Forskere har skabt kunstig intelligens i et reagensglas ved hjælp af DNA-molekyler, og de er sikre på, at det snart vil begynde at danne sine egne "minder".
Et kunstigt neuralt netværk lavet udelukkende af DNA og efterligner den måde hjernen fungerer på, blev skabt af forskere i laboratoriet.
Reagensglas AI kunne løse det klassiske maskinindlæringsproblem ved korrekt at identificere håndskrevne tal.
Arbejdet er et vigtigt skridt i at demonstrere evnen til at programmere AI i kunstige organiske kredsløb, siger forskere.
Dette kan en dag føre til humanoide robotter fremstillet af helt organiske materialer snarere end de skinnende metal-cybermænd, der er populære i showkulturen.
Forskerne er overbeviste om, at enheden snart vil begynde at danne sine egne "minder" fra de prøver, der er føjet til reagensglas.
Deres ultimative mål er at programmere intelligent adfærd såsom evnen til at beregne, træffe valg og mere ved hjælp af kunstige neurale netværk lavet af DNA.
Kunstnerens tegning er et kunstigt neuralt netværk, der er oprettet ud fra DNA.
Salgsfremmende video:
California Institute of Technology valgte et problem, der er en klassisk udfordring til at løse problemet med elektroniske kunstige neurale netværk, der genkender håndskrevet tekst.
Det var et af de første problemer, der blev løst af computersynsforskere, og en ideel metode til at illustrere kapaciteterne i DNA-baserede neurale netværk.
En persons håndskrift kan variere meget, og når en person studerer en skriftlig rækkefølge af tal, udfører hjernen derfor komplekse beregningsopgaver for at identificere dem.
Da det er vanskeligt selv for mennesker at genkende hinandens sjusket håndskrift, er identifikation af håndskrevne numre en almindelig test for programmering af intelligens i AI-neurale netværk.
Disse netværk skal”trænes” til at genkende tal, tage højde for forskelle i håndskrift og derefter sammenligne det ukendte nummer med deres såkaldte minder og bestemme identifikationen af nummeret.
Holdet demonstrerede, at et neuralt netværk af udførlige DNA-sekvenser kan udføre kemiske reaktioner, der indikerer, at det korrekt identificerede "molekylær håndskrift".
Når der gives et ukendt nummer, gennemgår denne såkaldte "smarte suppe" en række reaktioner og udsender to fluorescerende signaler, for eksempel grøn og gul for at repræsentere fem eller grøn og rød for at repræsentere ni.
HVORFOR FORSKERE har brugt DNA til
SKABER AI I EN RØR?
Nøglen til oprettelse af biomolekylære tråde fra DNA er de strenge regler for binding mellem DNA-molekyler.
Et enkeltstrenget DNA-molekyle består af mindre molekyler kaldet nukleotider - forkortet A, T, C og G - placeret i en streng eller sekvens.
Nukleotider i et enkeltstrenget DNA-molekyle kan binde til nukleotider på en anden enkeltstrenget streng for at danne dobbeltstrenget DNA, men nukleotider binder kun på meget specifikke måder.
Nukleotid A binder altid til T og C til G.
Ved hjælp af disse forudsigelige bindingsregler var forskerne i stand til at designe korte DNA-tråde til at gennemgå forudsigelige kemiske reaktioner in vitro og således beregne opgaver såsom at genkende molekylære strukturer.
I 2011 oprettede de det første kunstige neurale netværk af DNA-molekyler, der kunne genkende fire enkle mønstre.
I juli 2018 afslørede de in vitro kunstig intelligens, der kan løse det klassiske problem med maskinindlæring ved korrekt at identificere håndskrevne tal.
Lederforsker Lulu Qian, lektor ved Institut for Bioingeniør, sagde: “Selvom forskere lige er begyndt at undersøge skabelsen af kunstig intelligens i molekylære maskiner, er dens potentiale allerede ubestrideligt.
Ligesom elektroniske computere og smartphones gjorde mennesker mere dygtige end hundrede år siden, vil kunstige molekylære maskiner være i stand til at fremstille noget lavet af molekyler - inklusive maling og bandager - og blive mere dygtige og mere lydhøre over for miljøet i de næste hundrede år.."
HVORDAN LÆRER KUNSTIG INTELLIGENCE?
AI-systemer er afhængige af kunstige neurale netværk (ANN'er), der forsøger at efterligne den måde hjernen fungerer for at lære.
ANN'er lærer at genkende mønstre i information, herunder tale, tekstdata eller visuelle billeder, og er grundlaget for et stort antal AI-udvikling i de seneste år.
Konventionel AI bruger input til at træne en algoritme om et bestemt emne og give det et væld af oplysninger.
Praktiske applikationer inkluderer Googles sprogoversættelsestjenester, Facebook ansigtsgenkendelsessoftware og Snapchat-billedredigeringsfiltre.
Processen med at indtaste disse data kan være ekstremt tidskrævende og begrænset til en type viden.
En ny generation af ANN'er, kaldet Adversarial Neural Networks, sætter kløerne i to AI-bots mod hinanden, så de kan lære af hinanden.
Denne tilgang har til formål at fremskynde læringsprocessen samt forbedre de slutninger, der genereres af AI-systemer.