Künstliche Intelligenz kann heute anspruchsvolle Mathematik lösen, komplexe Überlegungen anstellen und sogar Personalcomputer bedienen, aber die heutigen Algorithmen könnten immer noch das eine oder andere von mikroskopisch kleinen Würmern lernen.
Liquid AI, ein MIT-Startup, wird heute mehrere neue KI-Modelle vorstellen, die auf einem neuen Typ eines „flüssigen“ neuronalen Netzwerks basieren, das das Potenzial hat, effizienter, weniger energieintensiv und transparenter zu sein als die ihm zugrunde liegenden. alles von Chatbots über Bildgeneratoren bis hin zu Gesichtserkennungssystemen.
Zu den neuen Modellen von Liquid AI gehört eines zur Erkennung von Betrug bei Finanztransaktionen, ein weiteres zur Steuerung selbstfahrender Autos und ein drittes zur Analyse genetischer Daten. Das Unternehmen stellte heute auf einer Veranstaltung am MIT die neuen Designs vor, die es an externe Unternehmen lizenziert. Das Unternehmen hat Finanzmittel von Investoren wie Samsung und Shopify erhalten, die seine Technologie ebenfalls testen.
„Wir wachsen“, sagt Ramin Hasani, Mitbegründer und CEO von Liquid AI, der während seines Doktorandenstudiums am MIT Liquid Networks miterfunden hat. Hasanis Forschung wurde inspiriert von C. elegansein millimeterlanger Wurm, der normalerweise im Boden oder in verrottender Vegetation vorkommt. Der Wurm ist eines der wenigen Lebewesen, dessen gesamtes Nervensystem kartiert wurde, und er ist zu bemerkenswert komplexem Verhalten fähig, obwohl er nur ein paar hundert Neuronen besitzt. „Früher war es nur ein wissenschaftliches Projekt, aber diese Technologie ist vollständig kommerzialisiert und bereit, Unternehmen einen Mehrwert zu bieten“, sagt Hasani.
Innerhalb eines regulären neuronalen Netzwerks werden die Eigenschaften jedes simulierten Neurons durch einen statischen Wert oder „Gewicht“ definiert, der seine Auslösung beeinflusst. Innerhalb eines flüssigen neuronalen Netzwerks wird das Verhalten jedes Neurons durch eine Gleichung bestimmt, die sein Verhalten über die Zeit vorhersagt, und das Netzwerk löst eine Kaskade verwandter Gleichungen, während das Netzwerk arbeitet. Das Design macht das Netzwerk effizienter und flexibler, sodass es im Gegensatz zu einem herkömmlichen neuronalen Netzwerk auch nach dem Training lernen kann. Im Gegensatz zu bestehenden Modellen können flüssige neuronale Netze auch untersucht werden, da ihr Verhalten im Wesentlichen zurückgespult werden kann, um zu sehen, wie sie zu einem Ergebnis geführt haben.
Im Jahr 2020 zeigten Forscher, dass ein solches Netzwerk mit nur 19 Neuronen und 253 Synapsen, was nach modernen Maßstäben bemerkenswert klein ist, ein simuliertes selbstfahrendes Auto steuern könnte. Während ein herkömmliches neuronales Netzwerk visuelle Daten nur in statischen Intervallen analysieren kann, erfasst das flüssige Netzwerk sehr effektiv, wie sich visuelle Informationen im Laufe der Zeit ändern. Im Jahr 2022 fanden die Gründer von Liquid AI eine Abkürzung, die die für flüssige neuronale Netze erforderliche mathematische Arbeit für den praktischen Einsatz umsetzbar machte.