Revolutionerende hverdagsprodukter med kunstig intelligens

"Hvem er Bram Stoker?" Disse tre ord demonstrerede det fantastiske potentiale ved kunstig intelligens. Det var svaret på et sidste spørgsmål i en særlig mindeværdig episode af Jeopardy! fra 2011. De tre konkurrenter var tidligere mestre Brad Rutter og Ken Jennings, og Watson, en supercomputer udviklet af IBM. Ved at svare rigtigt på det sidste spørgsmål, Watson blev den første computer til at slå et menneske i det berømte quizshow.

"På en måde, Watson vinder Jeopardy! virkede uretfærdigt over for folk, " siger Jeehwan Kim, klasse '47 karriereudviklingsprofessor og et fakultetsmedlem af MIT-afdelingerne for Mechanical Engineering og Materials Science and Engineering. "Dengang Watson var forbundet til en supercomputer på størrelse med et værelse, mens den menneskelige hjerne kun vejer et par kilo. Men evnen til at replikere en menneskelig hjernes evne til at lære er utrolig svær."

Kim har specialiseret sig i maskinlæring, som er afhængig af algoritmer til at lære computere at lære som en menneskelig hjerne. "Maskinlæring er kognitiv databehandling, " forklarer han. "Din computer genkender ting, uden at du fortæller computeren, hvad den ser på."

Machine learning er et eksempel på kunstig intelligens i praksis. Mens udtrykket "machine learning" ofte fremtryller science fiction, der er typisk for programmer som "Westworld" eller "Battlestar Galactica, " smarte systemer og enheder er allerede gennemgående i vores daglige liv. Computere og telefoner bruger ansigtsgenkendelse til at låse op. Systemer registrerer og justerer temperaturen i vores hjem. Enheder besvarer spørgsmål eller afspiller vores yndlingsmusik efter behov. Næsten alle større biler Virksomheden har deltaget i kapløbet om at udvikle en sikker selvkørende bil.

For at nogen af ​​disse produkter skal virke, både software og hardware skal fungere perfekt synkront. Kameraer, taktile sensorer, radar, og lysdetektion skal alle fungere korrekt for at sende information tilbage til computere. Algoritmer skal designes, så disse maskiner kan behandle disse sensoriske data og træffe beslutninger baseret på den højeste sandsynlighed for succes.

Kim og en stor del af fakultetet ved MIT's Department of Mechanical Engineering skaber ny software, der forbinder med hardware for at skabe intelligente enheder. I stedet for at bygge de sansende robotter, der er romantiseret i populærkulturen, disse forskere arbejder på projekter, der forbedrer hverdagen og gør mennesker sikrere, mere effektivt, og bedre informeret.

Gør bærbare enheder smartere

Jeehwan Kim holder et ark papir op. Hvis han og hans team har succes, en dag vil kraften i en supercomputer som IBMs Watson blive skrumpet ned til størrelsen af ​​et ark papir. "Vi forsøger at bygge et egentligt fysisk neuralt netværk på en Letter-papirstørrelse, " forklarer Kim.

Til dato, de fleste neurale netværk har været software-baserede og lavet ved hjælp af den konventionelle metode kendt som Von Neumann computing-metoden. Kim har dog brugt neuromorfe beregningsmetoder.

"Neuromorf computer betyder bærbar AI, " siger Kim. "Så, du bygger kunstige neuroner og synapser på en småskala wafer." Resultatet er en såkaldt 'hjerne-på-en-chip'.

I stedet for at beregne information fra binær signalering, Kims neurale netværk behandler information som en analog enhed. Signaler fungerer som kunstige neuroner og bevæger sig på tværs af tusindvis af arrays til bestemte krydspunkter, som fungerer som synapser. Med tusindvis af arrays forbundet, store mængder information kunne behandles på én gang. For første gang, et bærbart stykke udstyr kunne efterligne hjernens processorkraft.

"Nøglen med denne metode er, at du virkelig har brug for at kontrollere de kunstige synapser godt. Når du taler om tusindvis af krydspunkter, det giver udfordringer, " siger Kim.

Ifølge Kim, designet og materialerne, der er blevet brugt til at fremstille disse kunstige synapser, har hidtil været mindre end ideelle. De amorfe materialer, der bruges i neuromorfe chips, gør det utroligt svært at kontrollere ionerne, når først spænding er påført.

I en Naturmaterialer undersøgelse offentliggjort tidligere i år, Kim fandt ud af, at når hans hold lavede en chip af siliciumgermanium, var de i stand til at kontrollere strømmen, der strømmede ud af synapsen og reducere variabiliteten til 1 procent. Med kontrol over, hvordan synapserne reagerer på stimuli, det var tid til at prøve deres chip.

"Vi forestiller os, at hvis vi opbygger det faktiske neurale netværk med materiale, kan vi faktisk lave håndskriftsgenkendelse, " siger Kim. I en computersimulering af deres nye kunstige neurale netværksdesign, de gav tusindvis af håndskriftsprøver. Deres neurale netværk var i stand til nøjagtigt at genkende 95 procent af prøverne.

"Hvis du har et kamera og en algoritme til håndskriftsdatasættet forbundet til vores neurale netværk, du kan opnå håndskriftsgenkendelse, " forklarer Kim.

Mens opbygningen af ​​det fysiske neurale netværk til håndskriftsgenkendelse er det næste skridt for Kims team, potentialet i denne nye teknologi rækker ud over håndskriftsgenkendelse. "At skrumpe styrken af ​​en supercomputer ned til en bærbar størrelse kan revolutionere de produkter, vi bruger, " siger Kim. "Potentialet er ubegrænset – vi kan integrere denne teknologi i vores telefoner, computere, og robotter for at gøre dem væsentligt smartere."

Gør hjemmet smartere

Mens Kim arbejder på at gøre vores bærbare produkter mere intelligente, Professor Sanjay Sarma og forsker Josh Siegel håber at kunne integrere smarte enheder i det største produkt, vi ejer:vores hjem.

En aften, Sarma var i sit hjem, da en af ​​hans strømafbrydere blev ved med at slukke. Denne afbryder - kendt som en lysbue-fejlkredsløbsafbryder (AFCI) - blev designet til at afbryde strømmen, når en elektrisk lysbue detekteres for at forhindre brande. Mens AFCI'er er gode til at forhindre brande, i Sarmas tilfælde syntes der ikke at være et problem. "Der var ingen mærkbar grund til, at det skulle blive ved med at gå af, " husker Sarma. "Det var utroligt distraherende."

AFCI'er er berygtede for sådanne 'generelle ture' ' som unødigt afbryder sikre genstande. Sarma, som også fungerer som MIT's vicepræsident for åben læring, vendte sin frustration til mulighed. Hvis han kunne integrere AFCI med smarte teknologier og forbinde det til 'tingenes internet,' Han kunne lære afbryderen at lære, hvornår et produkt er sikkert, eller hvornår et produkt faktisk udgør en brandrisiko.

"Tænk på det som en virusscanner, " forklarer Siegel. "Virusscannere er forbundet til et system, der opdaterer dem med nye virusdefinitioner over tid." Hvis Sarma og Siegel kunne integrere lignende teknologi i AFCI'er, afbryderne kunne registrere præcis, hvilket produkt der tilsluttes og lære nye objektdefinitioner over tid.

Hvis, for eksempel, en ny støvsuger sættes i afbryderen og strømmen afbrydes uden grund, den smarte AFCI kan lære, at den er sikker og tilføje den til en liste over kendte sikre objekter. AFCI lærer disse definitioner ved hjælp af et neuralt netværk. Men, i modsætning til Jeewhan Kims fysiske neurale netværk, dette netværk er software-baseret.

Det neurale netværk er bygget ved at indsamle tusindvis af datapunkter under simuleringer af buedannelse. Algoritmer bliver derefter skrevet for at hjælpe netværket med at vurdere sit miljø, genkende mønstre, og træffe beslutninger baseret på sandsynligheden for at opnå det ønskede resultat. Ved hjælp af en mikrocomputer til $35 og et lydkort, holdet kan billigt integrere denne teknologi i afbrydere.

Efterhånden som den smarte AFCI lærer om de enheder, den støder på, den kan samtidig distribuere sin viden og definitioner til ethvert andet hjem ved hjælp af tingenes internet.

"Tingenes internet kunne lige så godt kaldes 'tingens intelligens', " siger Sarma. "Smart, lokale teknologier ved hjælp af skyen kan gøre vores miljøer adaptive og brugeroplevelsen problemfri."

Strømafbrydere er blot en af ​​mange måder, neurale netværk kan bruges til at gøre hjemmet smartere. Denne form for teknologi kan styre temperaturen i dit hus, registrere, når der er en uregelmæssighed, såsom en indtrængen eller sprængt rør, og kør diagnostik for at se, hvornår tingene trænger til reparation.

"Vi udvikler software til overvågning af mekaniske systemer, som er selvlært, " forklarer Siegel. "Du lærer ikke disse enheder alle reglerne, du lærer dem, hvordan de skal lære reglerne."

Gør produktion og design smartere

Kunstig intelligens kan ikke kun hjælpe med at forbedre, hvordan brugere interagerer med produkter, enheder, og miljøer. Det kan også forbedre effektiviteten, hvormed genstande fremstilles, ved at optimere fremstillings- og designprocessen.

"Vækst i automatisering sammen med komplementære teknologier, herunder 3-D-print, AI, og maskinlæring tvinger os til, i det lange løb, genoverveje, hvordan vi designer fabrikker og forsyningskæder, " siger lektor A. John Hart.

Hart, som har forsket i 3D-print, ser kunstig intelligens som en måde at forbedre kvalitetssikringen i produktionen. 3D-printere med højtydende sensorer, der er i stand til at analysere data på farten, vil hjælpe med at fremskynde vedtagelsen af ​​3-D-print til masseproduktion.

"At have 3-D-printere, der lærer at skabe dele med færre defekter og inspicere dele, efterhånden som de laver dem, vil være en rigtig stor sag - især når de produkter, du laver, har kritiske egenskaber såsom medicinsk udstyr eller dele til flymotorer, " forklarer Hart.

Selve processen med at designe strukturen af ​​disse dele kan også drage fordel af intelligent software. Lektor Maria Yang har set på, hvordan designere kan bruge automatiseringsværktøjer til at designe mere effektivt. "Vi kalder det hybrid intelligens til design, " siger Yang. "Målet er at muliggøre effektivt samarbejde mellem intelligente værktøjer og menneskelige designere."

I en nylig undersøgelse, Yang og kandidatstuderende Edward Burnell testede et designværktøj med varierende automatiseringsniveauer. Deltagerne brugte softwaren til at vælge noder til en 2-D truss af enten et stopskilt eller en bro. Værktøjet ville så automatisk komme med optimerede løsninger baseret på intelligente algoritmer for, hvor man forbinder noder og bredden af ​​hver del.

"Vi forsøger at designe smarte algoritmer, der passer til de måder, designere allerede tænker på, " siger Burnell.

Gør robotter smartere

Hvis der er noget på MIT's campus, der mest ligner de futuristiske robotter i science fiction, det ville være professor Sangbae Kims robotgepard. Det firbenede væsen fornemmer sit omgivende miljø ved hjælp af LIDAR-teknologier og bevæger sig som svar på denne information. Meget ligesom sin navnebror, den kan løbe og springe over forhindringer.

Kims primære fokus er på navigation. "Vi bygger et meget unikt system specielt designet til dynamisk bevægelse af robotten, " forklarer Kim. "Jeg tror, ​​det kommer til at omforme de interaktive robotter i verden. Du kan tænke på alle slags applikationer – medicinske, sundhedspleje, fabrikker."

Kim ser muligheden for på sigt at forbinde sin forskning med det fysiske neurale netværk, som hans kollega Jeewhan Kim arbejder på. "Hvis du vil have geparden til at genkende folk, stemme, eller fagter, du har brug for meget læring og bearbejdning, " siger han. "Jeewhans neurale netværkshardware kunne muligvis muliggøre det en dag."

At kombinere kraften fra et bærbart neuralt netværk med en robot, der er i stand til dygtigt at navigere i sine omgivelser, kan åbne op for en ny verden af ​​muligheder for interaktion mellem mennesker og kunstig intelligens. Dette er blot et eksempel på, hvordan forskere inden for maskinteknik en dag kan samarbejde for at bringe AI-forskning til næste niveau.

Selvom vi måske er årtier væk fra at interagere med intelligente robotter, kunstig intelligens og maskinlæring har allerede fundet vej til vores rutiner. Uanset om det er at bruge ansigts- og håndskriftsgenkendelse til at beskytte vores oplysninger, at bruge tingenes internet for at holde vores hjem sikre, eller hjælpe ingeniører med at bygge og designe mere effektivt, fordelene ved AI-teknologier er gennemgående.

Science fiction-fantasien om en verden, der er overhalet af robotter, er langt fra sandheden. "Der er denne romantiske forestilling om, at alt vil være automatisk, " tilføjer Maria Yang. "Men jeg tror virkeligheden er, at du vil have værktøjer, der vil arbejde med mennesker og hjælpe med at gøre deres hverdag en smule lettere."

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.