Probabilistisk computing tager kunstig intelligens til det næste trin

Den potentielle effekt af kunstig intelligens (AI) har aldrig været større - men vi får kun succes, hvis AI kan levere smartere og mere intuitive svar.

En vigtig barriere for AI i dag er, at naturlige data, der tilføres en computer, stort set er ustrukturerede og "støjende".

Det er let for mennesker at sortere gennem naturlige data. For eksempel:Hvis du kører bil i en villavej og ser en bold rulle foran dig, du ville stoppe, forudsat at der er et lille barn ikke langt bag den bold. Computere i dag gør ikke dette. De er bygget til at hjælpe mennesker med præcise produktivitetsopgaver. At gøre computere effektive til at håndtere sandsynligheder i stor skala er centralt for vores evne til at omdanne nuværende systemer og applikationer fra avancerede beregningshjælpemidler til intelligente partnere til forståelse og beslutningstagning.

Det er derfor, probabilistisk computing er en nøglekomponent for AI og central for at løse disse udfordringer. Probabilistisk computing vil give fremtidige systemer mulighed for at forstå og beregne usikkerheder forbundet med naturlige data, hvilket gør det muligt for os at bygge computere, der er i stand til at forstå, forudsigelse og beslutningstagning.

I dag hos Intel, vi observerer en hidtil uset vækst i applikationer, der er afhængige af analyse af støjende naturlige data - forskellige og endda modstridende oplysninger. Sådanne applikationer sigter mod at hjælpe mennesker med et højere niveau af intelligens og bevidsthed om de miljøer, de arbejder i. At skære igennem dette støjende minefelt er centralt for vores evne til at omdanne computere til intelligente partnere, der kan forstå og handle på information med menneskelig troskab.

Forskning i probabilistisk computing er ikke et nyt studieområde, men forbedringerne i højtydende computing og dybe læringsalgoritmer kan føre probabilistisk computing ind i en ny æra. I de næste par år, vi forventer, at forskning inden for probabilistisk computing vil føre til betydelige forbedringer af pålideligheden, sikkerhed, anvendelighed og ydelse af AI -systemer, herunder hardware specielt designet til probabilistisk computing. Disse fremskridt er afgørende for implementering af applikationer i den virkelige verden - fra smarte hjem til smarte byer.

For at fremskynde vores arbejde inden for sandsynlighedsregning, Intel øger sin forskningsinvestering i sandsynlige computere, og vi arbejder sammen med partnere for at forfølge dette mål.

Etablering af Intel Strategic Research Alliance for Probabilistic Computing

At realisere det fulde potentiale i sandsynligt databehandling indebærer en holistisk integration af flere niveauer i computingteknologi. I dag, Intel understregede sit engagement i integreret og kollaborativ implementering af nye computingarkitekturer og en sund strategi for økosystemaktivering ved at sende en opfordring til de akademiske og opstartsfællesskaber om at samarbejde med os om at fremme probabilistisk computing fra laboratoriet til virkeligheden på tværs af disse vektorer:benchmark-applikationer , modstridende angreb mod angreb, sandsynlige rammer og software- og hardwareoptimering.

Et øje til det næste

Vi er utroligt ivrige efter at se forslagene om at fremme probabilistisk computing og fortsætte denne forskning med potentiale til at hæve barren for, hvad AI kan hjælpe os med at opnå. Akademiske forslag forventes at blive indsendt inden den 25. maj, og blandt dem vil vi udvælge de bedste forskerhold.

Vi begyndte denne rejse med forskning i neuromorfe computere - med fokus på vores forståelse af den menneskelige hjerne og dens tilhørende beregningsprocesser. Starten på det neuromorfe forskningsmiljø, der blev annonceret den 1. marts, er også på rette spor, og vi planlægger at fortsætte med at skalere vores Loihi på skyen for at give forskere adgang til avanceret hardware. Vi ser en vej til at nå 100 milliarder synapser på et enkelt system i 2019.

Desuden, Intel har allerede arbejdet på at afkode hjernen og fremme den næste fase i neurovidenskab som en del af vores forskningspartnerskab med Princeton University. Vi glæder os til yderligere at forstå intelligens- og beslutningsprocessen gennem vores sandsynlige databehandlingsarbejde.