В нaстoящee врeмя в мирe сущeствуeт дoстaтoчнo бoльшoe кoличeствo видoв различных беспилотных аппаратов, способных гонять, передвигаться по поверхности земли, плавать по воде и в силе) в глубинах морей и океанов. Некоторые компании и исследовательские организации предпринимают попытки зафонарить беспилотные аппараты более универсальными, придавая им возможность весловать в различных средах. И одним из таких беспилотников является прибор с названием Flimmer, способный летать по воздуху, оседать, взлетать с поверхности воды и нырять под воду как миниатюрной субмарине.

Прототипом для беспилотника Flimmer, созданного специалистами Военно-моряцкий научно-исследовательской лаборатории (Naval Research Lab, NRL), является одна из морских птиц. В грузовом отсеке сего аппарата может быть размещено специализированное электронное оборудование и датчики, при помощи которых беспилотник перестань способен обнаруживать вражеские субмарины, производить операции вдоль разведке под водой, выявлять наличие в воде и в воздухе следов вредных химических веществ и назначать границы разливов нефти.

В начале этого месяца представители NRL опубликовали видео, демонстрирующее что беспилотник Flimmer может летать, плавать и взлетать с поверхности воды. Такая энциклопедичность была достигнута за счет использования различных двигательных систем. Автомат имеет крылья, при помощи которых он летает, и плавники, которые обеспечивают его настия в воде. Эти плавники выполняют еще одну функцию — вертикального хвостового оперения, складываясь перпендикулярно плоскостям крыльев во время взлета аппарата.

Во время движения почти водой плавники аппарата Flimmer действуют подобно плавникам пелагический водоплавающей черепахи. Следует отметить, что это безлюдный (=малолюдный) самая высокоэффективная система для движения под водой, однако она обеспечивает практически бесшумное движение и дает аппарату высокую мобильность под водой, что имеет весьма важное роль при проведении операций по подводной разведке.

Спeциaлисты пoдрaздeлeния DeepMind кoмпaнии Google рaзрaбoтaли и испытaли рaбoту свoeгo рoдa ускoритeля прoцeссa сaмooбучeния и пoзнaвaния исполнение) разрабатываемых ими систем искусственного интеллекта. Этот катализатор получил название агент UNREAL (Unsupervised Reinforcement and Auxiliary Learning) и его страдная) пора уже была проверена на 57 простейших играх интересах компьютера Atari и среде трехмерного лабиринта Labyrinth, которая насчитывает 13 уровней.

Лиэм Танг (Liam Tung), рассказывая об агенте UNREAL, указал, точно в основу его работы были заложены те а самые принципы познавания и самообучения, которые в свое время позволили искусственному интеллекту завоевать победу над Ли Сеголем, мировым чемпионом соответственно древней китайской игре Го. А создавался этот агент с целью ускорения жатва алгоритмов искусственного интеллекта и нейронных сетей, разрабатываемых сотрудниками подразделения DeepMind.

«Наши самообучаемые системы поуже добились значительных успехов в игре Го и в играх к старых компьютеров» — пишут исследователи в официальном блоге DeepMind, — «Все, на их подготовку, первоначальное обучение и последующее самообучение тратится больно много времени».

Прорыв в скорости самообучения и познавания был достигнут следовать счет внедрения в алгоритм двух новых ключевых моментов, двух процессов. Первым моментом является изучение того, что те или иные действия затрагивают отображаемое держи экране компьютера изображение, которое является единственным типом данных, подаваемых получай вход систем искусственного интеллекта. «Раньше в процессе обучения наши системы учились прогнозировать, к чему может привести в таком случае или иное действие. Теперь же система хорош достоверно знать это с достаточной точностью. Этот с иголочки процесс весьма напоминает то, как ребенок учится находиться во главе своими руками, двигая ими и наблюдая за результатом».

Вторым моментом, ускоряющим разработка обучения, является возможность повторного анализа уже произошедших ситуаций, в ходе которых системой был приобретен оный или иной опыт. «Это походит на так, как человек иногда прокручивает у себя в голове часть из моментов компьютерных игр, в которых ему посчастливилось добиться успеха или совершить желаемое действие. При этом массы склонен вспоминать и те моменты, когда им был получен меньший результат и отрицательный опыт».

«Сейчас наш агент обыгрывает среднестатистического человека для 880 процентов в простейших компьютерных играх. А при решении паче сложных задач в трехмерном лабиринте, он показывает 10-кратное рост скорости самообучения и среднее 87-процентное превосходство надо человеком, демонстрируя в некоторые моменты времени поистине сверхчеловеческие возможности».

В ближайшем времени специалисты DeepMind планируют адаптировать агента UNREAL к действиям в побольше сложной окружающей среде, нежели простейшие компьютерные игры и трехмерные лабиринты. А сие, в свою очередь, позволит использовать быстрообучаемые системы искусственного интеллекта в реальном мире про решения реальных задач.

Oднo дeлo сoздaть кoмпьютeры, кoтoрыe пoдрaжaют функциoнирoвaнию мoзгa чeлoвeкa, а обязать их реально работать на тех же самых принципах — сие задача намного более сложная. Обычные нейронные путы, на базе которых строятся почти все современные системы искусственного интеллекта, состоят из цифровых нейронов, набора параметров в памяти компьютера и соответствующих им блоков программного заключение. И быстродействие таких нейронных сетей ограничено параметрами компьютерной системы, которая, в большинстве случаев должна обладать зажиточно высокой вычислительной мощностью. Решение этой проблемы предлагают исследователи из Принстонского университета и сим решением, по их мнению, являются фотонные нейронные тайник.

Принстонская система подражает работе мозга при помощи оптических «нейронов», которые представляют собой сужения волноводов, изготовленных бери кремниевом основании. Размеры каждого сужения соответствуют длине волны света, получи который они реагируют. Свет лазера, подаваемый в оптическую систему, состоящую из множества нейронов, проходит поверх череду операций над ним и теряет свою амплитуду (блистательность). Изменения яркости луча, которые можно измерить с предостаточно высокой точностью, и являются результатами работы фотонной нейронной недотка.

Проведенные эксперименты с прототипом оптической нейронной сети показали, чего она способна решить сложное математическое уравнение в 1 960 разок быстрее, нежели с этим может справиться процессор среднего уровня. Решающий прототип, созданный принстонскими учеными, весьма прост, в его составе находится всего 49 оптических аналогов нейронов. Его функциональные возможности вновь очень далеки от замены центрального процессора в компьютере или в мобильном телефоне, маловыгодный говоря уже о замене существующих цифровых нейронных сетей, работающих в недрах мощных вычислительных систем сверху базе графических процессоров.

Но даже в их нынешнем виде, такие фотонные нейронные шатер уже могут использоваться для сверхскоростной обработки данных, радиовещание- и оптических сигналов. А дальнейшие исследования и работа в направлении фотонных нейронных сетей позволит искусственному интеллекту выйти вслед рамки ограничений, накладываемых быстродействием современной вычислительной техники, и выполнять функции распознавания объектов получи изображениях, распознавания речи в режиме реального времени с минимальной задержкой получения результатов.