1RoboticsMIT Technology Review
Шанхайн роботын “карнавал” Хятадын embodied AI амбицыг харуулав
Хятад humanoid роботыг өдөр тутмын амьдрал, үйлдвэрлэлд оруулах бодлогоо эрчимжүүлж байна. Шанхайн роботын арга хэмжээ энэ өрсөлдөөн зөвхөн лабораторийн үзүүлбэр биш, бүтээгдэхүүнжих шат руу орж буйг харуулжээ.
Дэлгэрэнгүй унших
Humanoid роботын хөгжилд хөдөлгүүр, мэдрэгчээс гадна бодит орчинд аюулгүй ажиллах программ, сургалтын өгөгдөл, үйлчилгээний дэд бүтэц шийдвэрлэх үүрэгтэй. Иймээс олон робот нэг дор үзүүлэх арга хэмжээ нь технологийн шоунаас илүү нийлүүлэлтийн сүлжээ, хэрэглээний хувилбарыг шалгах талбар болдог.
Анхаарах зүйл нь роботын бичлэг, тайзны үзүүлбэр бус давтагддаг бодит ажилд гаргах гүйцэтгэл юм. Агуулах, үйлдвэр, асаргаа зэрэг орчинд найдвартай ажиллагаа, засварын өртөг, хүний аюулгүй байдал нь дараагийн гол шалгуур болно.
Эх сурвалж: I spent a day at a robot “carnival” in Shanghai. Here’s what I saw.2AIMIT News AI
Ховор гамшгийн хувилбарыг дата багатай үед AI-аар урьдчилан загварчилна
MIT-ийн шинэ алгоритм түүхэн өгөгдөл хомс байдаг урьд өмнө тохиолдоогүй эрсдэлийн хувилбаруудыг таамаглахад чиглэжээ. Энэ нь дэд бүтэц, нийлүүлэлтийн сүлжээний бэлэн байдлыг шалгах шинэ арга болж магадгүй.
Дэлгэрэнгүй унших
Онцгой үер, тасалдал, нийлүүлэлтийн гэнэтийн доголдол зэрэг үйл явдал ховор учраас уламжлалт загварт суралцах жишээ хангалтгүй байдаг. Судалгааны зорилго нь зөвхөн өмнөх тохиолдлыг давтах биш, системийн эмзэг цэгийг илрүүлэх боломжит нөхцөлүүдийг үүсгэх юм.
Ийм загвар нь бодит прогнозын оронд эрсдэлийн сургуулилт, нөөц төлөвлөлтөд илүү хэрэгтэй. Гэхдээ үүсгэсэн хувилбарын бодитой байдлыг салбарын мэргэжилтэн, физикийн хязгаарлалт, бодит дататай заавал тулгаж шалгах шаардлагатай.
Эх сурвалж: Generating scenarios for extreme events, without extreme data3ScienceSemiconductor Engineering
2 нм-ээс доош чипүүд олон жижиг die-гээс бүрдэх хандлагатай болж байна
Шинэ үеийн чипийг нэг том цахиур дээр багтаахын оронд олон die, багцлалт, хоорондын холболтоор угсрах чиглэл давамгайлж байна. Энэ нь илүү модульчлагдсан, хүчирхэг систем бүтээх ч үйлдвэрлэл ба шалгалтыг улам төвөгтэй болгоно.
Дэлгэрэнгүй унших
Multi-die буюу chiplet бүтэц нь тооцоолол, санах ой, I/O зэрэг хэсгийг тусад нь оновчлоод нэг багцад холбох боломж олгодог. Ингэснээр шинэ технологийн өртөг, үйлдвэрлэлийн гарцыг удирдах гарц нээгдэнэ.
Гол сорилт нь die хоорондын хурд, эрчим хүч, дулаан, найдвартай холболт болно. AI сервер, утас, edge төхөөрөмжийн гүйцэтгэлд зөвхөн процессын нанометр бус багцлалтын чанар улам чухал болохыг энэ чиглэл харуулж байна.
Эх сурвалж: Multi-Die Assemblies Dominate At 2nm And Below4ScienceNIST News
Квант технологийг томруулж, маш бүдэг гэрлийг илрүүлэх алхам
NIST-ийн судлаачид ганц фотон чухал байдаг хэрэглээнд зориулсан квант мэдрэгчийн технологийг өргөжүүлэхээр ажиллаж байна. Ийм мэдрэгч квант тооцоолол, гүний эдийн дүрслэл зэрэгт хэрэгтэй байж болно.
Дэлгэрэнгүй унших
Фотон бол гэрлийн хамгийн жижиг мэдээлэл зөөгч тул түүнийг найдвартай илрүүлэх чадвар нь холбоо, дүрслэл, квант системийн үндсэн асуудал юм. Сул дохиог алдалгүй барихын зэрэгцээ төхөөрөмжийг олон сувгаар ажиллуулах нь лабораторийн үр дүнг хэрэглээнд ойртуулах чухал алхам.
Дараагийн асуулт нь мэдрэгчийг үйлдвэрлэх өртөг, ажиллах температур, интеграцчлал юм. Квант технологийн бодит хэрэглээ зөвхөн илүү олон кубитээс бус тэдгээрийг уншиж, хянах мэдрэгчийн дэвшлээс мөн хамаарна.
Эх сурвалж: NIST Researchers Supersize Quantum Technology to Help Detect Faint Photons5ScienceQuanta Magazine
Тархи эмх замбараагүй мэдээллийг урьдчилж таамаглан ангилдаг байж магадгүй
Шинэ онол тархийг мэдээлэл хадгалдаг шүүгээ гэхээс илүүтэй, чимээтэй орчноос хэрэгтэй дохиог урьдчилан таамаглаж шахдаг систем гэж тайлбарлаж байна. Энэ нь ангилал, суралцах үйл явцыг өөр өнцгөөс харах санал юм.
Дэлгэрэнгүй унших
Өдөр тутмын мэдрэхүйн мэдээлэл бүрэн, цэвэр байдаггүй. Тиймээс тархи өмнөх туршлага дээрээ тулгуурлан ирэх дохионы утгыг таамаглаж, ялгааг нь ашиглан ойлголтоо шинэчилдэг гэсэн хандлага нейро шинжлэх ухаанд хүч авчээ.
Энэ ойлголт AI-ийн загварчлалд шууд хуулбарлах жор биш ч тодорхойгүй нөхцөлд суралцах, анхаарал хуваарилах системийг сайжруулах санаа өгч чадна. Судлаачид онолыг тархины бодит хэмжилт, зан үйлийн туршилтаар хэр сайн батлахыг ажиглах нь чухал.
Эх сурвалж: A New Framework for How the Brain Compresses Our Noisy World