udført af en elektronisk komponent, der lægger tal sammen, placeret inde i processoren) og skrive/gemme resultatet på et bestemt sted i hukommelsen. Selve kommandoerne er også gemt i hukommelsen.
Denne grundlæggende computerstruktur blev først foreslået af John von Neumann fra Princeton University i 1945, og derfor kaldes den grundlæggende struktur von Neumann-arkitektur (Figur 1) [1]. I mange år har computere ændret form og forbedret deres evner, både hvad angår lagring (mængden af information, der kan gemmes) og beregning (antallet og kompleksiteten af operationer, der udføres inden for en bestemt tidsperiode). Men den grundlæggende struktur og de grundlæggende principper har ikke ændret sig siden 1945. I nutidens computere udfører processorerne aritmetiske operationer meget hurtigt. En moderne processor på kan udføre mere end en milliard operationer, som f.eks. addition og subtraktion, på 1 sekund. Adgang til hukommelsen for at skrive og læse er meget langsommere end behandling og kræver en masse energi. Derfor opnås den maksimale effektivitet af computere i applikationer, hvor informationen er tilgængelig og tilgængelig for processoren.
I de seneste år har kunstig intelligens (AI) er blevet mere og mere udbredt og kan ses inden for næsten alle områder, herunder medicin, bilindustrien, sikkerhed og produktion. Muligheden for at koble mange computere sammen og dermed lagre og beregne enorme mængder information har gjort det muligt at skabe meget imponerende AI. I mange tilfælde klarer computere sig bedre end mennesker. For eksempel genkender programmer til objektgenkendelse objekter mere præcist end den gennemsnitlige person, og automatiserede biler kører mere sikkert end den menneskelige chauffør.
AI-applikationer rokker ved stabiliteten i von Neumann-arkitekturen og den beregningsmodel, der har holdt i så mange år. AI-applikationer kræver både enorme mængder data og beregningsmodeller, der omfatter et stort antal forskellige parametre (tal), som svarer til dataene. For eksempel overføres millioner af billeder til computeren for at udføre objektidentifikation (figur 2) sammen med det ønskede mærkningsresultat, der identificerer billedet (f.eks. dyretypen). For hvert eksempel udføres en træningsproces, hvor det resultat, som computeren forudsiger, sammenlignes med tagget. Baseret på forskellen mellem det ønskede resultat og det resultat, som computeren har opnået, opdateres parametrene i beregningsmodellen i henhold til matematiske regler, der er defineret på forhånd. Normalt vil en stor fejl resultere i en større ændring i parametrene. Efter mange eksempler vil beregningsmodellens parametre muliggøre et nøjagtigt resultat.
Vi kan tænke på en computers hukommelse som et lager eller et bibliotek: Dens størrelse har direkte indflydelse på den tid og energi, der kræves for at få adgang til et bestemt sted. Til AI-applikationer skal hukommelsen derfor være ekstremt stor, hvilket betyder, at adgangen til information er langsom og kræver masser af energi. Derudover kræver forudsigelse af resultater og opdatering af parametre under træning et enormt antal regneoperationer, i størrelsesordenen en milliard additions- og multiplikationsoperationer til genkendelse af et enkelt billede. En normal computer kræver, at processoren udfører regneoperationer en efter en, og i mellemtiden skal informationen flyttes mellem processoren og hukommelsen. Da AI-applikationer skal udføre milliarder af beregninger på millioner af forskellige tal, er standardcomputere meget ineffektive og spilder enorme mængder tid og energi på at overføre informationen, ud over at det er langsomt at udføre mange beregninger efter hinanden.
Den store succes med kunstig intelligens får computerfirmaer til at skabe større og stærkere computere, der kan håndtere de enorme mængder data, der er nødvendige for effektiv kunstig intelligens. For at gøre dette, grafiske behandlingsenheder (GPU’er) bliver brugt som supplement til normale processorer. GPU’er blev oprindeligt udviklet til at hjælpe computere med at udføre beregninger på billeder. I de fleste tilfælde kræver det, at man udfører den samme beregning mange gange, f.eks. ved at ændre værdien af alle pixels i et billede. I AI bruges GPU’er til at udføre et stort antal (normalt et par hundrede eller tusinder) additions- og multiplikationsoperationer parallelt (på samme tid), hvilket reducerer beregningstiden sammenlignet med en standardprocessor, der udfører enkeltoperationer en ad gangen. Mange virksomheder er begyndt at producere dedikerede processorer, der kan udføre de unikke operationer, som AI har brug for, ved at tilføje mange elektroniske kredsløb til at udføre additions- og multiplikationsoperationer parallelt. I stedet for at bruge én meget stor hukommelse bygges systemer med hukommelser i forskellige størrelser og på forskellige steder, så data, der bruges mange gange, placeres i en lille, hurtig hukommelse, og data, der bruges sjældent, placeres i en stor, langsommere hukommelse.
På trods af disse forsøg på at modificere klassiske computere, så de passer til AI-tidsalderen, er beregningsmetoden for AI-applikationer markant anderledes end von Neumann-computerens. Selv om der nu bruges hukommelser i forskellige størrelser, er det svært at udnytte effektiviteten i små hukommelser, så man bruger stadig ofte de store, langsomme hukommelser. De nye processorer, der er skabt til AI, har øget antallet af beregninger, der udføres inden for en bestemt tid, betydeligt, men der skal stadig overføres enorme mængder data til hukommelsen, så der spildes stadig en masse energi og tid.
De opgaver, der udføres af AI (kørsel, identifikation osv.), udføres på en helt anden måde af den menneskelige hjerne og med forbløffende effektivitet. Den menneskelige hjerne kræver mindre end en tiendedel af energien i en enkelt processor for at udføre en operation, der kræver sammenkobling af tusindvis af AI-processorer. Vi bør forsøge at lære af hjernen og bygge beregningsmodeller og computere, der ligner hjernen i den måde, de fungerer på. I hjernen er der ingen adskillelse mellem datalagring og -behandling. Al information, der udtrykkes gennem elektriske signaler og kemiske ændringer, overføres mellem hjerneceller, der kaldes neuroner. Denne overførsel af information sker samtidig mellem milliarder af forbundne neuroner. Neuroner er forbundet med forbindelser kaldet synapser som kan styrkes eller svækkes. Læring er dybest set en ændring i forbindelsesstyrken mellem forskellige neuroner. Synapser er meget effektive – der er ingen adskillelse mellem beregningen af ændringen og lagringen af forbindelsens styrke, som det er tilfældet i den nuværende AI (figur 3).
For at matche computerverdenen med AI’s behov skal vi bygge computere med en struktur, der er inspireret af hjernen. Disse computere bør ikke have nogen adskillelse mellem lagring og beregning, men i stedet bruge enheder, der er i stand til at beregne og gemme værdierne samtidig. Elektriske kredsløb inspireret af hjernen kaldes neuromorfiske kredsløb fordi de har form (morfologi) som en neuron (neuro) [2]. I neuromorfe kredsløb bruges de samme elektroniske komponenter til både at udføre en beregning og til at gemme resultatet lokalt. Strukturen i en sådan computer er helt forskellig fra en von Neumann-maskine, og den ligner et neuralt netværk i hjernen.
Der er for nylig blevet udviklet flere computere med neuromorfiske kredsløb [3-5], men der er stadig mange udfordringer, før disse nye computere kan erstatte de eksisterende. Neuromorfe computere kræver nye materialer og enheder, der kan kombinere beregning og hukommelse, da enhederne i standardcomputere kun bruges til et enkelt formål. Derudover har neuromorfe computere brug for nye programmer, der er i stand til at give de rigtige instruktioner til den særlige struktur. Efterhånden som von Neumann-computersystemer i stigende grad kombineres med neuromorfe computere, vil AI-applikationer blive mere effektive, og computere vil fortsætte med at udvikle sig i retning af menneskelige evner.
Processor: Processoren er en elektronisk enhed, som udfører matematiske operationer på nogle data inde i computeren.
Hukommelse: Hukommelse er en enhed, der bruges til at lagre information til øjeblikkelig brug i en computer.
Von Neumann-arkitektur: Den computerstruktur, der er almindelig i dag, og som består af en processor og en lagringsenhed (hukommelse). Processoren styrer systemet og udfører logiske og aritmetiske operationer. Hukommelsen gemmer programmet og de data, som programmet læser eller skriver.
Kunstig intelligens (AI): “Evnen til at få en maskine til at opføre sig på en måde, der ville blive betragtet som intelligent, hvis en person opførte sig på samme måde” (Marvin Minsky).
Grafisk behandlingsenhed: Graphical Processing Unit (GPU) er en processor til særlige formål, som oprindeligt blev udviklet i en unik struktur for at fremskynde skabelsen af billeder i displayenheder. Nu bruges de også i vid udstrækning til at fremskynde andre applikationer som f.eks. kunstig intelligens.
Neuron: Neuron eller en nervecelle er en elektrisk exciterbar celle, der kommunikerer med andre celler via specialiserede forbindelser kaldet synapser. Det er hovedkomponenten i nervevæv hos dyr.
Synapse: Synapse er en struktur i nervesystemet, som gør det muligt for et neuron (eller en nervecelle) at sende et elektrisk eller kemisk signal til et andet neuron eller til en mål-effektorcelle.
Neuromorfisk kredsløb: Elektroniske kredsløb, der efterligner adfærden hos neuroner i menneskekroppen. Neuromorfe kredsløb kan kombineres for at skabe neuromorfe computere.
[1] von Neumann, J. 1993. Første udkast til en rapport om EDVAC. IEEE Ann. Hist. Comput. 15:27-75. doi: 10.1109/85.238389
[2] Mead, C. 1990. Neuromorfe elektroniske systemer. Proc. IEEE 78:1629-36. doi: 10.1109/5.58356
[3] Davis, M., Srinivasa, N., Lin, T. H., Chinya, G., Cao, Y., Choday, S. H., et al. 2018. Loihi: en neuromorfisk manycore-processor med on-chip-læring. IEEE Micro 38:82-99. doi: 10.1109/MM.2018.112130359
[4] Soudry, D., Di Castro, D., Gal, A., Kolodny, A. og Kvatinsky, S. 2015. Memristor-baserede flerlagsneurale netværk med online gradientafstamningstræning. IEEE Trans. Neural Netw. Learn. Syst. 26:2408-21. doi: 10.1109/TNNLS.2014.2383395
[5] Prezioso, M., Merrikh-Bayat, F., Hoskins, B. D., Adam, G. C., Likharev, K. K., and Strukov, D. B. 2015. Træning og drift af et integreret neuromorfisk netværk baseret på metaloxid-memristorer. Nature 521:61-4. doi: 10.1038/nature14441
Mange tenniskampe finder sted i varme omgivelser, når solen skinner. Tennisspillere skal derfor træne i varmen for at lære at præstere under varme forhold. Selvom de måske får rådet til at bære lyst tøj, bærer mange spillere sorte T-shirts under træning og kampe. Denne undersøgelse, der blev gennemført med unge, dygtige tennisspillere, undersøgte, om T-shirtens farve (sort eller hvid) havde nogen indflydelse på spillerne. Under to træningskampe i varmen (32 °C) målte vi luft- og T-shirt-temperaturen, hvor hårdt spillerne følte, at de arbejdede, hvor komfortable de følte sig med omgivelserne, og hvor trætte de følte sig. Resultaterne viste, at når man spiller tennis udendørs i varmen, har T-shirtens farve ingen indflydelse på fysiske faktorer som temperatur. At bære en sort T-shirt kan dog have en negativ indflydelse på mentale faktorer ved at øge atleternes følelse af at arbejde hårdt, træthed og ubehag.
…
Børn har brug for at bevæge sig. Bevægelse af kroppen kaldes også fysisk aktivitet. Fysisk aktive børn har sundere kroppe og sind. Når børn er fysisk aktive, hjælper det deres kroppe og sind med at føle sig godt tilpas. De fleste børn opfylder ikke de nationale anbefalinger for fysisk aktivitet. Skoler er et godt sted at hjælpe børn med at bevæge sig mere. En måde at gøre dette på er at give børnene mulighed for at være fysisk aktive i klasseværelset. Når børn er fysisk aktive i klasseværelset, kaldes det bevægelsesintegration. Når børn sidder for længe, kan de føle sig triste og ensomme, men når lærerne bruger bevægelsesintegration, føler børnene sig gladere og klar til at lære. I denne artikel vil vi tale om, hvorfor bevægelsesintegration er vigtigt, og hvordan det kan hjælpe børn med at klare sig bedre i skolen.
…
Cerebral synshandicap (CVI) er en synsforstyrrelse forårsaget af hjerneskade, der gør det vanskeligt at behandle information fra øjnene. Selvom deres øjne fungerer fint, har børn med CVI ofte svært ved at finde og genkende objekter, især på rodede eller travle steder. Klinikere, såsom øjenspecialister (der studerer øjne og synsfunktioner) og neuropsykologer (der studerer hjernefunktioner), arbejder på at identificere børn med CVI og støtte dem, hvis de har det. En nyttig test er en visuel søgeopgave, der viser, hvordan børn leder efter ting. Hvorfor er det svært for børn med CVI at søge? Videnskabelige forskere bruger værktøjer som øjenregistrering, der viser, hvor børn kigger hen under en søgning, og hjerneafbildning, der hjælper dem med at forstå, hvordan dele af hjernen arbejder sammen. Ved at kombinere klinisk praksis og videnskabelig forskning kan vi bedre forstå, hvordan børn med CVI oplever verden, og finde nye måder at hjælpe dem i dagligdagen.
…
Forestil dig at kunne styre dit yndlingsvideospil ved blot at tænke på det! Det lyder måske som science fiction, men denne utrolige teknologi er ved at blive en realitet takket være hjerne-computer-grænseflader (BCI’er). BCI’er muliggør kommunikation mellem hjernen og et kunstigt apparat. Forestil dig din hjerne som en kraftfuld maskine, der sender elektriske signaler, når du vil gøre noget, f.eks. styre en robotarm med tankerne, efter at du har mistet evnen til at bevæge dine hænder. BCI’er overfører hjernesignaler til en computer, som derefter lærer at forstå disse signaler og oversætte dem til instruktioner, der styrer enheden. I denne artikel udforsker vi en verden, hvor sind og maskiner interagerer, og hvor mulighederne kun er begrænset af vores fantasi.
…