自动化定律，NTT Research 详细介绍了“人工智能物理学”小组
快速阅读: 据《福布斯》最新报道，NTT研究公司成立人工智能物理学小组，旨在通过物理、神经科学和机器学习的交叉研究，提升AI的可解释性、效率和安全性，促进AI与人类和谐共处。小组计划开发高效AI芯片，优化推理性能，并探索生物智能与人工智能的相似性。
NTT拥有一套广泛的软件服务平台，其基础是同样广泛的硬件体系。特蕾莎·福斯特
人工智能，就像生活一样，是复杂的。随着人工智能和机器学习技术的多样化发展、快速崛起以及偶尔的迅猛推进，我们一直在努力准确理解我们的新智能引擎是如何获得这些能力的。这并非完全因为围绕“机器人崛起”的恐慌式宣传，即担心机器会取代人类，而是更实际地，我们需要这种理解以便量化我们的AI模型现在能够进行多少推理和推断。
这一步骤也是必要的，以便我们能够在适当的框架内保护它们。我们现在需要创建智能自动化服务，定义为“可解释的人工智能”，且无偏见或幻觉，这意味着人工智能不仅需要聪明，还需要被信任并承担责任。
NTT研究公司正致力于通过其新成立的人工智能物理学小组制定人工智能的物理、经济、运动和数学法则。这是一个从NTT研究物理与信息学实验室内部小组分离出来的工作团队。在该公司所谓的“跨学科方法”来理解人工智能的基础上，这项倡议由NTT研究科学家田中英德博士领导，他是一位在物理学、神经科学和机器学习领域的专家。
揭开人工智能黑箱
“正如我们今天所处的位置，通过成立NTT研究的人工智能物理学小组，我们可以迈向社会对人工智能理解的新一步。”NTT研究总裁兼首席执行官后五元悟说：“AI解决方案在日常生活的各个领域迅速出现和广泛采用，对我们与技术的关系产生了深远影响。随着AI角色的不断增长，我们必须探索AI如何让人感受以及这将如何塑造新解决方案的发展。这个新小组旨在消除围绕AI解决方案的疑虑和偏见，为AI与人类共存创造和谐路径。”
从早期阶段开始，PHI实验室的工程师们表示，他们认识到理解人工智能和机器学习的“黑箱”性质的重要性，以开发具有大幅提高计算能效的新系统。这与我们最初体验云计算的强大和灵活性（安全性随后才逐步跟进）非常相似，我们首先沉迷于人工智能近乎人般的智慧……然后（也许有些羞愧地）开始更加敏锐地关注信任和安全问题。
更多内容…
生物与人工智能的复数形式
那么人工智能物理学小组将如何揭示解释AI决策、推理和推断所需的见解呢？该团队表示，它将与学术研究人员合作，解决生物智能和人工智能之间的相似性，并解开AI机制的复杂性。这里的目标是朝着人类与AI协作的更“和谐融合”方向努力。这包括理解AI如何训练、积累知识以及最终做出决策的方式。
根据NTT的说法，“这种方法与物理学家几个世纪以来所做的类似：人们早就知道当施加力时物体会移动，但正是物理学揭示了这种关系的精确细节，使人类能够设计出今天我们所知的机器。例如，蒸汽机的发展增进了我们对热力学的理解，而这也反过来促成了先进半导体的诞生。同样，这个小组的工作将塑造AI技术的未来。”
为了实现这一整个项目，新小组将继续与哈佛大学脑科学中心合作。
什么是神经网络剪枝？
参与这里的学者们之前的工作包括对一种神经网络剪枝算法的分析。这不是一种新的园艺技术，而是指修剪深度学习神经网络中较不重要的参数。此过程旨在实现更高效的模型推理。实际上，在实践中，通常仅剪枝参数的“权重”，而不是控制神经节点输出的偏差，因为偏差的调整对机器学习为AI提供结果的影响更大。
我们在这里偏离主题是为了定义和说明（上述内容）。NTT的研究正在努力深入理解人工智能内部机制的细节，因此需要完整的上下文。
作为其最新平台更新的一部分，这些更新已经体现在NTT以软件为中心的硬件系列中，该公司推出了一种新的AI推理芯片。我们知道，从本十年对AI技术的引力拉动来看，推理是指计算过程，其中“训练过的”AI模型能够利用这些学习来对原始未见过的新数据做出新的预测和推断。
NTT的新芯片被称为“大规模集成电路”（听起来很复杂，但实际上只是指在单个芯片上放置大量晶体管以形成集成电路的传统做法，通常使用硅，但现在也开始使用基于光子学的工艺）。因此，它的巨大功率非常适合实时处理高达4K分辨率和每秒30帧的超高清视频AI推理。
功耗受限的部署
这项低功耗技术非常适合物联网部署中的边缘计算。它也非常适用于终端部署中受功率限制的情况，在这些情况下，传统的AI推理需要压缩超高清视频以进行实时处理。
在边缘和功率受限的终端设备（例如制造厂中的传感器、零售点销售系统或远程患者监控设备）中，设备的功耗比用于AI服务器的图形处理器低一个数量级。想象一下前者功率供应约为几十瓦，而后者则为数百瓦。该LSI通过采用NTT开发的AI推理引擎克服了这些限制。
运行只看一次（YOLOv3）物体检测算法，该引擎在确保检测准确性的同时减少了计算复杂度，通过帧间相关性和动态位精度控制提高了计算效率。此外，NTT的研究人员正在与NTT数据公司合作，在专有属性加密技术领域推动这项芯片工作的进展。诚实地讲（我们希望），属性加密技术能够根据各种属性和策略（通常是基于内容、角色和多授权访问策略）进行细粒度访问控制和灵活的策略设置。
为了定义上述术语，属性加密技术能够根据各种属性和策略（通常是基于内容、角色和多授权访问策略）确定数据是否应解密。
在能效方面，PHI实验室的其他团队已经在通过光学计算和薄膜铌酸锂（用于构建基于光子微处理器设计的光子芯片的材料）技术减少AI计算平台的能耗。受到LLMs消耗的瓦数与人类或动物大脑之间差异的启发，新小组还将探索更仔细地观察生物大脑和人工神经网络之间相似性的方法。
AI使命：与人类和谐共处
展望未来，人工智能物理学小组有三项主要任务：
a) 它打算深化我们对AI机制的理解，并从内部整合伦理，而不是通过零散的微调（在AI圈子里我们通常称之为强制学习）……
b) 它将借鉴实验物理学，创建系统可控的AI空间并观察学习和预测行为……
c) 它将努力通过改进操作和数据控制修复AI与人类操作员之间的信任鸿沟。
“AI与人类和谐共存的关键在于其可信度以及我们如何设计和实施AI解决方案。”田中博士说。“随着这个小组的成立，我们有了了解大脑计算机制及其与深度学习模型关系的途径。展望未来，我们的研究希望通过物理学、神经科学和机器学习的知识带来更自然的智能算法和硬件。”
接下来怎么想呢？如果你漫步东京的任何一条街道，人行道上有许多井盖型的公用设施盖，上面刻有NTT的标志。这些格栅隐藏着公司多年来安装的电线网络，用于连接城市并形成其信息通道的神经网络。或许我们可以这样认为，公司在理解技术子系统的内部工作原理方面已经具备一定的资历，无论是电话网络还是AI模型。
(以上内容均由Ai生成)
