Kunstmatige intelligentie
Taal inzetten om machines te begrijpen | MIT-nieuws
Natuurlijke taal brengt ideeën, acties, informatie en bedoelingen over via context en syntaxis; verder zijn er volumes ervan opgenomen in databases. Dit maakt het een uitstekende gegevensbron om machine learning-systemen op te trainen. Twee masterstudenten in het 6A MEng Thesis Program aan het MIT, Irene Terpstra '23 en Rujul Gandhi '22, werken samen met mentoren in het MIT-IBM Watson AI Lab om deze kracht van natuurlijke taal te gebruiken om AI-systemen te bouwen. Nu computers steeds geavanceerder worden, willen onderzoekers de hardware waarop ze draaien verbeteren; dit betekent innoveren om nieuwe computerchips te creëren. En aangezien er al literatuur beschikbaar is over wijzigingen die kunnen worden aangebracht om bepaalde parameters en prestaties te bereiken, hebben Terpstra en haar mentoren en adviseurs Anantha Chandrakasan, decaan van de MIT School of Engineering en de Vannevar Bush hoogleraar Electrical Engineering and Computer Science, en IBM's onderzoeker Xin Zhang,
De creatieve toekomst van generatieve AI | MIT-nieuws
Weinig technologieën hebben zoveel potentieel getoond om onze toekomst vorm te geven als kunstmatige intelligentie. Specialisten op gebieden variërend van geneeskunde tot microfinanciering tot het leger evalueren AI-instrumenten en onderzoeken hoe deze hun werk en werelden kunnen transformeren. Voor creatieve professionals biedt AI een unieke reeks uitdagingen en kansen – met name generatieve AI, het gebruik van algoritmen om grote hoeveelheden gegevens om te zetten in nieuwe inhoud. De toekomst van generatieve AI en de impact ervan op kunst en design was het onderwerp van een uitverkochte paneldiscussie op 26 oktober in het MIT Bartos Theatre. Het maakte deel uit van de jaarvergadering van de Raad voor de Kunsten aan het MIT (CAMIT), een groep alumni en andere aanhangers van de kunsten aan het MIT, en werd mede gepresenteerd door het MIT Centrum voor Kunst, Wetenschap en Technologie (CAST), een schooloverschrijdend initiatief voor kunstenaarsresidenties en interdisciplinaire
Complexe, onbekende zinnen zorgen ervoor dat het taalnetwerk van de hersenen harder werkt | MIT-nieuws
Met behulp van een kunstmatig taalnetwerk hebben MIT-neurowetenschappers ontdekt welk soort zinnen de belangrijkste taalverwerkingscentra van de hersenen het meest waarschijnlijk zullen activeren. Uit het nieuwe onderzoek blijkt dat zinnen die complexer zijn, vanwege ongebruikelijke grammatica of onverwachte betekenis, sterkere reacties genereren in deze taalverwerkingscentra. Zeer eenvoudige zinnen raken deze gebieden nauwelijks, en onzinnige woordreeksen doen hen ook niet veel. De onderzoekers ontdekten bijvoorbeeld dat dit hersennetwerk het meest actief was bij het lezen van ongebruikelijke zinnen zoals ‘Koop-verkoopsignalen blijven een bijzonder’, afkomstig uit een openbaar beschikbare taaldataset genaamd C4. Het werd echter stil bij het lezen van iets heel eenvoudigs, zoals ‘We zaten op de bank’. “De input moet taalachtig genoeg zijn om het systeem te betrekken”, zegt Evelina Fedorenko, universitair hoofddocent neurowetenschappen aan het MIT en lid van het McGovern Institute for
AI-agenten helpen andere AI-systemen uit te leggen | MIT-nieuws
Het verklaren van het gedrag van getrainde neurale netwerken blijft een boeiende puzzel, vooral omdat deze modellen steeds groter en verfijnder worden. Net als andere wetenschappelijke uitdagingen door de geschiedenis heen, vereist het reverse-engineeren van de manier waarop kunstmatige-intelligentiesystemen werken een aanzienlijke hoeveelheid experimenten: het maken van hypothesen, het ingrijpen in gedrag en zelfs het ontleden van grote netwerken om individuele neuronen te onderzoeken. Tot nu toe hebben de meeste succesvolle experimenten grote hoeveelheden menselijk toezicht met zich meegebracht. Het uitleggen van elke berekening binnen modellen ter grootte van GPT-4 en groter zal vrijwel zeker meer automatisering vergen – misschien zelfs het gebruik van AI-modellen zelf. Om deze tijdige onderneming mogelijk te maken, hebben onderzoekers van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van MIT een nieuwe aanpak ontwikkeld die AI-modellen gebruikt om