Zinātnieki mēģenē, izmantojot DNS molekulas, ir izveidojuši mākslīgo intelektu, un viņi ir pārliecināti, ka tas drīz sāks veidot savas "atmiņas".
Zinātnieki laboratorijā izveidoja mākslīgu neironu tīklu, kas pilnībā izgatavots no DNS un atdarina smadzeņu darbību.
Ar mēģenēm AI var atrisināt klasisko mašīnmācīšanās problēmu, pareizi identificējot ar roku rakstītus skaitļus.
Šis darbs ir nozīmīgs solis, lai parādītu spēju ieprogrammēt AI mākslīgās organiskās ķēdēs, saka zinātnieki.
Tas kādu dienu varētu novest pie humanoīdiem robotiem, kas izgatavoti no pilnīgi organiskiem materiāliem, nevis uz izstādes kultūrā populāriem spīdīgajiem metāla kibermeistariem.
Pētnieki ir pārliecināti, ka ierīce drīz sāks veidot savas “atmiņas” no mēģenē pievienotajiem paraugiem.
Viņu galīgais mērķis ir ieprogrammēt saprātīgu uzvedību, piemēram, spēju aprēķināt, izdarīt izvēli un daudz ko citu, izmantojot mākslīgos neironu tīklus, kas izgatavoti no DNS.
Mākslinieka zīmējums ir mākslīgs neironu tīkls, kas izveidots no DNS.
Reklāmas video:
Kalifornijas Tehnoloģiju institūts izvēlējās problēmu, kas ir klasisks izaicinājums, lai atrisinātu elektronisko mākslīgo neironu tīklu problēmu, kas atpazīst ar roku rakstītu tekstu.
Tā bija viena no pirmajām problēmām, ko atrisināja datorvīzijas pētnieki, un tā bija ideāla metode, lai ilustrētu uz DNS balstītu neironu tīklu iespējas.
Personas rokraksts var būt ļoti atšķirīgs, un tāpēc, kad cilvēks pēta rakstītu skaitļu secību, smadzenes veic sarežģītus skaitļošanas uzdevumus, lai tos identificētu.
Tā kā pat cilvēkiem ir grūti atpazīt nevīžīgu rokrakstu, ar roku rakstītu numuru identificēšana ir izplatīts intelekta programmēšanas tests AI neironu tīklos.
Šie tīkli ir “jāapmāca”, lai atpazītu skaitļus, ņemtu vērā rokraksta atšķirības un pēc tam salīdzinātu nezināmo numuru ar tā sauktajām atmiņām un noteiktu numura identifikāciju.
Komanda ir parādījusi, ka sarežģītu DNS sekvenču neironu tīkls var veikt ķīmiskas reakcijas, norādot, ka tas ir pareizi identificējis "molekulāro rokrakstu".
Kad tiek dots nezināms skaitlis, šī tā dēvētā "viedā zupa" iziet virkni reakciju un izstaro divus fluorescējošus signālus, piemēram, zaļa un dzeltena, lai apzīmētu piecus, vai zaļa un sarkana, lai apzīmētu deviņus.
KĀPĒC PĒTĪTĀJI IR IZMANTOJUŠI DNS
VEIDOT AI mākslīgo cauruli?
Bio-molekulāro virkņu izgatavošanas no DNS atslēga ir stingri noteikumi saistīšanai starp DNS molekulām.
Vienpavedienu DNS molekulu veido mazākas molekulas, ko sauc par nukleotīdiem - saīsināti A, T, C un G -, kas atrodas virknē vai secībā.
Nukleotīdi viendzīslas DNS molekulā var saistīties ar nukleotīdiem citā viengriezuma virknē, veidojot divkāršu DNS, bet nukleotīdi saistās tikai ļoti specifiskos veidos.
Nukleotīds A vienmēr saistās ar T, bet C - ar G.
Izmantojot šos paredzamos saistošos noteikumus, pētnieki varēja noformēt īsus DNS pavedienus, lai in vitro veiktu paredzamas ķīmiskas reakcijas, un tādējādi aprēķināja tādus uzdevumus kā molekulāro struktūru atpazīšana.
2011. gadā viņi izveidoja pirmo DNS molekulu mākslīgo neironu tīklu, kas spēja atpazīt četrus vienkāršus modeļus.
2018. gada jūlijā viņi atklāja in vitro mākslīgo intelektu, kas var atrisināt klasisko mašīnmācīšanās problēmu, pareizi identificējot ar roku rakstītus skaitļus.
Vadošais pētnieks Lulu Qian, Bioinženierijas katedras asociētais profesors, sacīja: “Lai arī zinātnieki tikko ir sākuši pētīt mākslīgā intelekta radīšanu molekulārajās mašīnās, tā potenciāls jau tagad ir nenoliedzams.
Tieši tāpat kā elektroniskie datori un viedtālruņi padarīja cilvēkus spējīgākus nekā pirms simts gadiem, mākslīgās molekulārās mašīnas varēs izgatavot jebko, kas izgatavots no molekulām, ieskaitot pat krāsas un pārsējus, un nākamajos simts gados kļūt spējīgāks un atsaucīgāks videi.."
KĀ MĀKSLĪGO MĀKSLĪGUMU MĀCAS?
AI sistēmas balstās uz mākslīgiem neironu tīkliem (ANN), kas mēģina atdarināt smadzeņu darbību, lai mācītos.
ANNs iemācīsies atpazīt informācijas modeļus, tostarp runu, tekstuālos datus vai vizuālos attēlus, un tas ir pamats daudziem AI attīstības veidiem pēdējos gados.
Parastais AI izmanto ievadus, lai apmācītu algoritmu par konkrētu tēmu, barojot to ar daudz informācijas.
Praktiskās lietojumprogrammas ietver Google valodas tulkošanas pakalpojumus, Facebook sejas atpazīšanas programmatūru un Snapchat attēlu rediģēšanas filtrus.
Šo datu ievadīšanas process var būt ļoti laikietilpīgs un aprobežoties ar viena veida zināšanām.
Jaunā ANN paaudze, saukta par Adversarial Neural Networks, pretrunā divu AI robotu prātu, ļaujot viņiem mācīties vienam no otra.
Šīs pieejas mērķis ir paātrināt mācību procesu, kā arī uzlabot AI sistēmu radītos secinājumus.
