這可以打破我們與自動駕駛汽車和其他機器人之間的僵局，這也將促使更像人類AI模型的出現(xiàn)。

馬里蘭大學的一個研究團隊最近提出了超維計算理論（hyperdimensional computing theory），能夠讓機器人擁有記憶和反應。這可以打破我們與自動駕駛汽車和其他機器人之間的僵局，這也將促使更像人類AI模型的出現(xiàn)。

馬里蘭州團隊提出了一種理論方法——超維計算，一種超線程的替代方式，基于布爾值和數(shù)字計算，可以取代當前用于處理感官信息的深度學習方法。

根據(jù)團隊成員之一也是論文作者的博士生Anton Mitrokhin的說法，這很重要，因為要讓AI像人類一樣面臨著處理的瓶頸：

基于神經(jīng)網(wǎng)絡的AI方法既龐大又緩慢，因為這種方法無法記憶。我們的超維理論方法可以產(chǎn)生記憶，這將大幅減少計算需求，并且使任務可以更快和更有效地完成。

記憶是當前人工智能所不具備的，但這對于預測未來的任務非常重要。想象一下，在打網(wǎng)球的時候，每次擊球時你都不在頭腦中計算，而只是跑過來，然后打它。你感知到球并采取行動，沒有借助其他東西將真實世界的數(shù)據(jù)轉化為數(shù)字數(shù)據(jù)然后進行處理。這種在沒有過濾器的情況下將感知轉化為行動的能力是人類在現(xiàn)實世界中固有的能力。

2016年5月，特斯拉汽車在開啟自動駕駛輔助系統(tǒng)的情況下，未能“看到”卡車的白色拖車，特斯拉汽車以高速公路的速度撞向它。最近又發(fā)生了同樣的事情。不同型號特斯拉汽車，不同版本的自動駕駛系統(tǒng)，但結果是同樣的，這是為什么？

雖然埃隆馬斯克應該承擔一些責任，人為錯誤也需要對此負責，但事實仍然是深度學習會讓自動駕駛汽車變得糟糕，并且沒有太大的希望讓它會變得更好。

其原因很復雜，但可以很容易地解釋。AI不知道汽車、人、拖車或熱狗的樣子。很容易發(fā)現(xiàn)，一個深學習型AI模型可以通過一百萬張的圖片進行訓練讓這個模型對熱狗圖片識別的精確度達到99.9％，但它永遠不會知道真正看起來像是什么樣。

超維計算理論為AI提供了真正“看到”世界并做出自己推論的能力。通過對每個可感知的對象和變量進行數(shù)學運算，超矢量可以在機器人中實現(xiàn)“主動感知”，而不是試圖通過強制處理整個宇宙。

據(jù)論文的主要作者 Yiannis Aloimonos所說：

主動感知者知道為什么要感知，然后選擇要感知的內容，并確定感知的方式，包括何時以及在何處實現(xiàn)感知。它選擇并專注于場景、時刻和情節(jié)。然后，它將其機制，傳感器和其他組件，以根據(jù)它想要查看的內容進行操作，并選擇最佳捕獲其意圖的視點。我們的超維框架可以解決每個問題。

雖然機器人的超維計算操作系統(tǒng)的創(chuàng)建和實現(xiàn)仍然是理論上的，但這些想法為研究提供了一條前進的道路，可以為無人駕駛汽車AI提供解決當前需要解決問題的方法。

此外，這個理論不僅僅是機器人技術。研究人員的最終目標是用更快、更有效的基于超維計算的替換神經(jīng)網(wǎng)絡模型取代迭代神經(jīng)網(wǎng)絡模型。這可能會導致一種沒有進展的線下，它接近于開發(fā)新的機器學習模型。

我們可能更接近于實現(xiàn)一個能夠在不熟悉的環(huán)境中學習執(zhí)行新任務的機器人 - 比如“Jetsons”中的Rosie The Robot - 比大多數(shù)專家都認為的更好。當然，像這樣的技術也可能帶來其他問題。..。..不那么卡通化的產(chǎn)品。