Τουλάχιστον από το 1950, όταν το περίφημο «Υπολογιστικές Μηχανές και ΝοημοσύνηΗ εργασία δημοσιεύτηκε για πρώτη φορά στο περιοδικό Μυαλό, επιστήμονες υπολογιστών που ενδιαφέρονται για την τεχνητή νοημοσύνη έχουν γοητευτεί από την ιδέα της κωδικοποίησης του νου. Ο νους, όπως λέει η θεωρία, είναι ανεξάρτητος από το υπόστρωμα, που σημαίνει ότι η ικανότητα επεξεργασίας του δεν χρειάζεται, εξ ανάγκης, να συνδέεται με το υγρό λογισμικό του εγκεφάλου. Θα μπορούσαμε να ανεβάσουμε μυαλά σε υπολογιστές ή, πιθανώς, να δημιουργήσουμε εντελώς νέα, εξ ολοκλήρου στον κόσμο του λογισμικού.
Περιεχόμενα
- Τεχνητά γενετικά δεδομένα
- Όλα για το απόρρητο δεδομένων
Όλα αυτά είναι γνωστά πράγματα. Ενώ δεν έχουμε ακόμη δημιουργήσει ή αναδημιουργήσει ένα μυαλό στο λογισμικό, εκτός από τις αφαιρέσεις χαμηλότερης ανάλυσης που είναι σύγχρονα νευρωνικά δίκτυα, δεν υπάρχει έλλειψη επιστημόνων υπολογιστών που εργάζονται σε αυτήν την προσπάθεια στιγμή.
Προτεινόμενα βίντεο
Αυτό που είναι εντελώς λιγότερο γνωστό είναι η εργασία που διεξάγεται από ερευνητές στο Πανεπιστήμιο του Tartu της Εσθονίας και στο Πανεπιστήμιο Paris-Saclay της Γαλλίας.
Σχετίζεται με
- Πώς θα ξέρουμε πότε ένα AI γίνεται πραγματικά αισθητό;
- Η αστεία φόρμουλα: Γιατί το χιούμορ που δημιουργείται από μηχανή είναι το ιερό δισκοπότηρο του A.I.
- Το μέλλον της A.I.: 4 μεγάλα πράγματα που πρέπει να προσέξετε τα επόμενα χρόνια
Αντί απλώς να προσπαθήσουν να δημιουργήσουν ξανά μια προσέγγιση του μυαλού στο λογισμικό, έχουν στραφεί στο α διαφορετικό πρόβλημα: Μπορείτε να χρησιμοποιήσετε έναν αλγόριθμο για τη δημιουργία γενετικού κώδικα για άτομα που δεν το έχουν κάνει ποτέ υπήρχε? Θα μπορούσατε να εφαρμόσετε την ίδια τεχνολογία Generative Adversarial Network (GAN) που σας επιτρέπει ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. μοντέλα όπως το BigSleep να φτύνει αναγκαστικά ρεαλιστικές παραγόμενες εικόνες και να το χρησιμοποιεί, αντ' αυτού, για να δημιουργήσει ψεύτικο DNA που, σύμφωνα με το έργο του Τούρινγκ, δεν διακρίνεται από αυτό ενός ανθρώπου από σάρκα και οστά;
Τεχνητά γενετικά δεδομένα
«Η δημιουργία τεχνητών γενετικών δεδομένων που είναι αρκετά ρεαλιστικά, χωρίς απευθείας αντιγραφή των αλληλουχιών, είναι ένα πολύ δύσκολο πρόβλημα». Φλόρα Τζέι, ένας ερευνητής που ειδικεύεται στη μηχανική μάθηση και τη γενετική πληθυσμού στο Πανεπιστήμιο Paris-Saclay University, δήλωσε στο Digital Trends. «Τα γενετικά δεδομένα είναι μεγάλης διάστασης και δεν μπορείς να κάνεις το μάτι μόνο τι είναι σημαντικό ή όχι. Έτσι, στραφήκαμε σε τεχνικές αιχμής [που] εφαρμόζονται στον κόσμο της όρασης του υπολογιστή, του κειμένου, της μουσικής ή της πρωτεΐνης. Αυτά τα δίκτυα παραγωγής — GAN και [περιορισμένες μηχανές Boltzmann] — έχουν σχεδιαστεί έτσι ώστε να μπορούν σταδιακά και αυτόματα να μάθουν πώς να δημιουργούν τεχνητές γενετικές αλληλουχίες».
Ένα GAN, μια κατηγορία πλαισίου μηχανικής μάθησης που επινοήθηκε από τον ερευνητή (και νυν υπάλληλο της Apple) Ian Goodfellow, χρησιμοποιεί μια μαχητική, διελκυστίνδα προσέγγιση για να βελτιώσει τα παραγωγικά του αποτελέσματα. Αποτελείται από δύο νευρωνικά δίκτυα: μια «γεννήτρια» και μια «διάκριση» που περνούν εξόδους μεταξύ τους.
Η δουλειά της γεννήτριας είναι να δημιουργήσει κάτι, είτε πρόκειται για A.I. ζωγραφική ή ένα κομμάτι κώδικα που αντιπροσωπεύει ένα τεχνητό γονιδίωμα με τη μορφή μονάδων και μηδενικών. Το διακριτικό, σαν μια bot έκδοση του J.K. Ο τελειομανής εκπαιδευτής μουσικής του Simmons στην ταινία Μαστίγωμα, στη συνέχεια ασκεί κριτική στις προσπάθειές του και το στέλνει πίσω στη γεννήτρια. Η γεννήτρια μαθαίνει από αυτή την ανατροφοδότηση, ενώ ο χρήστης που κάνει διάκριση γίνεται ολοένα και καλύτερος στο να μαντέψει τι έχει δημιουργηθεί από τη γεννήτρια και ποιο είναι το γνήσιο αντικείμενο. Τελικά, η γεννήτρια είναι τόσο καλή στο να δημιουργεί ψεύτικες εκδόσεις ό, τι επιχειρεί, που μπορεί να ξεγελαστεί ο διάκριτος. Δεν είναι πλέον σε θέση να διαφοροποιήσει το πραγματικό από το ψεύτικο.
"Ένα από τα κύρια προβλήματα εδώ είναι η αξιολόγηση της ποιότητας των τεχνητών γονιδιωμάτων." Burak Yelmen, Διδάκτωρ. φοιτητής στο Ινστιτούτο Γονιδιωματικής του Πανεπιστημίου του Tartu, είπε στο Digital Trends. «Μπορείτε να κοιτάξετε μια εικόνα και να αποφασίσετε αν φαίνεται αληθινή, αλλά αυτό δεν είναι δυνατό για τα γονιδιώματα. Η πλειονότητα των αναλύσεων που πραγματοποιήσαμε στη μελέτη μας ήταν για να δούμε αν τα τεχνητά κομμάτια γονιδιώματος που δημιουργήσαμε έμοιαζαν πραγματικά με τα πραγματικά».
Μην ανησυχείς όμως. Παρά την αυξανόμενη μάζα άρθρων σχετικά με την εξαιρετικά αμφίβολη παραβίαση γονιδίων που έχει σχεδιαστεί για να ξαναγράψει τον ανθρώπινο κώδικα, αυτό το έργο δεν έχει να κάνει με την προσπάθεια να «γράψει» νέους ανθρώπους χωρίς γονείς που θα μπορούσαν να δημιουργηθούν με τη βοήθεια υπερυπολογιστές.
«Για να είμαστε σαφείς, ο στόχος της δουλειάς μας είναι να κατανοήσουμε καλύτερα και να κωδικοποιήσουμε την υπάρχουσα γενετική ποικιλία χιλιάδων ή εκατομμυρίων ανθρώπων σε όλο τον κόσμο, όχι για τη δημιουργία τεχνητών κυττάρων», είπε ο Τζέι είπε. «Τα νευρωνικά δίκτυα εκπαιδεύονται σε αυτήν την υπάρχουσα ποικιλομορφία, επομένως οι δημιουργούμενες γονιδιωματικές περιοχές δεν φέρουν πρόσθετες νέες μεταλλάξεις που θα μπορούσαν εύκολα να διαταράξουν τη λειτουργικότητα μιας ακολουθίας — και περιλαμβάνουν, ανέγγιχτα, τα τμήματα που διατηρούνται σε ανθρώπους πληθυσμούς».
Ο Jay σημείωσε ότι, σε ολόκληρη την κλίμακα του γονιδιώματος, είναι «δύσκολο να πούμε» εάν ένας συγκεκριμένος συνδυασμός εκατομμυρίων δημιουργούμενων νουκλεοτιδίων θα μπορούσε πράγματι να είναι "λειτουργικός." Με άλλα λόγια, μην περιμένετε να μεταγλωττίσετε και να εκτελέσετε αυτόν τον κώδικα, περιμένοντας να εμφανιστεί ένα πλήρως διαμορφωμένο άτομο (ή τα σχεδιαγράμματά του) στο άλλο τέλος. Αντίθετα, ο σκοπός είναι κάτι εντελώς λιγότερο απαίσιο και, ενδεχομένως, πιο χρήσιμο.
Όλα για το απόρρητο δεδομένων
«Υπάρχει ένας τεράστιος όγκος δεδομένων στις βιοτράπεζες και αυξάνεται συνεχώς κάθε μέρα», δήλωσε ο Yelmen. «Ωστόσο, τα γονιδιωματικά δεδομένα είναι ευαίσθητα δεδομένα και η πρόσβαση σε αυτές τις βιοτράπεζες μπορεί να είναι δύσκολη για τους ερευνητές λόγω ηθικών ανησυχιών. Ο κύριος στόχος της δουλειάς μας είναι να δημιουργήσουμε υψηλής ποιότητας υποκατάστατα υφιστάμενων τραπεζών γονιδιώματος και να δώσουμε λύση σε αυτό το εμπόδιο προσβασιμότητας μέσα σε ένα ασφαλές ηθικό πλαίσιο. Είναι σημαντικό να σημειωθεί ότι η μελέτη μας ήταν ένα πρώτο βήμα: Υπάρχει ακόμη δουλειά να γίνει».
Πρόσθεσε ο Τζέι: «Η ιδέα πίσω από τη μελέτη μας είναι να ξεκινήσουμε τη διερεύνηση εάν απελευθερώνουμε τεχνητά γονιδιώματα αντί για αληθινά θα μπορούσαν να διατηρήσουν το απόρρητο των δοτών γονιδιώματος, παρέχοντας παράλληλα χρήσιμες πληροφορίες στη γενετική του πληθυσμού κοινότητα. [Πιθανές] εφαρμογές τεχνητών γονιδιωμάτων θα μπορούσαν να κυμαίνονται από την καλύτερη κατανόηση του εξελικτικού μας παρελθόντος έως την παροχή γνώσεων στην ιατρική γενετική, συμπεριλαμβανομένου ενός ευρύτερου φάσματος ποικιλομορφίας».
Κατά κάποιο τρόπο, το έργο θυμίζει την τάση, όπως φαίνεται λίγα χρόνια πριν, στα οποία χρησιμοποιήθηκαν τα GAN για τη δημιουργία εικόνων φανταστικών ανθρώπων, ζώων και άλλων, όπως επισημάνθηκε από τον ιστότοπο δημιουργίας ThisPersonDoesNotExist.com. Μόνο που αυτή τη φορά, φυσικά, περιλαμβάνει πραγματικό γενετικό κώδικα, αντί για απλές εικόνες.
Μια εργασία που περιγράφει το έργο, με τίτλο «Δημιουργία τεχνητών ανθρώπινων γονιδιωμάτων χρησιμοποιώντας γενετικά νευρωνικά δίκτυα», ήταν δημοσιεύτηκε πρόσφατα στο περιοδικό PLOS Genetics.
Συστάσεις των συντακτών
- Οι οπτικές ψευδαισθήσεις θα μπορούσαν να μας βοηθήσουν να δημιουργήσουμε την επόμενη γενιά τεχνητής νοημοσύνης
- Αναλογικό A.I.; Ακούγεται τρελό, αλλά μπορεί να είναι το μέλλον
- Διαβάστε την απόκοσμα όμορφη «συνθετική γραφή» ενός A.I. που νομίζει ότι είναι Θεός
- Αλγοριθμική αρχιτεκτονική: Πρέπει να αφήσουμε το A.I. σχεδίαση κτιρίων για εμάς;
- Αυτή η τεχνολογία ήταν επιστημονική φαντασία πριν από 20 χρόνια. Τώρα είναι πραγματικότητα
