MIT数亿美金构建MIT IQ 项目,逆向工程人类智能打造可自我发育的计算机

简介: MIT发起MIT IQ项目,旨在联合多个学科,对人类智能进行逆向工程,为机器学习和人工智能创造新的算法,并促进协作,共同推动AI的突破。该项目包含“核心”和“桥梁”两个实体,分别注重基础研究和应用研究。该项目或能促进学术界与工业界、AI学科与其他学科为实现AI突破的更多合作。

麻省理工学院(MIT)正式发起一项名为MIT Intelligence Quest (MIT IQ)的计划,旨在联合多个学科,对人类智能进行逆向工程,为机器学习和人工智能创造新的算法,并促进协作。

MIT IQ项目最大的要点是:AI研究需要形成一项团体运动,才能取得突破。这个项目涉及该校数百名研究人员,试图打破不同研究所间的壁垒,从而了解人类智能,并利用研究成果开发机器智能。

MIT IQ的新闻发布会公布了这个项目的主要领导人,包括MIT校长L. Rafael Reif,以及:

  • Anantha Chandrakasan,工程学院院长
  • James DiCarlo,大脑与认知科学系主任
  • Dina Katabi,电子工程和计算机科学系教授
  • Daniela Rus,MIT计算机科学与人工智能实验室主任
  • Josh Tenenbaum,认知科学和计算科学教授

MIT IQ真正想解决的问题是,当前有关AI基础的知识已经过时了。 AI的数学和核心原则可以追溯到上世纪50、60年代。到现在,计算能力和技术都已发生天翻地覆的变化。MIT校长Reif说:“AI的基础相对来说已经过时了。我们一直在试图从现有的算法中挤出新的应用来。”

开发新算法需要跨多个学科的新方法。一个问题是:我们可以从婴儿的成长中学到什么,可以应用到AI的开发?

科技行业高速发展的研究实验室大有从各大学吸走 AI 领域最有才华的科学家、工程师和创意之势。科技公司已经意识到它们从大学挖走太多AI专家引起的担忧。大学需要这些专家给未来的科学家和工程师授课,并从事基础研究。科技行业的回应是增加学术合作和资助。

据了解,MIT IQ项目将需要“数亿美元”的资金,MIT正在寻找工业界的合作伙伴。去年9月,MIT已经与IBM签署一个合作协议,IBM 同意投资 2.4 亿美元成立一个新的 MIT-IBM 沃森人工智能实验室(MIT-IBM Watson AI Lab)。

MIT工程学院院长Chandrakasan表示,为了真正推动AI进步,需要多个学科联合起来。他说:“我们将教授更多学生使用AI工具。”

MIT IQ的结构:核心和桥梁

MIT IQ有两个相互关联的实体。第一个实体被称为“核心”(The Core),目标是开发机器学习算法。Core将在总体上研究人类智力和机器智能的科学和工程学。除了获得对自然大脑和计算机大脑工作原理的基本理解外,它还将开发针对更具体用途的机器学习算法。

第二个实体被称为“桥”(The Bridge),致力于将在自然智能和人工智能领域的研究成果,应用到包括疾病诊断、药物发现、材料和制造设计、自动化、合成生物学和金融的广大领域。Bridge将提供技术、平台、基础设施、教育和数据集。这两个实体都将与世界各地的研究实验室展开合作。

MIT IQ还将着眼于AI的社会和伦理影响。Reif说:“严肃的AI需要严肃的人性。如果要把 AI 应用到整个社会,那么我们就需要认真思考伦理问题。”

这样的结构设计是考虑到MIT内部已经有250多名教职员工在从事AI领域的研究这一事实,但是,这些研究人员并没有形成紧密的合作。该项目希望通过提供额外的资源和加强研究人员之间的联系,以扩大AI研究。

对于企业来说,MIT IQ的结构值得注意,因为它强调了在AI研究中将多个学科结合起来的影响。企业主要围绕开发产品、优化利润和销售,但也需要扩大AI在各个职能中的覆盖。

Reif说,尽管在工业领域将有大量的AI研究,但是MIT在推动核心研究的发展方面发挥了作用,虽然这些研究不会马上带来利润。

我们可以从婴儿身上学到什么?

MIT大脑与认知科学系主任DiCarlo表示,MIT IQ将采用逆向工程(reverse engineering)的方法研究人工智能。

他补充说,对人类智能进行逆向工程已经促进了计算机视觉的进步。对人类智能进行逆向工程并将其应用于深度学习是必要的,因为这项技术正在推动其极限。

这种逆向工程方法需要多个学科的结合。例如,MIT认知科学和计算科学教授Tenenbaum说,认知科学和大脑研究将在人工智能研究中发挥作用。

Tenenbaum表示,他们的目标是“开发一种最初像婴儿一样学习,然后像小孩一样学习的机器”。他解释了AI是如何从一张白纸的状态开始,然后学习模式和数据。婴儿从一开始就有遗传学上的起点,以及一个允许他们不仅仅学习数据和模式的结构。

Tenenbaum说:“三个月大的婴儿比任何AI系统都要聪明。 小孩是终生的学习者,能够建立多层次的智能,但机器学习系统现在不是这样工作的。”

Tenenbaum说,他的小组将与MIT IQ的 Core 和 Bridge 实体一起工作,打造一台可以像人一样学习的机器,将涉及从算法到大脑研究到机器人的一切。


原文发布时间为:2018-02-2

本文作者:马文

本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”微信公众号

原文链接:MIT数亿美金构建MIT IQ 项目,逆向工程人类智能打造可自我发育的计算机

相关文章
|
存储 C语言 Windows
音视频使用qt测试ffmpeg接口时无法运行
音视频使用qt测试ffmpeg接口时无法运行
518 0
|
存储 缓存 Go
Go语言开发者必读:内存缓存技巧
Go语言开发者必读:内存缓存技巧
420 0
|
Ubuntu Unix Linux
Linux Ubuntu man文档的图文安装教程
Linux Ubuntu man文档的图文安装教程
584 0
|
JSON 前端开发 Java
SpringBoot 的优雅的接口参数验证
在应用程序的开发中,我们经常会遇到需要保证传入参数的正确性的情况。例如,当我们在注册用户时,需要验证用户填写的表单数据是否符合规范,是否缺少必填字段,或者格式是否正确,等等。如果不对参数进行验证,我们的应用程序可能会因此受到攻击或者运行出错。
|
存储 人工智能 边缘计算
当 AI 进入「算力密集时代」:你的服务器能跑通大模型吗?
本文深入探讨AI服务器在技术落地中的核心瓶颈问题,结合实战经验解析从模型训练到端侧部署的算力优化策略。内容涵盖三大典型场景的算力需求差异、GPU服务器选型的五大反直觉真相、实战优化方法(如混合精度训练与硬件资源监控),以及边缘AI部署挑战和解决方案。同时提供算力弹性扩展策略、模型生命周期管理及合规性建议,帮助读者构建可持续发展的算力体系。文末附有获取更多资源的指引。
1131 17
|
2月前
|
人工智能 缓存 安全
OpenClaw“龙虾”深度解析:AI智能体能力边界、成本真相与阿里云|本地部署实战指南
2026年,AI智能体(Agent)已从概念走向落地,OpenClaw(昵称“龙虾”)凭借自主任务闭环、跨软件执行与插件扩展能力,成为新一代自主智能体的标杆产品。它不再局限于文本交互,而是能理解目标、拆解步骤、调用工具、校验结果,实现从聊天助手到自动化执行系统的跨越。但高能力背后,是高昂的Token消耗、权限安全与企业落地难题。本文将系统解析OpenClaw的技术架构、代价真相与安全方向,并提供2026年阿里云部署、本地MacOS/Linux/Windows11部署、阿里云千问API与免费Coding Plan API配置全流程,附代码命令与常见问题解答,覆盖个人与企业级完整落地方案。
2066 5
|
1月前
|
存储 人工智能 自然语言处理
AI 应用软件的开发
AI应用已从“聊天框”升级为具备感知、决策与执行能力的智能体(Agent)。本文系统梳理四大类型(AIGC、RAG、AI Agents、嵌入式AI)、核心架构及国内五阶段开发流程,强调模型、业务与合规的深度集成。(239字)
|
3月前
|
人工智能 自然语言处理 前端开发
写了10万行代码,却毁在配色上?这套指令让后端直男秒变设计总监
这是一篇专为后端及全栈开发者定制的实用指南,旨在解决开发者“代码强但审美弱”的痛点。文章提供了一套核心AI指令,能将DeepSeek等AI变成专业UI设计顾问,快速生成符合大厂规范(Design Token)的配色体系。通过一个后台管理系统的实战案例,演示了如何用AI将“土味”界面瞬间升级为专业级UI,让开发者无需学习设计理论也能搞定高颜值配色。
467 4
|
自然语言处理 搜索推荐 算法
gpt3模型训练数据量是多少?
【7月更文挑战第6天】gpt3模型训练数据量是多少?
3470 3
|
机器学习/深度学习 人工智能 测试技术
VisionTS:基于时间序列的图形构建高性能时间序列预测模型,利用图像信息进行时间序列预测
构建预训练时间序列模型的主要挑战在于获取高质量、多样化的时间序列数据。目前有两种方法:迁移学习LLM(如GPT-4或Llama)和从零训练。尽管迁移学习可行,但效果有限;从零训练则依赖大量数据,如MOIRAI、TimesFM和TTM等模型所示。为解决这一难题,研究人员提出利用图像数据进行时间序列预测。
1156 11
VisionTS:基于时间序列的图形构建高性能时间序列预测模型,利用图像信息进行时间序列预测

热门文章

最新文章