تاریخچه هوش مصنوعی

در


(سیارک) نخستین بار در افسانه های یونانی به تفکر ماشینی و مصنوعی اشاره شده است. برای نمونه داستان تالوس شاه سرزمین کریت، آدم ماشینی به نام هفستوس و نمایشنامه گالاتا. انسان نماها بر این باور بودند که هوش شان باعث پدید آمدن هر تمدن بزرگی خواهد شد: تصاویر مذهبی نمایش داده شده در مصر و یونان باستان که مورد پرستش قرار می گرفتند و انسان های ماشین نما که توسط یان شی قهرمان اسکندریه و الجزیره ساخته شدند. این باور گسترده وجود داشت که موجودات مصنوعی توسط جابرابن حیان، جودا لاون و پاراسلوس خلق شده اند. تا قرن نوزدهم و بیستم موجودات مصنوعی در داستانهای تخیلی رواج یافتند، داستانهایی همچون شلی فرانکیشتین یا کارل کاپکس(ربوت های جهانی روسوم).پاملا مک کورداک که تمامی این مثال ها را یک انگیزش باستانی می داند به تشریح " خلق خدایاین" می پردازد. داستان این مخلوقات و سرنوشت شان مورد بحث فراوان قرار گرفته و ترس ها و موارد اخلاقی را که بعدها در هوش مصنوعی نماد پیدا کردند.
از عهد عتیق میان فیلسوفان و ریاضیدانان دلایل فیزیکی و رسمی مورد بررسی قرار گرفت.مطالعات منطق و مبنای تحقیقات ریاضی الن تورینگ و سایرین مستقیما به ساخت رایانه های الکترونیکی دیجیتال قابل برنامه ریزی انجامید . نظریه تورینگ در مورد پیشنهاد محاسباتی برای یک ماشین با استفاده از علایم بهم ریخته بصورت صفر و یک که قادر است هر حرکتی را شبیه سازی نموده و امکان شبیه سازی ریاضی حرکات را فراهم نماید. این امر همزمان با اکتشافات دانش عصب شناسی، نظریه اطلاعات و سایبرنتیک موجب شد تا گروه کوچگی از محققان امکان ساخت مغز الکترونیک را امری ممکن بدانند.
در تابستان 1956 در دانشکده دارتموس در یک کنفرانس رشته ی تحقیقاتی AI (هوش مصنوعی)بنا نهاده شد. حاضران شامل جان مک کارتی، ماروین مینسکی، الن نیوول و هربرت سیمون بدل به سردمداران تحقیقات هوش مصنوعی برای دهه های متمادی شدند. آنان به همراه دانشجویانشان اقدام به برنامه نویسی نمودندکه موجب حیرت بسیاری از افراد شد: رایانه ها در جبر و مقابله مشکلات واژگانی را برطرف نموده و حتی در قضیه های علم منطق و صبحبت کردن به زبان انگلیسی توانمند شدند. تا اواسط دهه شصت، تحقیقات در ایالات متحده توسط دپارتمان وزارت دفاع انجام می شد و ازمایشگاه هایی در سراسر دنیا ساخته شد. بانیان هوش مصنوعی در رابطه با اینده این رشته جدید کاملا مثبت اندیش بودند:هربرت سیمون پیشبینی نمود :"ظرف مدت بیست سال، ماشین ها قادر خواند بود هر انچه انسان انجام میدهد را انجام دهند" و ماروین مینسکی اظهار موافقت نمود و نوشت:" طی گذشت یک دهه...مشکل ایجاد هوش مصنوعی اساسا قابل حل خواهد بود".
آنها در شناسایی برخی مسایل پیش رو با مشکل مواجه شدند. در سال 1974 در پاسخ به انتقاد سر جیمز لایتیل و فشارهای پیوسته کنگره در جهت ایجاد پروژهای خلاقانه ، ایالات متحده و دولت انگلیس تمامی تحقیقات بدون جهت در زمینه هوش مصنوعی را متوقف نمودند. سالهای بعد را می توان "زمستان هوش مصنوعی" نامید، دورانی که دسترسی به پروژه های هوش مصنوعی بسیار دشوار می نمود.
در اوایل دهه هشتاد، تحقیقات هوش مصنوعی تحت تاثیر موفقیت های تجاری "سیستم خبره" که برنامه هوش مصنوعی دانش و مهارت تحلیلی یک یا چند کارشناس انسانی را شبیه سازی کردند. تا سال 1985 بازار هوش مصنوعی به حد میلیارد دلار رسید. در همین دوران، پروژه نسل پنجم رایانه های ژاپنی موجب تشویق دولت های آمریکا و انگلیس مبنی بر انجام تحقیقات آکادمیک در این رشته بود. گرچه ورشکستگی بازار فروش ماشین لیسپ در سال 1987 آغاز شد و هوش مصنوعی یکبار دیگه دچار بدنامی شد و دومین زمستان طولانی هوش مصنوعی آغاز شد.
در دهه نود و ابتدای قرن بیست و یکم هوش مصنوعی بزرگترین موفقیت خود را کسب نمود.گرچه این موفقیت بصورت پشت پرده بود. هوش مصنوعی در جهت لجستیک ، دیتا کاوی، تشخیص دیجیتال و سایر مرزها را حتی در فن آوری صنعتی را پوشش داد. این موقیت ناشی از چندید عامل بود: افزایش توان محاسباتی رایانه ها(به قانون مور مراجعه شود)، تاکید بیشتر بر حل مشکلات خاص و ایجاد ارتباط میان هوش مصنوعی و سایر رشته هایی که بر مشکلات مشابه کار می کردند و اظهارات تازه محققان در زمینه روش های ریاضی جامدات و استانداردهای پیچیده علمی بود.
در ماه می 1997، دیپ بلو نخستین رایانه ای بود که تواناست گری کاسباروف قهرمان شطرنج جهان را شکست دهد. در سال 2005، روبوت استنفورد رقابت بزرگ DARPA که 131 مایل رالی بیابان پیمایی بود را با موفقیت به انجام رساند. دوسال بعد، یک تیم از دانشگاه CMU موفق شد 55 مایل از رالی شهری را با وجود رعایت تمامی قوانین ترافیکی و مشکلات رانندگی در شهر بواسطه مسیریابی اتوماتیک سپری نماید.

در فوریه 2011، در رقابت نمایشگاهی حل مسایل پیچیده، سیستم پاسخگویی مسایل شرکت IBMتوانست راد راتر و کن جنینگز دو قهرمان نامی حل مسایل پیچیده را با فاصله ای خیره کننده شکست دهد. کینکت که بر اساس حرکات سه بعدی بدن انسان با واسطه دستگاه ایکس باکس 360 و ایکس باکس وان زراحی شده بود با استفاده از الگوریتم های بکارگرفته شده توسط محققان هوش مصنوعی شرکت ای فون اختراع شد.ترجمه  itrans.ir 

نظرات

در ادامه بخوانید...

واسط مغز و رایانه BCI

در

(سیارک) واسط مغز و رایانه (BCI)، که همچنین به صورت واسط ماشین و مغز (BMI) اشاره شده، یک سیستم مخابراتی نرم افزاری و سخت افزاری است که انسان ها را قادر می سازد تا با پیرامونشان بدون درگیری اعصاب و ماهیچه های محیطی و بیرونی، و با استفاده از سیگنال های کنترلی تولیدشده از فعالیت الکتروانسفالوگرافیک تعامل نمایند.  BCI یک کانال غیرماهیچه ای جدیدی را برای اتصال دادن نیات فرد به تجهیزات خارجی مثل رایانه ها، ترکیب کننده های گفتاری، اسباب کمک کننده و پروتزهای عصبی ایجاد می کند. این موضوع بخصوص برای افرادی با ناتوانی های شدید حرکتی جذاب است. چنین واسطی کیفیت زندگی شان را بهبود می داد و در همان زمان هزینه مراقبت ویژه را کاهش می داد.

BCI یک سیستم هوش مصنوعی است که می تواند یک مجموعه معینی از الگوها را در سیگنال های مغزی که پیروی 5 مرحله اجرایی هستند، تشخیص دهد: دریافت سیگنال، پیش پردازش یا بالا بردن سیگنال، استخراج خصیصه، طبقه بندی و واسط کنترلی.

مرحله دریافت سیگنال، سیگنال مغزی را در اختیار می گیرد و همچنین ممکن است کاهش اختلال و پردازش مصنوعی را اجرا نماید. مرحله پیش پردازش سیگنال هایی را به شکل مناسب برای پردازش بیشتر تهیه می کند. مرحله استخراج خصیصه اطلاعات متناقض را در سیگنال های مغزی که ثبت شده بودند را شناسایی می کند. به محض اینکه این اطلاعات سنجیده شد، سیگنال روی برداری حاوی خصیصه های موثر و جداکننده از سیگنال های مشاهده شده رسم می شود. استخراج این اطلاعات جالب خیلی کار چالش برانگیزی است. سیگنال های مغزی با سیگنال های دیگری که از مجموعه متناهی فعالیت های مغزی  هم مرز در هر دو وادی فضا و زمان می آیند، ترکیب و مخلوط می شوند. بعلاوه سیگنال معمولا ساکن و ایستا نیست و همچنین ممکن است بوسیله وسایل ساخته شده مثل الکترومیگرافی (EMG) یا الکترواکلوگرافی (EOG) از شکل طبیعی خارج شود. بردار خصیصه نیز باید به منظور کاهش پیچیدگی مرحله استخراج خصیصه اما بدون تلف کردن اطلاعات مربوطه از بعد پایینی باشد.

مرحله طبقه بندی سیگنال هایی را طبقه بندی می کند که بردار خصیصه را مهم در نظر می گیرند. بنابراین انتخاب خصیصه های متناقض خوب بابت دستیابی به بازشناسی و تصدیق الگو موثر به منظور رمزگشایی نیات کاربر اساسی است. سرانجام مرحله واسط کنترلی سیگنال های طبقه بندی شده را در دستورهای معنی دار برای هر دستگاه متصل مثل ویلچر یا یک رایانه ترجمه می نماید. تکنولوژی BCI به طور سنتی برای پژوهش های علمی جدی جذاب نبوده است. ایده رمزگشایی موفق افکار و نیات بوسیله فعالیت مغزی در گذشته اغلب به عنوان پدیده ای عجیب و بعید رد شده است. از اینرو پژوهش در زمینه فعالیت مغزی معمولا به تحلیل اختلال های عصب شناختی در کلینیک یا به کاوش کارکردهای مغزی در آزمایشگاه محدود شده-است. طرح BCI به خاطر قدرت تشخیص و قابلیت اطمینان محدود اطلاعاتی و تغییرپذیری بالایش که در مغز قابل کشف بود، خیلی پیچیده ملاحظه شد. بعلاوه سیستم های BCI نیازمند پردازش بلادرنگ سیگنال و آخرین و جدیدترین فناوری که یا موجود نبود یا واقعا خیلی گران بود، می باشند. ترجمه  itrans.ir 

نظرات

در ادامه بخوانید...

عکس غذا رو بده دستور پخت رو بگیر

در

 

مژده به کدبانو های اینستاگرام، بالاخره نرم افزاری ساخته شد که توانایی تولید عکس غذای  نهایی فقط با گرفتن طرز تهیه آن را دارد. این نرم افزار با استفاده از هوش مصنوعی عکس غذا های مختلف را با دریافت رسپی آن ها آماده می کند.

 

این هوش مصنوعی با 52 هزار دستور و عکس آموزش داده شده است تا بتواند عکس بشقاب نهایی را تولید کند.

نرم افزار موفقیت قابل توجهی در تولید عکس انواع پاستا، برنج، سوپ و سالاد داشته است. مشکل اصلی فعلا با غذا های شکل دار مثل همبرگر و مرغ است!

سازنده این نرم افزار گفت

همه چیز از انجایی شروع شد که از مادربزرگم خواستم طرز تهیه کیک ماهی و گوجه را به من یاد دهد، ولی اون بخاطر سن بالا نمی توانست طرز تهیه آن را بیاد بیاورد. ما به فکر افتادیم که نرم افزاری بسازیم که از روی غذا نهایی، دستور پخت آن را بنویسد، قسمت سخت این نرم افزار موادی مانند روغن، نمک یا فلفل هستند که در غذای نهایی دیده نمی شوند. برای همین ما برعکس این نرم افزار را ساختیم.

 

نظرات

در ادامه بخوانید...

پیش بینی زمان مرگ با هوش مصنوعی

در
تکنولوژی هوش مصنوعی دقیقا زمان مرگ را پیش بینی می کند
این برنامه توسط متخصصین دانشگاه ناتینگهام تهیه شده است. برای ایجاد الگوریتم، بیش از نیم میلیون نفر از 40 تا 69 سال سن برای جمع آوری داده های بهداشتی جمع آوری شده در Biobank از بریتانیا برای دوره ای از 2006 تا 2010 استفاده شد. سپس محققان سعی کردند پیش بینی کنند که کدام یک از این افراد در یک نقطه خاص در سال 2016 جان خود را از دست می دهند.
 
پیش بینی با استفاده از سه الگوریتم در یک بار انجام شد. دانشمندان می خواستند اثربخشی برنامه جدید را با کارایی دو مدل دیگر مقایسه کنند - یک آزمون استاندارد که به عنوان مدل ککس شناخته می شود و یک الگوریتم ساده تر AI به نام "جنگل تصادفی" نامیده می شود.
 
هر سه مدل فاکتورهای حساب شده مانند سن، جنسیت، تاریخ شروع سیگار کشیدن و تشخیص احتمالی سرطان را در بر داشت. با این حال، مدل ککس به شدت بر اطلاعات مربوط به قومیت و فعالیت بدنی تکیه کرد، اما دو مدل دیگر چنین نکردند.
 
مدل "جنگل تصادفی" بیشتر بر روی دور کمر ، درصد چربی بدن، رژیم غذایی و تون پوست تمرکز کرد، در حالی که مدل جدید بر آلودگی هوا، خطرات در محل کار، مصرف الکل و خطر مصرف داروهای خاص متمرکز بود .
 
نتیجه الگوریتم یادگیری ماشین جدید در بالاترین آمار ظاهر شد. مدل جدید به درستی پیش بینی کرد 76٪ از مرگ زودرس در میان 14،500 شرکت کننده که در زمان مشاهده در سال 2016 فوت کرده اند. جایگاه دوم با مدل "جنگل تصادفی" (64٪) و مدل ککس بیشتر از (44٪) را پشت سر گذاشته شد.
 
محققان از ناتینگهام بر این باورند که خیلی زود، AI شروع به بازی کردن در برنامه های استراتژی درمان شخصی، انطباق مدیریت ریسک با بیماران فردی خواهد کرد. تحقیقات بیشتری برای آزمایش الگوریتم های هوش مصنوعی در سایر گروه های جمعیت و نحوه معرفی سیستم های AI در مراقبت های بهداشتی عادی اختصاص داده خواهد شد.

نظرات

در ادامه بخوانید...

چرا StarCraft یک بازی بی نقص برای آزمایش هوش مصنوعی است

در
چرا StarCraft یک بازی بی نقص برای آزمایش هوش مصنوعی است
چرا StarCraft یک زمینه نبرد بی نقص برای آزمایش هوش مصنوعی است و دنیایی واقعی و مملو از مشکلات پیچیده است که قلمروهای فانتزی آموزش کامپیوتر برای حل آنها است.
 
DeepMind ، مجموعه ای از شرکت مادر Google ، در ماه ژانویه یک برنامه رایانه ای را آغاز کرد که قادر به شکست بازیکنان حرفه ای در یکی از سخت ترین بازی های ویدیویی جهان بود. StarCraft یک بازی علمی تخیلی نظامی است که در یک جهان گسترده با درگیری قرار دارد ، جایی که ارتش مخالفان با قدرت روبرو می شوند. و برنامه DeepMind با نام AlphaStar به بالاترین رتبه StarCraft II - Grandmaster رسید. براساس مطالعه ای که در ماه اکتبر در مجله Nature به چاپ رسیده است ، می تواند 99.8 درصد از بازیکنان انسانی را شکست دهد.
 
StarCraft یکی از محبوب ترین و دشوارترین  بازی های الکترونیکی در جهان است. و این وضعیت باعث شده است تا برنامه نویسان به دنبال استفاده از آن به عنوان یک زمینه آموزشی برای هوش مصنوعی باشند. این فقط گروه های تحقیقاتی شرکت هایی مانند DeepMind نیست که StarCraft را آزمایش کنند. گیمرهای آماتور و دانشگاهیان نیز چالش تلاش برای شکست بازیکنان انسانی StarCraft را با ربات های خودمختار به دست آورده اند.
 
اما چرا StarCraft ؟ بازی ویدیویی از ویژگی های بارز همتایان خیالی خود برخوردار است: نزاع در دنیای پس از آخرالزمانی ، مسابقه ای برای ساختن خود به قدرتمندترین حریف و نبرد برای شکست دشمنان. اما به جای کنترل یک عامل تیرانداز اول شخص ، مانند بازی هایی مانند Halo یا Overwatch ، بازیکنان کل اقتصاد سازندگان ، مبارزان و سیستم های دفاعی را که به صورت سمبولیک کار می کنند ، مدیریت می کنند تا آنها را از دست ندهند.
 
اگرچه از نظر طبیعت خارق العاده ای است ، دنیای چند وجهی StarCraft پیچیدگی هایی را ایجاد می کند که که استفاده از بازی  برای آموزش رایانه می تواند به محققان کمک کند تا ربات های بهتری با جلوه های دنیای واقعی بسازند.
 
پشت خود را تماشا کنید
آموزش الگوریتم های هوش مصنوعی برای به دست آوردن بازی ها در برابر انسان ها دارای سابقه طولانی است. حتی قبل از وجود رایانه ها ، مردم "ربات های" توهمی ایجاد می کردند که می توانست بازیکنانی را در بازی هایی مانند شطرنج شکست دهد . در سال 1997 ، IBM's Deep Blue قهرمان شطرنج جهان را شکست داد ، و الگوریتم های رایانه ای قدرتمند دیگری مانند AlphaZero و AlphaGo DeepMind ، در شکست اساتید ، از این درخواست پیروی کردند.
 
اما بازی های ویدیویی پیچیدگی را به سطح بعدی می رسانند. در StarCraft ، بازیکنان به عنوان یکی از سه مسابقه - Terran ، Protoss یا Zerg - هر یک از نقاط قوت و ضعف خاصی برخوردار هستند. به عنوان مثال ، Protoss مبارزان قدرتمند است . از طرف دیگر ، زرگ سریعترین سرعت را ایجاد می کند ، اما مبارزانی قوی نیستند ، بنابراین قدرت آنها به تعداد می رسد. 
 
علاوه بر این که نقاط قوت و ضعف مسابقه خود را به سادگی انتخاب می کنید ، چندین جنبه را نیز کنترل می کنید: کارگرانی که منابع را جمع می کنند ، سازندگان سیستم های دفاعی را ایجاد می کنند و مبارزان به دشمنان حمله می کنند. شما باید مطمئن باشید که بازیکنان دیگر از نقاط ضعف شما استفاده نمی کنند.
 
از این جنبه ها ، محققان مطالعه می کنند که چگونه تکنیک های خاص منجر به موثرترین گیم می شوند. در سال 2011 ، David Churchill مقاله ای را در مورد نظم ساخت در StarCraft II نوشت ، و در مورد چگونگی اولویت بندی ایجاد منابع می تواند بر موفقیت در بازی تأثیر بگذارد.
 
David Churchill می گوید ، این تحقیق درک واضح تری از نحوه کار الگوریتم ها برای حل مشکلات در یک محیط شبیه سازی شده به ما می دهد.
 
David Churchill می گوید: "بازی روش خاصی برای بازی با هوش مصنوعی وجود دارد که اجازه می دهد تا توسط آن برای عموم مردم هضم شود." و بازی ها همچنین راهی برای آزمایش "هوش" یک الگوریتم ارائه می دهند - چقدر خوب آن را یاد می گیرد ، محاسبه می کند و دستورات را به صورت خودگردان انجام می دهد.
 
فراتر از هیئت مدیره
قبل از StarCraft ، David Churchill با الگوریتم هایی که برای شکست دادن board games طراحی شده بود ، سر و کار داشت. برنامه ای که وی برای پایان نامه دکتری خود ساخته بود به منظور برنده شدن در یک بازی به نام Ataxx ، یک بازی استراتژی به سبک بازی در دهه 1990 در یک بازی مجازی طراحی شده است. این اولین بار بود که وی برنامه ای را ایجاد می کرد که می توانست یک بازی بهتر از آنچه ممکن است انجام دهد.
 
 
از آن زمان ، تحقیقات David Churchill بر بازی های ویدئویی هوش مصنوعی متمرکز شده است ، و StarCraft مورد علاقه  او است. یک عنصر که AI بازی board games را از AI بازی ویدیویی جدا می کند ، فریبنده و ساده است: توانایی بازیکن برای دیدن یکباره کل چشم انداز.
 
بر خلاف Ataxx ، شما نمی توانید کل نقشه را در StarCraft بدون پیمایش مشاهده کنید ، این امر باعث می شود توجه بیشتری به منابع خود داشته باشید. همچنین درک این موضوع که دشمن شما در حال طرح ریزی است دشوارتر می شود.
 
او می گوید: "شما نمی دانید دشمن شما چه کاری را انجام می دهد تا اینکه درست در کنار آنها بایستید." این یک نمایش نزدیکتر به زندگی واقعی است
 
و بازی هایی مانند چکرز یا شطرنج در زمان واقعی اتفاق نمی افتد - هنگامی که یک بازیکن حرکت کند ، هیچ محدودیتی برای حریف وجود ندارد. اما ، همانطور که David Churchill می گوید ، "در StarCraft ، اگر من شما را نکشم ، شما مرا می کشید."
 
او حتی آن را با چیزی به ظاهر ساده فوتبال مقایسه می کند. اگر در اطراف زمین ایستاده باشید ، بازیکنان همچنان به زدن توپ ادامه می دهند ، گل ها همچنان به گل می رسند و بازی به پیشرفت خود ادامه می دهد. همان مورد StarCraft - بدون توجه به اینکه نیروهای خود را از نزدیک حفظ می کنید یا به طور جدی با دشمنان خود می جنگید ، بازی با مداخله شما یا بدون شما ادامه خواهد یافت.
 
استفاده از بازی های پیچیده ای مانند StarCraft می تواند به دانشمندان در الگوریتم های آموزش مهارت های جدید در محیطی با متغیرهای زیادی کمک کند. David Churchill می گوید بازی های ویدئویی می توانند دروازه ای برای آموزش ماشین آلات باشند تا در تشخیص تصویر ، پیشنهادات جستجو یا هر الگوریتمی که باید در تصمیم گیری ها به انسان کمک کند ، بهتر باشند.او می گوید: "این سطح از پیچیدگی (در بازی ها) شروع می شود تا به آنچه در دنیای واقعی می بینیم نزدیک شود."
 
میدان جنگ
از سال 2011 ، David Churchill یک رویداد بین المللی سالانه به نام AIIDE StarCraft AI Competition را برگزار کرده است که در آن علاقه مندان به بازی و متخصصان بازی برای ساخت و آزمایش الگوریتم های بازی ها جمع می شوند. یکی از آن بازی ها StarCraft است ، اگرچه آنها به جای StarCraft II از StarCraft: Brood War به عنوان زمینه های آزمایش استفاده می کنند .
 
David Churchill می گوید ، اما امتیازاتی که تیم ها برای AIIDE ایجاد می کنند با پروژه هایی مانند AlphaStar متفاوت است. بعضی از آنها "هوش مصنوعی واقعی" یا ربات هایی هستند که از شبکه های عصبی برای یادگیری الگوها و دانش قبلی استفاده می کنند تا یک بازی را بدست آورند. برخی دیگر با قواعد كد شده سخت و ساده ای كه به یك واحد آموزش می دهند اگر یك اتفاق خاص در هنگام اجرای گیم اتفاق بیفتد ، از رویكرد ساده تری استفاده می كنند.
 
و هر ساله ، برگزارکنندگان قانونی را اجرا می کنند که تیم ها پس از مسابقه باید کد خود را از متن باز استفاده کنند. از این طریق ، رقبا می توانند بر اساس الگوریتم های گذشته ایجاد کنند تا ربات های خود را قوی تر ، باهوش تر و قدرتمندتر کنند.
 
David Churchill حتی با وجود AlphaStar در سرفصل ها ، می گوید که این رقابت جایی نمی رود. در حالی که تیم DeepMind میزان موفقیت بالای الگوریتم را بررسی می کند ، میزان منابع درج شده در پروژه به یک استاندارد قدرت می رسد که بسیار فراتر از توانایی های برنامه نویسان متوسط ​​است.
 
برای اولین بار در عرضه AlphaStar، الگوریتم انجام با قابلیت های فوق العاده انسانی و مزایای خاصی نسبت به انسان داشت. به عنوان مثال ، کامپیوتر می تواند تمام واحدهای قابل مشاهده خود را بدون نیاز به حرکت در نقشه برای اجرای دستورات مشاهده کند ، و اقدامات را دقیق تر از یک بازیکن حرفه ای با کلیک بر روی ماوس انجام دهد.
 
بنابراین ، برای مقاله Nature ، DeepMind محدودیت هایی در توانایی کامپیوتر برای کنترل همزمان واحدهای خود ایجاد کرده است. محدودیت های دیگر در مورد سرعت و توانایی های برنامه از ابتدا وجود داشت تا بتواند آن را در یک سطح نزدیک تر به یک بازیکن انسانی قابل رقابت کند. اما حتی با وجود مرزها ، AlphaStar هنوز هم قادر به شکست حرفه ای ها بود.
 
قدرت پشت دستگاه از هر بات StarCraft که قبلاً ایجاد شده بود ، قوی تر بود . DeepMind چندین بازیکن خودکار را برای تخصص در مسابقات خاص ایجاد کرد و هر یک از آنها را به مدت 44 روز در تماشای تکرار بازی های انسانی آموزش داد. قدرت پردازش توسط نسل سوم پردازش Tensor Google (TPU) پشتیبانی شده است ، یک تراشه بسیار قدرتمند که در برنامه های یادگیری دستگاه خود برای برنامه هایی مانند Google Translate استفاده می شود.
 
AlphaGo ، الگوریتمی که توسط DeepMind برای شکست دادن بازی روی صفحه Go طراحی شده است ، از 4 TPU استفاده می کند . از طرف دیگر AlphaStar از 32 استفاده می کند.
 
David Churchill می گوید: "آنچه آنها ایجاد كرده اند الگوریتمی است كه فقط DeepMind می تواند از آن استفاده كند." برای او ، چالش بعدی این است که محققان الگوریتم های بازی را کم کنند تا آنها کمی انرژی کمتری به خرج دهند و کمی ظریف تر کار کنند.
 
بازیهای تیمی ، برخلاف نبردهای یک به یک ، همچنین می توانند یک چالش جدید برای رباتهای بدون سرنشین باشند. و چون الگوریتم ها همچنان با بازیکنان بشر به هم می پیوندند ، ممکن است زمانی وجود داشته باشد که انسان و هوش مصنوعی در یک تیم بازی کنند.
 
اما در حال حاضر ، بازی هایی مانند StarCraft در تحقیقات در مورد چگونگی یادگیری ماشین می تواند مشکلات پیچیده ای را تجربه کند. برای David Churchill ، دنیای خیال و واقعیت تقریباً غیرقابل تشخیص است.
 
David Churchill می گوید: "این همه این جوانب مثبت و منفی ، تبعات و منافع است." همه افراد چیزی را دارند که می خواهند حداکثر کنند ... شما در بازی حداکثر رساندن اعداد هستید. این همان کاری است که ما در بازی ها انجام می دهیم. "

نظرات

در ادامه بخوانید...

هوش مصنوعی به پیش بینی حمله قلبی و سکته کمک می کند

در
هوش مصنوعی به پیش بینی حمله قلبی و سکته کمک می کند
هوش مصنوعی به پیش بینی حمله قلبی و سکته کمک می کند. برای اولین بار از هوش مصنوعی(AI) برای ارزیابی دقیق جریان خون در یک مطالعه انجام شده توسط UCL و Barts Health NHS Trust استفاده شد. 
 
بیماری قلبی علت اصلی مرگ و میر جهانی است. کاهش جریان خون ، که اغلب قابل درمان است ، علائم شایع بسیاری از بیماریهای قلبی است. سازمان های بین المللی به طور کلی آزمایش برای اندازه گیری جریان خون بیمار را توصیه می کنند ، اما بسیاری از آنها تهاجمی هستند و خطرات خاصی را به همراه دارند.
 
تاکنون تجزیه و تحلیل ارزیابی جریان خون غیر تهاجمی موجود ، از جمله تصویربرداری از رزونانس مغناطیسی قلبی عروقی (CMR) ،بسیار دشوار بوده است. نوع جدیدی از هوش مصنوعی قادر به مطالعه این تحلیل ها خواهد بود.
 
نتایج هوش مصنوعی می تواند احتمال مرگ ناشی از حمله قلبی یا سکته مغزی در بیماران را پیش بینی کند. پزشکان می توانند از این داده ها هنگام توصیه روشهای درمانی برای بهبود جریان خون در افراد بیمار استفاده کنند.
 
این مطالعه پتانسیل فناوری تصویربرداری هوش مصنوعی را برای بهبود تشخیص بیماری های قلبی نشان می دهد. این سیستم می تواند پزشکان را به ایجاد داروهای دقیق تر برای بهینه سازی مراقبت از بیماران نزدیک کند. 
     
به عنوان بخشی از آموزش هوش مصنوعی ، دانشمندان تصاویر CMR را از بیش از 1 هزار نفر گرفتند. پزشکان پس از مطالعه هوش مصنوعی پیش بینی آن را با نظر پزشکان واجد شرایط مقایسه کردند. علاوه بر این ، بر اساس این داده ها ، شبکه عصبی آموخته است که احتمال حمله قلبی یا سکته مغزی را حتی بهتر از پزشکان پیش بینی کند.

نظرات

در ادامه بخوانید...

هوش مصنوعی برای تعیین سن اثر انگشت به کار گرفته شد

در
هوش مصنوعی برای تعیین سن اثر انگشت به کار گرفته شد
شیمیدانان جوان جین لی و پیج هنرز ممکن است راهی برای تعیین سن اثر انگشت باقی مانده بدست آورده باشند
طیف سنج جرمی به تعیین سن اثر انگشت کمک می کند. یک ابزار پزشکی قانونی جدید توسط محققان دانشگاه ایالتی آیووا به ارتباط دقیق تر صحنه جرم با مظنون کمک می کند. این اثر در مجله Analytical Chemistry منتشر شده است.
 
مطمئناً ، همه ما می دانیم که اثر انگشت های منحصر به فرد ، حلقه ها و قوس های موجود در چاپ می توانند شخص را شناسایی کنند. اما اکنون محققان در حال مطالعه چگونگی ترکیبات طبیعی و محیطی موجود در آنها هستند که می توانند سرنخ هایی در مورد سبک زندگی ، جنسیت و قومیت فرد ارائه دهند.
 
اما حتی وقتی محققان اطلاعات جدیدی را در اثر انگشت کشف می کنند ، آنها هنوز راهی برای تعیین یک واقعیت اساسی در مورد آن پیدا نکرده اند:
 
اثر انگشت به جا مانده چند سال دارد؟
 
این اطلاعاتی است که به طور بالقوه می تواند یک مظنون را به صحنه جنایت مرتبط کند.و این شیمیدانان در دانشگاه ایالتی آیووا شروع به ارائه کرده اند.
 
محققان پزشکی قانونی از قبل می دانند که با گذشت زمان ، خطوط موجود در اثر انگشت تخریب و پراکنده می شوند. تاکنون این عامل غیرمستقیم برای تعیین سن مورد استفاده قرار گرفته است - با این حال ، بسیار دشوار است كه بگوییم دقیقاً فاصله بین خطوط اثر انگشت در ابتدا ، بدون داشتن اثر انگشت جدید به عنوان نمونه ، در چه حد است.
 
محققان در تلاش برای آموزش هوش مصنوعی برای تجزیه و تحلیل خودکار اثر انگشت برای تخریب خطوط ، عامل مهم دیگری را پیدا کردند که نشان دهنده پیری اثر انگشت است و آن - ناپدید شدن روغنهای چرب اشباع نشده است.
 
تحقیقات بیشتر نشان داد که تری آسیل گلیسرول ها با گذشت زمان کاملاً از بین می روند و سایر ترکیبات در نتیجه واکنش های ازون یا اوزونولیز به جای آن تشکیل می شوند.
 
آزمایش نشان داد که استفاده از طیف سنج جرمی امکان تعیین محتوای تری آسیل گلیسرول ها یا مواد حاصل از واکنش با ازن را فراهم می کند و با دقت بالایی می توان تعیین کرد که دقیقاً اثر انگشت باقی مانده چه سنی دارد.
 
شیمیدانان همچنین آزمایش کردند که آیا پودر مورد استفاده برای ایجاد اثر انگشت در توانایی طیف سنجی جرمی در تجزیه و تحلیل تخریب اثر انگشت و پیری تأثیر می گذارد. معلوم شد این پودر بر توانایی محققان در جمع آوری داده ها و تعیین پیری اثر انگشت تأثیر نمی گذارد.

نظرات

در ادامه بخوانید...