[Musica]
oggi sono qui per raccontarti di cosa siamo
può fare con il cervello di un piccolo verme C
elegans è un mondo lungo un millimetro
può farlo con un cervello piuttosto semplice
esibisce notevole comportamento
plasticità che lo stato attuale
i sistemi di IA all’avanguardia sono ancora da
produrre data la sua capacità nervosa
sistema contiene solo trecento e
due celle che sono cablate da
circa ottomila circa
neuroni e con quel semplice cervello
può ancora imparare che può accoppiarsi
può essere complesso può elaborare complessi
prodotti chimici e dati sensoriali complessi e
inoltre può adottare meccanismi di ricerca in
l’ambiente C elegans è tra i
gli animali meglio compresi del mondo
l’intero sistema nervoso è stato mappato nel 1986
e forniva un substrato per la ricerca
e ha posto le domande su come il cervello
dà origine al comportamento quindi io malay rai
gli scienziati sono affascinato da quanto c
gli elegans possono ottenere con così poco
risorse computazionali specialmente date
la capacità e dati i sistemi di intelligenza artificiale
che stai sviluppando in questi giorni allora
quando sembro più vicino al
architettura del cervello, quindi non ci sono
alcune caratteristiche che voglio piacere
discute con voi ragazzi così il primo
è che vedo un particolare
architettura gerarchica del nervoso
sistema che ha ciò che è in realtà
specifico per C elegans e te lo dirò
più su di esso quindi la rete non è un
tutto anche la rete connessa, quindi ogni
il nodo è connesso non è collegato a tutti
parte di questo sistema nervoso ce ne sono
alcuni percorsi neuronali quindi la rete
è un rado e sappiamo che sinaptico
trasmissione nei sistemi nervosi in
generale sono molto più complesso rispetto al
modo in cui stiamo trattando l’IA
sistemi e questo è anche quello di leggere come
le dinamiche neuronali sono realizzate e in
sistemi nervosi reali quindi voglio avere
questo tipo di caratteristiche e chiedermi
posso avere un sistema AI in grado di produrre
un simile comportamento ed essere come
espressivo come l’eleganza data a quelli
funzioni insieme con i nostri team a
Università della Tecnologia di Vienna presso
Istituto di scienza e tecnologia in
Istituto di patologia molecolare in
Vienna e il MIT creiamo questi sistemi
così creiamo sistemi che sono simili
e più vicino al più vicino al
capacità dei sistemi di apprendimento naturale
quindi vorrei anche ringraziare particolarmente
e riconosco i miei colleghi
contributi a questo lavoro che siamo
lavorare insieme da vicino a tutti i livelli
concept design e implementazione noi
progettato questo sistema così abbiamo ottenuto quelli
quattro caratteristiche del sistema nervoso e
abbiamo progettato e li formalizziamo in
una forma di artificiale e nuova
sistema di intelligenza artificiale che
incorpora il design gerarchico così
elaborare i dati di input e generare un
uscita simile a ciò che C elegans ha e
inoltre abbiamo incorporato alcune regole
adattare la scarsità della rete all’interno
questa piattaforma ci siamo anche avvicinati
espressioni matematiche di così
la propagazione sinaptica ha anche noi
in realtà hanno una sinapsi più ricca
propagazione e richard synaptic
connessioni così abbiamo formulato
in realtà una sorta di sistema dinamico e
ora vogliamo risolvere
Compiti di intelligenza artificiale con tali sistemi, quindi eccomi qui
mostrandoti un pannello di controllo così via
questo cruscotto sul lato destro che vedi
un esempio circuito piccolo circuito
ispirato al cervello
il verme che vuole controllare un
problema del pendolo invertito così effettivamente
l’ambiente a sinistra sono sicuro che sia così
fondamentalmente il circuito vuole controllare
e bilancia il palo su un montante
posizione e sulla roccia sul lato superiore
Sto mostrando una curva di apprendimento durante il
processo di apprendimento che era la rete
sintonizzarsi per massimizzare il
quantità di ricompensa nel sistema in modo che
possiamo raccogliere quanto possiamo mantenere questo
pendolo in realtà verso l’alto, quindi vediamo così
in questo momento il punto rosso sull’apprendimento
curva mostra che dove siamo al
formazione in modo all’inizio del
processo si vede il circuito non può
rendersi conto del comportamento in modo che il pendolo
Cade costantemente ma poi più il
il sistema si sta imparando vediamo che noi
stanno cercando di massimizzare in realtà il
capacità di questo sistema e ora per
esempio ora siamo nel mezzo del
curva a cui sta tentando il circuito
catturare il comportamento ora dovrei lavorare
meglio perché sei più alto e noi
imparato molto di più in questo sistema e
poi una volta raggiunta a destra come parte
della curva di apprendimento del sistema
ho imparato a controllare questo pendolo
come questo scenario lascia che ti mostri
un altro esempio questo è in realtà un altro
problema di controllo dove abbiamo un
auto underpowered che vogliamo creare
un momento in cui questo circuito sta cercando di farlo
creare un impulso affinché l’auto guidi
è in salita e ora te ne sto mostrando uno
episodio di successo dell’allenamento in questo
sistema così come vediamo noi siamo il circuito
sta interagendo e interagendo con ciascuno
altro per crearlo e ora noi
fallo così ora vediamo un altro
episodio di ciò in cui puoi guardare
il circuito e la dinamica di questo sistema
questo sta cercando di creare un tale slancio
e per risolvere questo problema
e ora lo abbiamo anche esteso
applicazioni reali
va bene che erano piattaforme simulate e
poi lo abbiamo esteso a un tipo autonomo
di parcheggio di alcuni robot nel nostro laboratorio
e come vediamo il compito è fatto con il
lo stesso tipo di circuito che ho mostrato
prima tu quindi qual è il prossimo passo che
abbiamo progettato queste piattaforme e ora
quello che facciamo proviamo a quantificare e proviamo
per capire il comportamento di questi
circuiti che abbiamo per esempio qui
Sto mostrando ai neuroni quello che sono
coinvolto nel controllo di quelli
compiti e sto proiettando l’attività di
un nodo all’uscita per vedere
quale forma di dinamica è questa rete
creando e con un po ‘quantitativo
metodi che abbiamo sviluppato vogliamo
capire cosa succede all’interno del
sistemi così dopo e poi questo in realtà
aumenta anche l’espressività del
rete quindi cosa cosa perché dobbiamo fare
fai questo come se avessi una neurale artificiale
reti che già possono gestirle
problemi quindi quali sono i vantaggi
più ampio perché lo stai facendo così noi
in realtà cerco di paragonarlo ad altri
sistemi di intelligenza artificiale che sono
disponibile e voglio contarne tre
vantaggi di questo sistema il primo
è in un ambiente come pieno
scenari di parcheggio autonomi quindi effettivamente
al vu qui va bene così questa macchina è in realtà
muoversi nell’ambiente cercando di trovare
un parcheggio e poi eseguendo un
parte in traiettoria e può anche evitare
collisioni così con con ostacoli
in questo modo, in quei tipi di compiti
quindi con la più semplice neurale artificiale
rete che potremmo fare per questo specifico
task beach 943 parametri trainabili noi
potrebbe risolvere questo problema e poi
con i nostri sistemi potremmo farlo con
solo 49 parametri negoziabili quindi i nostri
le reti sono di dimensioni più piccole di
attuali sistemi di intelligenza artificiale
sappiamo che l’ambiente viene sempre
con incertezza e ce ne sono così tanti
interazione e disturbi sul
mondo come il rumore come per esempio un
auto autonoma che si sta muovendo nel
strada quindi tutto di un ambiente improvviso
può causare la pioggia e conosci i sensori di
il robot può essere distratto, quindi il rumore lo è
i parametri che attaccano sempre a
sistema di apprendimento quindi se provi a
avere una curva in cui stiamo aumentando
l’asse orizzontale stiamo aumentando
la quantità di rumore dell’ambiente
e misuriamo i disturbi di uscita
sul sistema vogliamo confrontare questo
tra i metodi di intelligenza artificiale
e i nostri metodi e questo è il nostro
il sistema sta reagendo così questi sistemi sono
altamente resiliente al rumore così come noi
rispetto al loro equivalente artificiale
intelligenza in compiti come autonomo
parcheggio e il terzo vantaggio che io
voglio contare è il più importante
questi sistemi sono più interpretabili
sono espressivi che possiamo capire
quindi un interno le loro dinamiche interne
così sul lato sinistro ti sto mostrando a
semplice rete neurale artificiale che
gestire questi problemi formali e come noi
vedere questo è un tipo così complesso di
architettura per capirne il
comportamento così a destra ne sto mostrando uno
delle nostre reti che in realtà possono risolvere
il problema simile con molto meno
come parametri e avendo anche è
tipo più espressivo di neuronale
dinamica quindi si collega con tale
vantaggi che ci stiamo avvicinando ad avere
sistemi di controllo più sicuri come
auto autonome su cui stai lavorando
adesso e lo sappiamo autonomo
auto e ambienti con
l’alta incertezza arriverà
diventerà presto la norma quotidiana per
agenti di intelligenza artificiale grazie
[Applausi]
oggi sono qui per raccontarti di cosa siamo
può fare con il cervello di un piccolo verme C
elegans è un mondo lungo un millimetro
può farlo con un cervello piuttosto semplice
esibisce notevole comportamento
plasticità che lo stato attuale
i sistemi di IA all’avanguardia sono ancora da
produrre data la sua capacità nervosa
sistema contiene solo trecento e
due celle che sono cablate da
circa ottomila circa
neuroni e con quel semplice cervello
può ancora imparare che può accoppiarsi
può essere complesso può elaborare complessi
prodotti chimici e dati sensoriali complessi e
inoltre può adottare meccanismi di ricerca in
l’ambiente C elegans è tra i
gli animali meglio compresi del mondo
l’intero sistema nervoso è stato mappato nel 1986
e forniva un substrato per la ricerca
e ha posto le domande su come il cervello
dà origine al comportamento quindi io malay rai
gli scienziati sono affascinato da quanto c
gli elegans possono ottenere con così poco
risorse computazionali specialmente date
la capacità e dati i sistemi di intelligenza artificiale
che stai sviluppando in questi giorni allora
quando sembro più vicino al
architettura del cervello, quindi non ci sono
alcune caratteristiche che voglio piacere
discute con voi ragazzi così il primo
è che vedo un particolare
architettura gerarchica del nervoso
sistema che ha ciò che è in realtà
specifico per C elegans e te lo dirò
più su di esso quindi la rete non è un
tutto anche la rete connessa, quindi ogni
il nodo è connesso non è collegato a tutti
parte di questo sistema nervoso ce ne sono
alcuni percorsi neuronali quindi la rete
è un rado e sappiamo che sinaptico
trasmissione nei sistemi nervosi in
generale sono molto più complesso rispetto al
modo in cui stiamo trattando l’IA
sistemi e questo è anche quello di leggere come
le dinamiche neuronali sono realizzate e in
sistemi nervosi reali quindi voglio avere
questo tipo di caratteristiche e chiedermi
posso avere un sistema AI in grado di produrre
un simile comportamento ed essere come
espressivo come l’eleganza data a quelli
funzioni insieme con i nostri team a
Università della Tecnologia di Vienna presso
Istituto di scienza e tecnologia in
Istituto di patologia molecolare in
Vienna e il MIT creiamo questi sistemi
così creiamo sistemi che sono simili
e più vicino al più vicino al
capacità dei sistemi di apprendimento naturale
quindi vorrei anche ringraziare particolarmente
e riconosco i miei colleghi
contributi a questo lavoro che siamo
lavorare insieme da vicino a tutti i livelli
concept design e implementazione noi
progettato questo sistema così abbiamo ottenuto quelli
quattro caratteristiche del sistema nervoso e
abbiamo progettato e li formalizziamo in
una forma di artificiale e nuova
sistema di intelligenza artificiale che
incorpora il design gerarchico così
elaborare i dati di input e generare un
uscita simile a ciò che C elegans ha e
inoltre abbiamo incorporato alcune regole
adattare la scarsità della rete all’interno
questa piattaforma ci siamo anche avvicinati
espressioni matematiche di così
la propagazione sinaptica ha anche noi
in realtà hanno una sinapsi più ricca
propagazione e richard synaptic
connessioni così abbiamo formulato
in realtà una sorta di sistema dinamico e
ora vogliamo risolvere
Compiti di intelligenza artificiale con tali sistemi, quindi eccomi qui
mostrandoti un pannello di controllo così via
questo cruscotto sul lato destro che vedi
un esempio circuito piccolo circuito
ispirato al cervello
il verme che vuole controllare un
problema del pendolo invertito così effettivamente
l’ambiente a sinistra sono sicuro che sia così
fondamentalmente il circuito vuole controllare
e bilancia il palo su un montante
posizione e sulla roccia sul lato superiore
Sto mostrando una curva di apprendimento durante il
processo di apprendimento che era la rete
sintonizzarsi per massimizzare il
quantità di ricompensa nel sistema in modo che
possiamo raccogliere quanto possiamo mantenere questo
pendolo in realtà verso l’alto, quindi vediamo così
in questo momento il punto rosso sull’apprendimento
curva mostra che dove siamo al
formazione in modo all’inizio del
processo si vede il circuito non può
rendersi conto del comportamento in modo che il pendolo
Cade costantemente ma poi più il
il sistema si sta imparando vediamo che noi
stanno cercando di massimizzare in realtà il
capacità di questo sistema e ora per
esempio ora siamo nel mezzo del
curva a cui sta tentando il circuito
catturare il comportamento ora dovrei lavorare
meglio perché sei più alto e noi
imparato molto di più in questo sistema e
poi una volta raggiunta a destra come parte
della curva di apprendimento del sistema
ho imparato a controllare questo pendolo
come questo scenario lascia che ti mostri
un altro esempio questo è in realtà un altro
problema di controllo dove abbiamo un
auto underpowered che vogliamo creare
un momento in cui questo circuito sta cercando di farlo
creare un impulso affinché l’auto guidi
è in salita e ora te ne sto mostrando uno
episodio di successo dell’allenamento in questo
sistema così come vediamo noi siamo il circuito
sta interagendo e interagendo con ciascuno
altro per crearlo e ora noi
fallo così ora vediamo un altro
episodio di ciò in cui puoi guardare
il circuito e la dinamica di questo sistema
questo sta cercando di creare un tale slancio
e per risolvere questo problema
e ora lo abbiamo anche esteso
applicazioni reali
va bene che erano piattaforme simulate e
poi lo abbiamo esteso a un tipo autonomo
di parcheggio di alcuni robot nel nostro laboratorio
e come vediamo il compito è fatto con il
lo stesso tipo di circuito che ho mostrato
prima tu quindi qual è il prossimo passo che
abbiamo progettato queste piattaforme e ora
quello che facciamo proviamo a quantificare e proviamo
per capire il comportamento di questi
circuiti che abbiamo per esempio qui
Sto mostrando ai neuroni quello che sono
coinvolto nel controllo di quelli
compiti e sto proiettando l’attività di
un nodo all’uscita per vedere
quale forma di dinamica è questa rete
creando e con un po ‘quantitativo
metodi che abbiamo sviluppato vogliamo
capire cosa succede all’interno del
sistemi così dopo e poi questo in realtà
aumenta anche l’espressività del
rete quindi cosa cosa perché dobbiamo fare
fai questo come se avessi una neurale artificiale
reti che già possono gestirle
problemi quindi quali sono i vantaggi
più ampio perché lo stai facendo così noi
in realtà cerco di paragonarlo ad altri
sistemi di intelligenza artificiale che sono
disponibile e voglio contarne tre
vantaggi di questo sistema il primo
è in un ambiente come pieno
scenari di parcheggio autonomi quindi effettivamente
al vu qui va bene così questa macchina è in realtà
muoversi nell’ambiente cercando di trovare
un parcheggio e poi eseguendo un
parte in traiettoria e può anche evitare
collisioni così con con ostacoli
in questo modo, in quei tipi di compiti
quindi con la più semplice neurale artificiale
rete che potremmo fare per questo specifico
task beach 943 parametri trainabili noi
potrebbe risolvere questo problema e poi
con i nostri sistemi potremmo farlo con
solo 49 parametri negoziabili quindi i nostri
le reti sono di dimensioni più piccole di
attuali sistemi di intelligenza artificiale
sappiamo che l’ambiente viene sempre
con incertezza e ce ne sono così tanti
interazione e disturbi sul
mondo come il rumore come per esempio un
auto autonoma che si sta muovendo nel
strada quindi tutto di un ambiente improvviso
può causare la pioggia e conosci i sensori di
il robot può essere distratto, quindi il rumore lo è
i parametri che attaccano sempre a
sistema di apprendimento quindi se provi a
avere una curva in cui stiamo aumentando
l’asse orizzontale stiamo aumentando
la quantità di rumore dell’ambiente
e misuriamo i disturbi di uscita
sul sistema vogliamo confrontare questo
tra i metodi di intelligenza artificiale
e i nostri metodi e questo è il nostro
il sistema sta reagendo così questi sistemi sono
altamente resiliente al rumore così come noi
rispetto al loro equivalente artificiale
intelligenza in compiti come autonomo
parcheggio e il terzo vantaggio che io
voglio contare è il più importante
questi sistemi sono più interpretabili
sono espressivi che possiamo capire
quindi un interno le loro dinamiche interne
così sul lato sinistro ti sto mostrando a
semplice rete neurale artificiale che
gestire questi problemi formali e come noi
vedere questo è un tipo così complesso di
architettura per capirne il
comportamento così a destra ne sto mostrando uno
delle nostre reti che in realtà possono risolvere
il problema simile con molto meno
come parametri e avendo anche è
tipo più espressivo di neuronale
dinamica quindi si collega con tale
vantaggi che ci stiamo avvicinando ad avere
sistemi di controllo più sicuri come
auto autonome su cui stai lavorando
adesso e lo sappiamo autonomo
auto e ambienti con
l’alta incertezza arriverà
diventerà presto la norma quotidiana per
agenti di intelligenza artificiale grazie
[Applausi]
Please follow and like us: