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
|
8月前
|
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。
656 17
|
机器学习/深度学习 算法 存储
一文读懂大规模图神经网络平台AliGraph
2019阿里云峰会·上海开发者大会于7月24日盛大开幕,本次峰会与未来世界的开发者们分享开源大数据、IT基础设施云化、数据库、云原生、物联网等领域的技术干货, 共同探讨前沿科技趋势。本文整理自开源大数据专场中阿里巴巴资深技术专家李永先生的精彩演讲,将为大家分享AliGraph:大规模图神经网络平台。
8976 0
|
数据采集 监控 数据库
爬虫技术详解:从原理到实践
本文详细介绍了爬虫技术,从基本概念到实际操作,涵盖爬虫定义、工作流程及Python实现方法。通过使用`requests`和`BeautifulSoup`库,演示了如何发送请求、解析响应、提取和保存数据,适合初学者学习。强调了遵守法律法规的重要性。
4181 4
|
JSON 小程序 JavaScript
uni-app开发微信小程序的报错[渲染层错误]排查及解决
uni-app开发微信小程序的报错[渲染层错误]排查及解决
3184 7
|
Java Android开发
MAT如何使用?
MAT如何使用?
830 4
|
NoSQL Cloud Native atlas
探索云原生数据库:MongoDB Atlas 的实践与思考
【10月更文挑战第21天】本文探讨了MongoDB Atlas的核心特性、实践应用及对云原生数据库未来的思考。MongoDB Atlas作为MongoDB的云原生版本,提供全球分布式、完全托管、弹性伸缩和安全合规等优势,支持快速部署、数据全球化、自动化运维和灵活定价。文章还讨论了云原生数据库的未来趋势,如架构灵活性、智能化运维和混合云支持,并分享了实施MongoDB Atlas的最佳实践。
|
机器学习/深度学习 存储 分布式计算
未来趋势:探索GraphRAG在大规模异构网络环境下的挑战与机遇
【10月更文挑战第11天】随着互联网和物联网技术的快速发展,数据不仅数量庞大,而且类型多样,形成了复杂的大规模异构网络。这些网络中包含了不同类型的节点(如文本、图像、视频等)以及它们之间的多种关系。如何有效地处理这种大规模异构网络,以便进行内容理解与生成,是当前研究的一个热点问题。Graph Retrieval-Augmented Generation (GraphRAG) 框架作为一种新兴的方法,在这一领域展现出了巨大的潜力。本文将深入探讨GraphRAG的基础理论、构建方法,并分析其在未来大规模异构网络环境下的挑战与机遇。
874 3
|
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?
2869 3
|
机器学习/深度学习 索引
字节3面真题,LeetCode上hard难度,极具启发性题解
字节3面真题,LeetCode上hard难度,极具启发性题解
259 0