[Музыка]
сегодня я здесь, чтобы рассказать вам о том, что мы
может делать с мозгом маленького червя C
Элеганс — это один миллиметр длинного мира
с довольно простым мозгом он может
демонстрирует замечательные поведенческие
пластичность, что текущее состояние
современные системы искусственного интеллекта еще
производят с учетом возможностей его нервной
Система содержит только триста
две ячейки, которые
приблизительно около восьми тысяч
нейроны и с этим простым мозгом
все еще может узнать, что он может спариваться
он может усложнять процесс обработки сложных
химические вещества и сложные сенсорные данные и
также он может принимать механизмы поиска в
Окружающая среда C elegans входит в число
лучших в мире животных
целая нервная система была отображена в 1986 году
и он предоставил субстрат для исследований
и задал вопросы о том, как мозг
приводит к поведению, поэтому i malay rai
ученых, я увлечен тем, сколько c
Элеганты могут получить с такими маленькими
специально выделенные вычислительные ресурсы
способность и с учетом систем ИИ
что вы развиваете эти дни, тогда
когда я выгляжу ближе к
архитектуры мозга, так что
некоторые функции, которые мне нравятся
обсуждает с вами ребята, поэтому первый
дело в том, что я вижу конкретную
иерархическая архитектура нервной
система , которая на самом деле
специфический для C elegans, и я расскажу вам
подробнее об этом, тогда сеть не является
все слишком подключенная сеть, поэтому каждый
node — соединение не подключено ко всем
часть этой нервной системы это есть
определенных нейронных путей, поэтому сеть
является редким, и мы знаем, что синаптические
передачи в нервных системах в
Вообще гораздо более сложные , чем
способ, которым мы в настоящее время обращаемся с ИИ
системы и это также читать как
динамика нейронов реализуются и в
фактические нервные системы, поэтому я хочу иметь
такие функции и спросить себя
могу ли я иметь систему ИИ, которая может производить
такое подобное поведение и
выразительный, поскольку элегантность, данная тем
возможности вместе с нашими командами в
Венский технологический университет
Институт науки и технологий в
Институт молекулярной патологии в
Вена и Массачусетский технологический институт мы создаем эти системы
поэтому мы создаем системы , которые аналогичны
и ближе к
возможности естественных систем обучения
поэтому я хотел бы также особо поблагодарить
и признать моих коллег
вклад в эту работу , которую мы
тесно сотрудничая на всех уровнях
концепции и реализации концепции
разработала эту систему, чтобы мы получили эти
четыре особенности нервной системы и
мы разработали и оформили их в
форма искусственного и нового
системы искусственного интеллекта, которая
включает иерархический дизайн, поэтому
для обработки входных данных и для генерации
выход, похожий на то, что C elegans имеет и
также были включены некоторые правила, которые
адаптировать разреженность сети в пределах
на этой платформе мы также приблизились
математических выражений, чем
синаптическое распространение имеют также мы
на самом деле имеют более богатый синаптический
распространение и богатый синаптический
соединений, чтобы мы сформулировали
фактически своего рода динамическая система и
теперь мы хотим решить
Задачи AI с такими системами, поэтому я здесь
показывая вам панель управления таким образом
эта панель на правой стороне вы видите
один пример схемы малого контура
вдохновленный мозгом
червь , который хочет контролировать
проблема с инвертированным маятником
окружающая среда слева Я уверен, что так
в основном схема хочет контролировать
и балансируйте полюс на вертикальном
положение и на скале на верхней стороне
Я показываю кривую обучения во время
процесс обучения, который
настройки , чтобы максимизировать
сумма вознаграждения в системе таким образом, что
мы можем собрать, сколько мы можем сохранить это
маятник на самом деле вверх, поэтому давайте посмотрим так
сейчас красная точка на обучении
кривая показывает, что где мы находимся на
обучение так что в начале
процесс, который вы видите, не может
осознать поведение, так что маятник
Падает постоянно, но чем больше
система становится узнаваемой, мы видим, что мы
пытаются максимизировать фактически
потенциала этой системы и теперь для
пример сейчас мы находимся в середине
кривая Стил, схема пытается
захватить поведение теперь я должен работать
лучше, потому что вы выше, и мы
узнали гораздо больше в этой системе и
то, как только мы достигнем правой части
кривой обучения, система
научился управлять этим маятником
как этот сценарий, позвольте мне показать вам
другой пример — это другое
проблемы управления, где у нас есть
автомобиль, который мы хотим создать
импульс, поэтому эта схема пытается
создать импульс для автомобиля привода
это в гору, и теперь я показываю вам одну
успешный эпизод обучения в этом
системы, так как мы видим, что мы являемся схемой
взаимодействует и взаимодействует с каждым
другой, чтобы создать это, и теперь мы
так что теперь давайте посмотрим другое
эпизод, в котором вы можете посмотреть
схема и динамика этой системы
который пытается создать такой импульс
и решить эту проблему
и теперь мы также расширили его в
реальные приложения
хорошо, что было смоделировано платформ и
то мы распространили его на автономный вид
парковки некоторых роботов в нашей лаборатории
и, как мы видим, задача выполнена с помощью
тот же самый тип схемы, который я показал
вы до этого, так что следующий шаг, который
мы разработали эти платформы и теперь
что мы делаем, мы пытаемся определить количественно, и мы пытаемся
для понимания поведения этих
схемы, которые мы имеем здесь, например
Я показываю нейроны , что
участвуют в контроле над этими
задач, и я планирую деятельность
один узел на выходе , чтобы видеть
какая форма динамики этой сети
создание и с некоторыми количественными
методы, которые мы разработали, мы хотим
понять, что происходит внутри
систем так после, а затем это на самом деле
увеличивает также выразительность
сети, так что, зачем мы должны
делайте это, как будто у вас есть искусственный нейрон
сети, которые уже могут обрабатывать эти
проблемы, каковы преимущества
шире, почему вы это делаете, поэтому мы
на самом деле попытаться сравнить это с другими
системы искусственного интеллекта, которые
доступно, и я хочу сосчитать три
преимущества этой системы — первая
находится в такой среде, как полная
сценарии автономной парковки, поэтому на самом деле
В Ву здесь хорошо, так что этот автомобиль на самом деле
перемещение в окружающую среду, пытаясь найти
место для парковки, а затем выполнение
часть траектории, а также она может избежать
столкновений, поэтому с препятствиями на
таким образом, тогда в таких задачах
то с простейшим искусственным нервным
сеть, которую мы могли бы сделать для этой конкретной
task beach 943 обучаемые параметры мы
может решить эту проблему, а затем
с нашими системами мы могли бы это сделать с
всего 49 обменных параметров, поэтому наши
сетей меньше по размеру, чем
современные системы искусственного интеллекта
мы знаем, что среда всегда приходит
с неопределенностью, и есть так много
взаимодействия и нарушений на
как шум, например ,
автономный автомобиль, который движется в
улицу, так что внезапная окружающая среда
может вызвать дождь, и вы знаете датчики
робот может отвлечься, поэтому шум
параметры , которые всегда нападают на
поэтому, если вы попытаетесь
имеют кривую, на которой мы возрастаем
увеличиваем горизонтальную ось
количество шума окружающей среды
и мы измеряем выходные помехи
в системе мы хотим сравнить это
между методами искусственного интеллекта
и наши методы, и это то, как наши
система реагирует, поэтому эти системы
очень устойчив к шуму, так как мы
по сравнению с их эквивалентными искусственными
интеллект в таких задачах, как автономный
парковка и третье преимущество, что я
хочу считать самый важный
эти системы более интерпретируемы
они выразительны, мы можем понять
то внутренняя их внутренняя динамика
поэтому на левой стороне я показываю вам
простая искусственная нейронная сеть, которая
обрабатывать эти формальные проблемы, и поскольку мы
см. это такой сложный вид
архитектуры, чтобы понять ее
поведение так справа я показываю один
наших сетей, которые действительно могут решить
аналогичная проблема с гораздо меньшим
параметры , а также как с его
более выразительный вид нейронов
динамике, поэтому она объединяется с такими
преимущества мы получаем ближе , чтобы иметь
более безопасные системы , такие как
автономные автомобили, над которыми вы работаете
прямо сейчас, и мы знаем, что автономные
автомобилей и
высокая неопределенность собираются прийти в
скоро станет повседневной нормой для
агенты искусственного интеллекта спасибо
[Аплодисменты]
сегодня я здесь, чтобы рассказать вам о том, что мы
может делать с мозгом маленького червя C
Элеганс — это один миллиметр длинного мира
с довольно простым мозгом он может
демонстрирует замечательные поведенческие
пластичность, что текущее состояние
современные системы искусственного интеллекта еще
производят с учетом возможностей его нервной
Система содержит только триста
две ячейки, которые
приблизительно около восьми тысяч
нейроны и с этим простым мозгом
все еще может узнать, что он может спариваться
он может усложнять процесс обработки сложных
химические вещества и сложные сенсорные данные и
также он может принимать механизмы поиска в
Окружающая среда C elegans входит в число
лучших в мире животных
целая нервная система была отображена в 1986 году
и он предоставил субстрат для исследований
и задал вопросы о том, как мозг
приводит к поведению, поэтому i malay rai
ученых, я увлечен тем, сколько c
Элеганты могут получить с такими маленькими
специально выделенные вычислительные ресурсы
способность и с учетом систем ИИ
что вы развиваете эти дни, тогда
когда я выгляжу ближе к
архитектуры мозга, так что
некоторые функции, которые мне нравятся
обсуждает с вами ребята, поэтому первый
дело в том, что я вижу конкретную
иерархическая архитектура нервной
система , которая на самом деле
специфический для C elegans, и я расскажу вам
подробнее об этом, тогда сеть не является
все слишком подключенная сеть, поэтому каждый
node — соединение не подключено ко всем
часть этой нервной системы это есть
определенных нейронных путей, поэтому сеть
является редким, и мы знаем, что синаптические
передачи в нервных системах в
Вообще гораздо более сложные , чем
способ, которым мы в настоящее время обращаемся с ИИ
системы и это также читать как
динамика нейронов реализуются и в
фактические нервные системы, поэтому я хочу иметь
такие функции и спросить себя
могу ли я иметь систему ИИ, которая может производить
такое подобное поведение и
выразительный, поскольку элегантность, данная тем
возможности вместе с нашими командами в
Венский технологический университет
Институт науки и технологий в
Институт молекулярной патологии в
Вена и Массачусетский технологический институт мы создаем эти системы
поэтому мы создаем системы , которые аналогичны
и ближе к
возможности естественных систем обучения
поэтому я хотел бы также особо поблагодарить
и признать моих коллег
вклад в эту работу , которую мы
тесно сотрудничая на всех уровнях
концепции и реализации концепции
разработала эту систему, чтобы мы получили эти
четыре особенности нервной системы и
мы разработали и оформили их в
форма искусственного и нового
системы искусственного интеллекта, которая
включает иерархический дизайн, поэтому
для обработки входных данных и для генерации
выход, похожий на то, что C elegans имеет и
также были включены некоторые правила, которые
адаптировать разреженность сети в пределах
на этой платформе мы также приблизились
математических выражений, чем
синаптическое распространение имеют также мы
на самом деле имеют более богатый синаптический
распространение и богатый синаптический
соединений, чтобы мы сформулировали
фактически своего рода динамическая система и
теперь мы хотим решить
Задачи AI с такими системами, поэтому я здесь
показывая вам панель управления таким образом
эта панель на правой стороне вы видите
один пример схемы малого контура
вдохновленный мозгом
червь , который хочет контролировать
проблема с инвертированным маятником
окружающая среда слева Я уверен, что так
в основном схема хочет контролировать
и балансируйте полюс на вертикальном
положение и на скале на верхней стороне
Я показываю кривую обучения во время
процесс обучения, который
настройки , чтобы максимизировать
сумма вознаграждения в системе таким образом, что
мы можем собрать, сколько мы можем сохранить это
маятник на самом деле вверх, поэтому давайте посмотрим так
сейчас красная точка на обучении
кривая показывает, что где мы находимся на
обучение так что в начале
процесс, который вы видите, не может
осознать поведение, так что маятник
Падает постоянно, но чем больше
система становится узнаваемой, мы видим, что мы
пытаются максимизировать фактически
потенциала этой системы и теперь для
пример сейчас мы находимся в середине
кривая Стил, схема пытается
захватить поведение теперь я должен работать
лучше, потому что вы выше, и мы
узнали гораздо больше в этой системе и
то, как только мы достигнем правой части
кривой обучения, система
научился управлять этим маятником
как этот сценарий, позвольте мне показать вам
другой пример — это другое
проблемы управления, где у нас есть
автомобиль, который мы хотим создать
импульс, поэтому эта схема пытается
создать импульс для автомобиля привода
это в гору, и теперь я показываю вам одну
успешный эпизод обучения в этом
системы, так как мы видим, что мы являемся схемой
взаимодействует и взаимодействует с каждым
другой, чтобы создать это, и теперь мы
так что теперь давайте посмотрим другое
эпизод, в котором вы можете посмотреть
схема и динамика этой системы
который пытается создать такой импульс
и решить эту проблему
и теперь мы также расширили его в
реальные приложения
хорошо, что было смоделировано платформ и
то мы распространили его на автономный вид
парковки некоторых роботов в нашей лаборатории
и, как мы видим, задача выполнена с помощью
тот же самый тип схемы, который я показал
вы до этого, так что следующий шаг, который
мы разработали эти платформы и теперь
что мы делаем, мы пытаемся определить количественно, и мы пытаемся
для понимания поведения этих
схемы, которые мы имеем здесь, например
Я показываю нейроны , что
участвуют в контроле над этими
задач, и я планирую деятельность
один узел на выходе , чтобы видеть
какая форма динамики этой сети
создание и с некоторыми количественными
методы, которые мы разработали, мы хотим
понять, что происходит внутри
систем так после, а затем это на самом деле
увеличивает также выразительность
сети, так что, зачем мы должны
делайте это, как будто у вас есть искусственный нейрон
сети, которые уже могут обрабатывать эти
проблемы, каковы преимущества
шире, почему вы это делаете, поэтому мы
на самом деле попытаться сравнить это с другими
системы искусственного интеллекта, которые
доступно, и я хочу сосчитать три
преимущества этой системы — первая
находится в такой среде, как полная
сценарии автономной парковки, поэтому на самом деле
В Ву здесь хорошо, так что этот автомобиль на самом деле
перемещение в окружающую среду, пытаясь найти
место для парковки, а затем выполнение
часть траектории, а также она может избежать
столкновений, поэтому с препятствиями на
таким образом, тогда в таких задачах
то с простейшим искусственным нервным
сеть, которую мы могли бы сделать для этой конкретной
task beach 943 обучаемые параметры мы
может решить эту проблему, а затем
с нашими системами мы могли бы это сделать с
всего 49 обменных параметров, поэтому наши
сетей меньше по размеру, чем
современные системы искусственного интеллекта
мы знаем, что среда всегда приходит
с неопределенностью, и есть так много
взаимодействия и нарушений на
как шум, например ,
автономный автомобиль, который движется в
улицу, так что внезапная окружающая среда
может вызвать дождь, и вы знаете датчики
робот может отвлечься, поэтому шум
параметры , которые всегда нападают на
поэтому, если вы попытаетесь
имеют кривую, на которой мы возрастаем
увеличиваем горизонтальную ось
количество шума окружающей среды
и мы измеряем выходные помехи
в системе мы хотим сравнить это
между методами искусственного интеллекта
и наши методы, и это то, как наши
система реагирует, поэтому эти системы
очень устойчив к шуму, так как мы
по сравнению с их эквивалентными искусственными
интеллект в таких задачах, как автономный
парковка и третье преимущество, что я
хочу считать самый важный
эти системы более интерпретируемы
они выразительны, мы можем понять
то внутренняя их внутренняя динамика
поэтому на левой стороне я показываю вам
простая искусственная нейронная сеть, которая
обрабатывать эти формальные проблемы, и поскольку мы
см. это такой сложный вид
архитектуры, чтобы понять ее
поведение так справа я показываю один
наших сетей, которые действительно могут решить
аналогичная проблема с гораздо меньшим
параметры , а также как с его
более выразительный вид нейронов
динамике, поэтому она объединяется с такими
преимущества мы получаем ближе , чтобы иметь
более безопасные системы , такие как
автономные автомобили, над которыми вы работаете
прямо сейчас, и мы знаем, что автономные
автомобилей и
высокая неопределенность собираются прийти в
скоро станет повседневной нормой для
агенты искусственного интеллекта спасибо
[Аплодисменты]
Please follow and like us:
Be First to Comment