Разработка робота-самоучки: DARPA рискует перейти грань

Разработка робота-самоучки: DARPA рискует перейти грань: Оборонное научное агентство DARPA готовит к запуску почти 4-летний проект по разработке искусственного интеллекта, который сможет самообучаться и совершенствовать себя.

Мозг всегда отрабатывает по полной

Мозг всегда отрабатывает по полной: Исследование международной группы психологов под руководством ученых из Университета Левена заставляет пересмотреть некоторые устоявшиеся взгляды на работу мозга. До сих пор считалось, что активность мозга связана с его определенными областями, но, видимо, это не так. Наблюдения ученых показывают, что активируется вся кора мозга, а не только конкретная область, отвечающая за определенную функцию. Более того, активность коры представлена в виде волн, которые движутся от одной стороны мозга к другой. Мозг можно изучать в различных масштабах: связи отдельных нейронов, активность конкретных областей мозга, которые соответствуют определенной функции (зрение, речь и т.д.), а также активность всей коры. Обычно ученые делают электроэнцефалограмму для измерения электрической активности...

Аутологичные нейральные клетки-прогениторы успешно трансплантированы в мозг обезьян

Аутологичные нейральные клетки-прогениторы успешно трансплантированы в мозг обезьян: Впервые ученые пересадили нейральные клетки-предшественники, полученные из клеток кожи обезьян, в мозг этих же животных и наблюдали их дифференцировку в несколько типов зрелых...

Особенности мозга: дает сконцентрироваться, мешает творить

Особенности мозга: дает сконцентрироваться, мешает творить: Ученые из Университета Пенсильвании нашли способ повысить эффективность творческого труда, стимулируя префронтальную кору головного мозга. Считается, что префронтальная кора управляет познавательной деятельностью и является своеобразным фильтром, который не позволяет посторонним мыслям, восприятию и воспоминаниям мешать выполнению текущей задачи. В ходе экспериментов ученые замедляли работу этого природного фильтра и обнаружили, что это повышает производительность труда, требующего творческого мышления. Участникам эксперимента показывали изображения привычных бытовых предметов и просили быстро придумать необычные способы их использования, например, бейсбольную биту в роли скалки. Подопытным демонстрировалась последовательность из 60 объектов, по одному каждые 9 секунд, и ученые засекали время, которое требовалось подопытным, чтобы придумать ответ. Исследователи предположили, что...

«Рекс» - первый в мире бионический человек

«Рекс» - первый в мире бионический человек:
Биоробот создан учеными из разных протезов – и серийных, и экспериментальных. Он уже почти живой

В лондонском Музее науки на днях показали чудо – первого в мире гуманоида Bionic Man. Это почти разумное, человекоподобное существо как будто ожило со страниц фантастических романов. Высокому двухметровому блондину ученые почему-то дали имя, похожее на собачью кличку – Рекс.

читать далее

CMU Reveals Details of CHIMP Humanoid

CMU Reveals Details of CHIMP Humanoid:


You may recall from our article on the latest DARPA Robotics Challenge that one of the CMU teams was planning to build a humanoid robot named CHIMP, for CMU Highly Intelligent Mobile Platform. The contest is very ambitious, calling for humanoid rescue robots that can break through concrete walls, climb ladders, open doors, and use power tools designed for humans. CMU's Tartan Rescue team has now released details of their design. CHIMP combines features of humanoid robots with elbow and knee mounted track drives, allowing the robot to walk, climb, or resort to older style skid steered tank-like drive. The front limbs have human-like jointing and mobility. From the news release:

CHIMP will be able to perform complex, physically challenging tasks through supervised autonomy. A remote, human operator will make high-level commands controlling the robot’s path and actions, while the robot’s on-board intelligence prevents collisions, maintains stability and otherwise keeps the robot from harm. The robot also will be pre-programmed to execute tasks such as grasping a tool, stepping on a ladder rung or turning a steering wheel without step-by-step direction from the human controller, circumventing the lag between command and execution.

The team optimistically claims CHIMP will have "near human strength and dexterity" and that the robot will be able to adapt its motion to changing circumstance so that "in a pinch, it can do anything". We look forward to seeing prototypes of this robot and wish Team Tartan luck with their project. For more details, check out the Team Tartan CHIMP website.

Робогепард из MIT — конкурент Boston Dynamics Cheetah

Робогепард из MIT — конкурент Boston Dynamics Cheetah:

Четвероногие роботы Boston Dynamics — не единственные, чью разработку финанисрует DARPA в рамках программы Maximum Mobility and Manipulation (M3). И хотя гепард, построенный в лаборатории бионики Массачусетского технологического института пока отстаёт от своего более известного бостонского собрата в скорости и автономности, он тоже очень интересен. Кроме того, в отличие от Boston Dynamics, MIT публикует гораздо больше подробностей о конструкции и процессе разработки своих роботов.

Создатели массачусетского гепарда считают одной из главных своих целей энергоэффективность робота. Чем меньше энергии тратит робот на то, чтобы двигаться с заданной скоростью, тем компактнее может быть его энергоустановка и тем дольше он сможет работать автономно. Эффективность передвижения гепарда MIT, который использует электропривод (в отличие от роботов Boston Dynamics, чьи ноги приводятся в движение гидравликой) очень близка к эффективности живого гепарда и других подобных сухопутных животных и в несколько раз выше Big Dog или двуногого робота Honda ASIMO.

Читать дальше →

Исследователи обнаружили генетический молекулярный выключатель, позволяющий вернуть молодость головному мозгу

Исследователи обнаружили генетический молекулярный выключатель, позволяющий вернуть молодость головному мозгу: Ни для кого не является секретом, что мозг молодого человека является более гибким и восприимчивым, позволяя молодежи учиться более легко и непринужденно, нежели взрослым людям. Эта податливость мозга молодого человека также позволяет ему более быстро и с меньшими потерями оправляться от физических травм и последствий заболеваний нервной системы. Исследователи из Йельского университета нашли способ эффективно "повернуть время вспять", вернув молодость мозгу взрослого или пожилого человека.

Робот Yeti поможет путешествовать по Арктике

Робот Yeti поможет путешествовать по Арктике: Американские инженеры разработали небольшого робота, которые прокладывает безопасный маршрут по ледяным полям. Новый робот найдет применение в армии, при проведении научно-исследовательских работ и в путешествиях. Необычный робот под названием Yeti разработан учеными и инженерами из американской военной лаборатории CRREL, Инженерного Дартмутского колледжа, Стэнфордского университета и при содействии Лаборатории реактивного движения НАСА. Полярная экспедиция иногда мало отличается от космической миссии с высадкой на другую планету. В Арктике опасность поджидает человека на каждом шагу. Робот Yeti как раз разработан, чтобы снизить риск для здоровья и жизни людей. Yeti весит 81-кг, питается от батарей, имеет метровые мотор-колеса и может работать при температуре.

Корпоративный искусственный интеллект (часть 2)

Искусственный Интеллект на службе у бизнеса.

В продолжение темы "Корпоративный искусственный интеллект", рассмотрим способности мозга к обобщению как функциональный прообраз процесса генерации гипотез и алгоритм иерархической кластеризации.

Напомню читателям о фундаментальной способности главного человеческого органа. Наш мозг обладает удивительной способностью. Мы можем из множества ситуаций, событий, фактов вычленять суть, находить сущности, лежащие в основе явлений, и соответственно объединяющие их. Столкнувшись с ножом, вилкой, ложкой мы только сначала воспринимаем их как отдельные предметы. Как только мы приобретаем опыт, который говорит, что все они используются для еды, наш мозг создает некое обобщение. Это обобщение можно описать как – «столовые приборы», оно отражает то, что все они используются для еды. Так вот удивительное в этом то, что такое обобщение происходит не в результате размышлений, попыток понять или иной умственной деятельности, а «автоматически» без осознания самого факта обобщения. Обобщение без осознания – это одно из фундаментальных свойств памяти. Оно заключается в том, что накопление информации, сопровождается формированием структур, отвечающих за выделение общих признаков, свойственным различным явлениям. Эти признаки могут не совпадать с предметами или явлениями, которые мы знаем, а отражать внутренние скрытые сущности или закономерности. Когда накапливается достаточно опыта и формируется обобщающее свойство, оно начинает использоваться в работе мозга.

В основе способности мозга к обобщению лежат механизмы межнейронного взаимодействия. Не последнюю роль, в таком взаимодействии играет глия (точнее клетки определенного типа - астроциты). Астроциты — клетки нейроглии, которым раньше отводилась роль вспомогательных клеток, функции которых заключались лишь в доставке к нейронам полезных веществ и удалении вредных. Однако, за последние лет 20 появилось много работ, где описывается механизм трехсторонней синаптической связи, в которой астроциты принимают активную роль в модуляции активности синапса.

Глиальные клетки оказывают регуляторную функцию. это было показано еще в работах Araque и это не косвенное влияние за счет того, что выполняют трофическую функцию, они участвуют в формировании структуры под названием «тройственный синапс». За счет выброса ряда глиатрансммиттеров они способны регулировать возбудимость нейрона, оказывать воздействие как на пре так и на постсинаптические терминали.

Так-же, было показано, что глиальная регуляция может приводить к бистабильному режиму динамики системы, а это в свою очередь может формировать паттерны персистентной активности.

Помимо паттерновой активности, глия активно влияет на формирование межнейронных связей. Рост отростков сильно зависит от активности соседних нейронов, в частности это связано с факторами роста (различные белки и не только), которые продуцируются нейронами и астроцитами в зависимости от активности и изменяют такой компонент как матрикс. Последнее, в свою очередь, влияет на “навигацию” отростка и определяет с какой из соседних клеток будет установлен синаптический контакт.

Принцип взаимодействия нейроннов и глии был взят за основу рекуррентного алгоритма кластеризации.

Рассмотрим рекуррентный алгоритм более подробно. На вход системы поступают записи. Каждая запись содержит значения в определенных полях. Представим каждое поле в виде независимой метрики. 

Например, имеется набор входящих записей.

UUID	пол	возраст	ежемесячный доход	сумма кредита	просрочка выплаты %
1	ж	21	1000	5000	да
2	м	23	1100	5000	нет
3	м	38	2500	30000	нет
...	...	...	...	...	...

Здесь имеем 5-ть метрик: пол, возраст, ежемесячный доход, сумма кредита, была ли просрочка по выплатам процентов. Алгоритм формирования кластеров по наличию ближайших соседей для любой метрики.

Получаем новое значение поля. Производим поиск ближайших соседей. Если таковые найдены в заданном диапазоне (окрестностях), то существует и ранее сформированный этими значениями кластер. Тогда, сформированный кластер уточняется и в него включается новое значение. Иначе, формируется новый кластер с единственным пока значением.

Для примера выше, формирование кластеров по метрике “ежемесячный доход” будет таким:

1. Вначале не существует никаких кластеров или накопленных данных;
2. Получаем значение 1000 для 1-ой записи. Проверяем наличие ближайших соседей. Т.е. производим поиск уже имеющихся кластеров. Таковых не найдено. Формируем новый кластер. Это соответствует рождению в системе нового образа. Новый кластер (образ), получает уникальный идентификатор и нового (и пока единственного) члена со значением 1000;
3. Получаем значение 1100 для 2-ой записи. Проверяем наличие ближайших кластеров в окрестностях +/- . Размеры окрестностей вычисляются как % от диапазона всех возможных значений. Так, например, ежемесячных доход может колебаться в диапазоне от 0 до 100000. При =0.1% в окрестностях 1100 +/- 100 находится ранее сформированный кластер с единственным членом 1000. Корректируем этот кластер и добавляем к нему новый член. Теперь, метрика “ежемесячный доход” содержит один кластер с членами 1000 и 1100;
4. Получаем значение 2500 для 3-ей записи. Проверяем наличие ближайших кластеров в окрестностях +/- . Таковых не найдено. Создаем новый кластер и включаем в него единственного, пока, члена 2500.

Формируя для каждой метрики кластеры, методом ближайших соседей, мы получим:

метрика	сформированные кластеры
UUID	- - -
пол	[ID1:м] [ID2:ж]
возраст	[ID3:21,23] [ID4:38]
ежемесячный доход	[ID5:1000,1100] [ID6:2500]
сумма кредита	[ID7:5000] [ID8:30000]
просрочка выплаты %	[ID9:да] [ID0:нет]

Здесь каждый кластер записывается в скобках “[” “]”, имеет уникальный идентификатор до разделителя “:” и перечисленные через запятую члены.

Как видно из описания, мы производим линейную одно факторную кластеризацию по каждой метрике. Причем, допускается перекрытие кластеров (один кластер может включать в себя элементы другого). Сама по себе, такая кластеризация не имеет значимых прикладных результатов при анализе данных. Однако, она НЕ исключает применения других методов кластеризации. Кроме того, важны не локально выявленные кластеры по каждой метрике, но их повторяемость.

Не трудно провести аналогию нашего “локального” кластера с нейронным ансамблем, отвечающим определенной паттерновой активностью и сформированным из соседних нейронов при содействии глии. Одновременная активация нескольких локальных кластеров новой записью, аналогична синхронной активности нейронных ансамблей в различных участках коры. Т.е. одинаковые, с нашей точки зрения, образы всегда активируют семантически связанные группы нейронов. Наличие таких семантических отношений было показано в 2012 году, исследователями из Калифорнийского университета в Беркли - http://gallantlab.org/semanticmovies/.

Примеры корковой активности для понятий - “человек” и “взрослый”:

Многократная активация одних и тех-же ансамблей (кластеров) различными образами свидетельствует об их похожести.

Для нашего набора входящих записей, похожими будут записи с UUID: 1,2. Похожесть выражается в активации одной и той же группы локальных кластеров для метрик: возраст, ежемесячный доход и сумма кредита. Кластеры: [ID3:21,23], [ID5:1000,1100], [ID7:5000] соответственно. Т.е. сформировалась условно устойчивая группа, обладающая перечисленными признаками. Чем больше во входящих данных будет записей, принадлежащих к этой группе, тем устойчивее (статистически значимее) будут связи и “вес” этой группы.

После обработки всех записей из входящей выборки, сформируется множество групп признаков, причем каждая группа будет имеет свой “вес” (значимость). Наиболее устойчивые группы и являются кандидатами в гипотезы.

Другими словами, продуцируемая гипотеза - это устойчивая группа определенных признаков (кластеров). И интерпретируется как: “существует такая группа X в которой каждый член обладает свойством P1 со значением в диапазоне от P1min до P1max, обадает свойством P2 со значением в диапазоне от P2min до P2max, …, обладает свойством PN со значением в диапазоне от PNmin до PNmax”.

Выраженные в такой фориме гипотезы пригодны для использования аналитиками, и могут быть легко доказаны или опровергнуты статистическими методами анализа.

Созданный прототип, проверялся на реальных исторических данных. Общий объем выборки составлял 400K записей. Однако, уже для первых 10K были сформулированы, приемлемые для бизнеса и аналитиков, гипотезы.

Использование связей между кластерами составленных на основе знаний предметной области позволяет повысить эффективность продуцирования гипотез и их качество. Например, при анализе данных об использовании услуг связи, экспертным знанием может выступать тот факт, что если объем входящего и исходящего трафика приблизительно равны - значит абонент является пользователем torrent сетей. В нашем случае, будет присутствовать такая группа, которая объединяет 2-ва кластера из метрик: входящий и исходящий трафик с приблизительно равными значениями.

Специалисты заметят, что по своей сути, предложенный метод соответствует алгоритму иерархической кластеризации. Однако, предложенный принцип выполняет рекуррентные вычисления и не требует никаких матриц коэффициентов, но целиком и полностью основывается на ранее накопленных данных. Более того, описанный метод, одновременно выполняет несколько задач - создание новых (уточнение уже имеющихся) кластеров, обучение и классификацию одновременно.