MIT 開發 AI 副駕駛系統，提升航空安全
AI 助手 Air-Guardian 的設計目的在於與飛行員合作，以增加飛行安全。當飛行員忽視了關鍵情況時，這個 AI 副駕駛系統能夠介入，防止潛在的事故。Air-Guardian 的基礎是 MIT 電腦科學與人工智慧實驗室 (CSAIL) 開發的新型深度學習系統，稱為液態神經網路 (LNN)。LNN 已經在各個領域展示了其有效性，對於需要高效運算和可解釋的人工智慧系統的領域而言，LNN 可能成為當前流行的深度學習模型的可行替代方案。
追蹤注意力
Air-Guardian 採用了一種獨特的方法來提升飛行安全。它監測飛行員和 AI 系統的注意力，檢測二者的不一致情況。如果飛行員忽視了關鍵方面，AI 系統介入並掌握該特定飛行要素的控制權。這種人機協作系統旨在保持飛行員的控制權，同時允許 AI 填補空缺。
"這個想法是設計可以與人類合作的系統。在人類面臨挑戰並需要控制某些事物時，AI 可以提供幫助。而對於人類擅長的事情，人類可以繼續執行，" MIT CSAIL 的 AI 科學家、Air-Guardian 論文的共同作者 Ramin Hasani 表示。
舉例來說當飛機接近地表飛行時，地心引力可能是不可預測的，可能導致飛行員失去意識。在這種情況下，Air-Guardian 可以接管控制，防止事故發生。在其他情況下，飛行員可能會被顯示在螢幕上的過多訊息所壓倒。此時，AI 可以過濾資料，突顯飛行員可能錯過的關鍵訊息。Air-Guardian 使用眼動追蹤技術監測人類注意力，熱點圖則用於顯示 AI 系統的注意力所在。當檢測到二者之間的偏差時，Air-Guardian 評估 AI 是否標識了需要立即關注的問題。
安全關鍵系統的人工智慧
Air-Guardian，像許多其他控制系統一樣，是基於深度強化學習模型構建的。該模型涉及一個由神經網路驅動的 AI 智慧體，根據環境觀察採取行動。該智慧體為每個正確的行動獲得獎勵，使神經網路逐步學習到在給定情況下做出正確決策的策略。
然而 Air-Guardian 的獨特之處在於其核心部分的液態神經網路。LNN 以其可解釋性而聞名，這一特性使工程師能夠深入研究模型的決策過程。這與傳統的深度學習系統形成鮮明對比，後者通常被稱為"黑盒子"，因為其難以理解。
"對於安全關鍵應用，你不能使用普通的黑盒子，因為你需要在使用之前理解系統。你希望系統具有一定程度的可解釋性，" Hasani 表示。Hasani 是 2020 年開始研究 LNN 的團隊的一員。2022 年，該團隊在 LNN 基礎上開發的高效率無人機控制系統在《Science Robotics》封面上亮相。現在他們正在努力將這項技術應用到實際場景中。
LNN 的另一個重要特性是它們能夠學習資料內的因果關係。傳統神經網路往往學習到的是資料中的錯誤或表面上的相關性，導致在實際應用中出現意料之外的錯誤。而 LNN 則能夠與資料互動，測試反事實情景，學習因果關係，使其在實際應用中更加健壯。
"如果你想學習任務的真正目標，你不能僅僅從視覺輸入中學習統計特徵。你必須學習因果關係，" Hasani 表示。
用於邊緣計算的人工智慧
液態神經網路還有另一個重要優勢：它們的緊湊性。與傳統深度學習網路不同，LNN 可以使用更少的計算單元或"神經元"來學習複雜任務。這種緊湊性使它們能夠在計算能力和記憶體有限的計算機上執行。
"在今天的人工智慧系統中，隨著規模的擴大，它們變得越來越強大，可以執行更多工。但其中一個問題是你無法將它們部署在邊緣裝置上，" Hasani 表示。
在一項先前的研究中，MIT CSAIL 團隊展示了一個只有 19 個神經元的 LNN 可以學習一個通常需要 10 萬個神經元的經典深度神經網路才能完成的任務。這種緊湊性對於邊緣計算應用非常重要，例如自動駕駛汽車、無人機、機器人和航空業。在這些情況下，人工智慧系統必須做出實時決策，無法依賴基於雲的模型。
"液態神經網路的緊湊性絕對有助於解決問題，因為這些汽車、飛機和邊緣裝置上的計算資源是有限的，" Hasani 表示。
Air-Guardian 和 LNN 的廣泛應用
Hasani 相信從 Air-Guardian 的開發中獲得的洞察可以應用於許多需要人工智慧助手與人類合作的場景。這可能是簡單的場景，如跨多個應用程式完成任務，也可能是複雜的任務，如自動化手術和自動駕駛，其中人工智慧與人類的互動是不斷的。
"你可以將這些應用功能廣泛應用於各種學科，" Hasani 表示。
LNN 還可以為自主代理的蓬勃發展做出貢獻，這一領域隨著大型語言模型的崛起而取得了顯著增長。LNN 可以為 AI 代理提供動力，例如虛擬 CEO，能夠對人類同行做出決策並解釋，使其價值觀和議程與人類保持一致。
"液態神經網路是通用訊號處理系統。不管你提供什麼型別的輸入資料，無論是影片、音訊、文字、金融時間序列、醫療時間序列、使用者行為，液態神經網路和通用訊號處理系統都可以建立不同的模型。應用範圍可以從預測建模到時間序列、自主性到生成式人工智慧應用，" Hasani 表示。
Hasani 將當前 LNN 的狀態比作 2016 年，正是有影響力的“轉換器”論文發表之前。基於多年前的研究，"轉換器"最終成為 ChatGPT 等大型語言模型的基礎。今天我們正處於 LNN 能夠實現的開端，這可能將強大的人工智慧系統帶到智慧手機和個人電腦等邊緣裝置上。
Hasani 斷言："這是一個新的基礎模型。可以在此基礎上構建一個新的人工智慧系統浪潮。"
延伸閱讀
- 加州新 AI 法案出爐，SB 1047 作者再推出改革措施！
- 《超級瑪利歐成為 AI 基準測試的新標準！你絕對想不到的理由》
- Google 推出 SpeciesNet：專為識別野生動物而設的人工智慧模型！
- 安瑟普提克獲得 35 億美元巨額資金 瞄準人工智慧未來！
- OpenAI 重磅推出 GPT-4.5：歷史上最大的語言模型來了！
- 探索 DeepSeek：你必須理解的 AI 聊天機器人應用全指南！
- OpenAI 的創業帝國：揭密其風投基金背後的諸多創新公司
- 揭開 Mistral AI 的神祕面紗：揭示 OpenAI 競爭者的所有祕密！
- 長壽專家彼得·阿提亞創立的新創公司終於揭開面紗！
- 未來科技：研究人員揭示如何打造變形機器人，猶如 T-1000 般神奇！
