Las redes neuronales que impulsan los sistemas de inteligencia artificial líderes en la actualidad pueden superar con creces al cerebro humano cuando se trata de seleccionar patrones en grandes extensiones de datos estáticos. Pero cuando hay pocos datos de los que aprender o los flujos de datos varían dinámicamente con el tiempo, tienden a tener problemas.
Imagínese una colección de libros, tal vez millones o incluso miles de millones, arrojados al azar por los editores en un campo por montones. Todos los días la pila crecería exponencialmente.
El problema del sesgo en la inteligencia artificial se enfrenta a un escrutinio cada vez mayor por parte de los reguladores y es un negocio en crecimiento para las empresas emergentes y los incondicionales de la tecnología.
Con 1,75 billones de parámetros, Wu Dao 2.0 es aproximadamente diez veces el tamaño del GPT-3 de Open AI.
La región mapeada abarca las diversas capas y tipos de células de la corteza cerebral, una región del tejido cerebral asociada con la cognición de nivel superior, como el pensamiento, la planificación y el lenguaje. Según Google , es el mapa cerebral más grande con este nivel de detalle hasta la fecha, y está disponible gratuitamente para los científicos (y el resto de nosotros) en línea.
La IA finalmente ha completado el círculo. Un nuevo conjunto de algoritmos de Google Brain ahora puede diseñar chips de computadora, aquellos específicamente diseñados para
ejecutar software de inteligencia artificial, que superan ampliamente a los diseñados por expertos humanos. Y el sistema funciona en solo unas pocas horas, reduciendo drásticamente el proceso de semanas o meses que normalmente frena la innovación digital.
En un estudio de prueba de concepto, los investigadores utilizaron los diagnósticos de cáncer de próstata de los perros para informar un algoritmo de aprendizaje automático con el objetivo de algún día detectar cánceres con precisión a nivel canino. por Asher Jones Con su legendario sentido del olfato, los perros son expertos en identificar los […]
La mayor parte del enfoque para hacer de los autos autónomos una realidad generalizada está en los autos mismos, específicamente en la tecnología que requieren para percibir e interactuar de manera segura con el mundo que los rodea: sensores, cámaras, lidar y similares, todo en software. plataformas que integran IA y aprendizaje automático. Pero, ¿y si no se trata solo de los coches?
La IA no ha cumplido muchas de las predicciones realizadas durante las últimas décadas; 2020, por ejemplo, fue anunciado por muchos como el año en que los autos autónomos comenzarían a llenar las carreteras, transportando sin problemas a los pasajeros mientras se sentaban y disfrutaban del viaje. Pero el problema ha sido más difícil de lo previsto y, en lugar de hordas de taxis robot, los proyectos más avanzados siguen en fase de prueba. Mientras tanto, algunos en el campo creen que la forma dominante de IA, una especie de aprendizaje automático basado en redes neuronales, pronto se quedará sin fuerza si no se produce una serie de avances cruciales.
Dos nuevos enfoques permiten que las redes neuronales profundas resuelvan familias enteras de ecuaciones diferenciales parciales, lo que facilita el modelado de sistemas complicados y lo hace en órdenes de magnitud más rápido.