联系我们

面试

诺亚·施瓦兹(Noah Schwartz),联合创始人& CEO of Quorum AI – Interview Series

mm

更新

 on

Noah是一位AI系统架构师。成立之前 仲裁AI,诺亚(Noah)从事了12年的学术研究,首先是在南加州大学,最近在西北大学担任神经生物学助理教授。他的工作专注于大脑中的信息处理,并将他的研究成果转化为增强现实,脑机接口, 计算机视觉以及嵌入式机器人控制系统。

您r interest in AI and robotics started as a little boy. How were you first introduced to these technologies?

最初的火花来自科幻电影和对电子的热爱。我记得在电影《特隆》时已经八岁了,接下来的几年中,《电梦》,《短路》,《 DARYL》,《战争游戏》以及其他影片也随之而来。尽管它是通过小说来呈现的,但人工智能的想法使我震惊。即使我只有8岁,但我仍然感觉到这种直接的联系和对AI的强烈吸引,此后从未如此。

 

您对两者的热情如何演变?

我对AI和机器人技术的兴趣与对大脑的热情同时发展。我父亲是一位生物学老师,会教我有关身体,一切工作原理以及它们之间如何联系的知识。看AI和看大脑对我来说就像是同样的问题–或者至少,他们有一个相同的终极问题,那就是,那是如何工作的?我对两者都感兴趣,但是我没有’在学校中没有太多接触AI或机器人技术的机会。出于这个原因,我最初是在自己的时间里追求AI,并在学校学习生物学和心理学。

当我上大学时,我发现了 并行分布式处理(PDP)书籍,对我来说这是巨大的。它们是我对实际AI的第一个介绍,然后使我回到了诸如 赫布, 罗森布拉特, 乃至 麦卡洛克和皮茨。我开始根据神经解剖学以及从学校生物学和心理学课中学到的知识来构建神经网络。毕业后,我担任计算机网络工程师,构建复杂的广域网,并编写软件以自动化和管理这些网络上的流量–有点像在培养大脑。这项工作重新激发了我对AI的热情,并激发我去读研究生学习AI和神经科学,剩下的就是历史了。

 

在创建Quorum AI之前,您花了12年的学术研究时间,首先是在南加州大学,最近是在Northwestern,担任神经生物学助理教授。当时您的工作集中在大脑中的信息处理上。您能否指导我们完成一些研究?

从广义上讲,我的研究试图理解以下问题:大脑如何完成其​​工作 仅使用可用的内容? 对于初学者,我不’同意大脑是一种计算机类型(在冯·诺依曼意义上)。我将其视为一个庞大的网络,主要执行刺激响应和信号编码操作。在那个庞大的网络中,功能专门区域之间存在清晰的连接模式。当我们放大时,我们看到神经元’不在乎他们发出什么信号’重新携带或他们大脑的哪一部分’介入–他们根据非常可预测的规则进行运作。因此,如果我们想了解这些专业领域的功能,我们需要问几个问题:(1)当输入通过网络传播时,该输入如何与其他输入融合以产生决策? (2)根据经验,这些专业领域的结构如何形成? (3)随着我们使用大脑并随着时间的推移学习,它们将如何继续变化?我的研究试图通过将实验研究与信息理论,建模与仿真相结合来解决这些问题–可以使我们构建人工决策系统和AI的东西。在神经生物学方面,我研究了视觉皮层等特殊区域的神经可塑性和显微解剖。

 

您 then translated your work into augmented reality, and brain-computer interfaces. What were some of the products you worked on?

在2008年左右,我正在进行一个现在称为增强现实的项目,但是那时,它只是一个用于跟踪和预测眼动的系统,然后使用这些预测来更新屏幕上的某些内容。为了使系统实时工作,我建立了一个受生物学启发的模型,该模型可以根据观众的微扫视来预测观众的位置–在您动眼之前发生的微小眼动。使用此模型,我可以预测观众的视线,然后在他们的眼睛仍在运动时更新图形卡中的帧缓冲区。当他们的眼睛到达屏幕上的新位置时,图像已经更新。它在2008年在普通台式计算机上运行,​​没有任何滞后。这项技术很棒,但是该项目没有’无法获得下一轮资金,所以它死了。

在2011年,我更加专注于产品开发,并建立了一个神经网络,该神经网络可以根据从头皮测量的流式EEG数据执行特征发现。这是大多数脑机接口系统的核心功能。该项目也是在 我们可以让它继续运行吗? 我们有一副耳机,该耳机可读取400Hz的几个EEG数据通道,这些数据通过蓝牙发送到Android手机以进行功能发现和分类,然后发送到Arduino驱动的控制器,我们将其改装为现成的RC汽车。使用时,戴着EEG头戴式耳机的个人可以通过将思维方式从进行心理数学转换为演唱歌曲来驾驶和操纵汽车。该算法在电话上运行并创造了个性化的大脑“fingerprint”对于每个用户,使他们能够在各种机器人设备之间进行切换,而无需在每个设备上进行重新培训。我们想到的标语是“大脑控制满足即插即用的需求。”

在2012年,我们扩展了系统,使其可以在较小的硬件上以更加分散的方式运行。我们使用它来控制多段,多关节的机械手,其中每个段都由运行嵌入式AI版本的独立处理器控制。我们没有使用集中式控制器来操纵手臂,而是允许这些片段以类似蜂群的分布式方式进行自组织并达到目标。换句话说,就像 蚂蚁形成蚂蚁桥,臂段将协作以达到太空中的某些目标。

当我们首次推出Quorum AI时,我们继续朝着同一方向前进–最初称为Quorum Robotics–早在2013年。我们很快就意识到该系统很棒,这是因为算法和架构,而不是硬件,因此在2014年底,我们完全转向了软件。现在,八年后,Quorum AI全面发展,通过将我们的框架应用于 NASA太空机器人挑战赛.

 

辞掉教授职位创办初创公司是一个艰难的决定。是什么促使您这么做的?

从很多方面来说,这对我来说都是一次巨大的飞跃,但是一旦机会来了,道路就变得清晰起来,那是一个容易的决定。当你’作为一名教授,您会在多年的时间框架内思考,并致力于非常长期的研究目标。与启动公司完全相反。但是,学术生活和创业生活的共同点是,两者都要求您不断学习和解决问题。在初创企业中,这可能意味着试图重新设计解决方案以降低产品开发风险,或者可能正在研究可以从我们的技术中受益的新行业。在AI中工作是最接近“calling” as I’曾经有过这样的经历,所以尽管经历了所有的挑战和跌宕起伏,但我感到非常幸运能够从事自己的工作。

 

您’从那时起,我们就开发了Quorum AI,它为所有设备和平台开发了实时的分布式人工智能。您能详细说明一下该AI平台的功能吗?

该平台称为虚拟代理环境(EVA),它使用户能够使用我们的Engram AI引擎构建,训练和部署模型。 Engram是我们围绕我们构建的一种灵活而便携的包装器 无监督学习 算法。该算法是如此高效,以至于随着模型生成预测,它们可以实时学习。由于算法与任务无关,因此模型没有明确的输入或输出,因此可以以贝叶斯方式对任何维度进行预测,而无需重新训练,也不会遭受灾难性的遗忘。这些模型也是透明且可分解的,这意味着可以对其进行检查并分解为各个维度,而不会丢失所学知识。

一旦构建完成,就可以通过EVA将模型部署到任何类型的平台,从定制的嵌入式硬件到云。 EVA(和可嵌入的主机软件)还包含几个工具,以扩展每个模型的功能。几个简单的例子:可以通过发布/订阅系统在系统之间共享模型,从而使分布式系统能够实现 联合学习 在时间和空间上。还可以将模型部署为自治代理以执行任意任务,并且由于模型与任务无关,因此可以在运行时更改任务而无需重新培训。每个单独的代理可以通过私有扩展“virtual”EVA,使代理可以无比例缩放方式模拟其他代理的模型。最后,我们’我为创建了一些包装器 深度学习强化学习 (基于Keras的)系统,以使这些模型能够在平台上运行,并与基于Engram的更灵活的系统协同工作。

 

您’先前将Quorum AI算法描述为“mathematical poetry”。这是什么意思?

当你’重新建立模型,无论您’重新塑造大脑或你’在为企业的销售数据重新建模时,首先要对数据进行盘点,然后尝试使用已知的模型类别来尝试对系统进行近似。本质上,您正在创建系统的粗略草图,以查看最佳外观。你不’不要期望事情能够很好地适应数据’在测试有关系统运行方式的不同假设时,可能会遇到一些反复试验,但是通过一些技巧,您可以很好地捕获数据。

当我在大脑中建模神经可塑性时,我从绘制我认为重要的所有分子途径,过渡态和动力学的常规方法开始。但是我发现当我 减少 将系统安装到最基本的组件,并以特定方式排列这些组件,模型变得越来越准确,直到几乎完全适合数据为止。就像方程中的每个运算符和变量都正是它们所需要的一样,没有多余的东西,并且所有对于拟合数据都是必不可少的。

例如,当我将模型插入越来越大的模拟中(例如视觉系统开发或人脸识别)时,它就能形成极其复杂的连接模式,与我们在大脑中看到的相匹配。由于该模型是数学模型,因此可以通过数学分析来理解这些大脑模式,从而使人们对大脑正在学习的内容有了新的认识。从那以后,我们 ’我们解决并简化了构成模型的微分方程,从而将计算效率提高了多个数量级。它可能不是真正的诗歌,但确实让人喜欢!

 

仲裁AI’的平台工具包使设备能够相互连接以学习和共享数据,而无需通过基于云的服务器进行通信。与使用云相比,以这种方式进行操作有什么优势?

我们为用户提供了将AI放置在所需位置的选项,而不会损害AI的功能。人工智能开发的现状是,通常公司不得不被迫损害安全性,隐私性或功能性,因为它们的唯一选择是使用基于云的人工智能服务。如果公司确实尝试在内部构建自己的AI,则通常需要大量金钱和时间,而ROI很少值得冒险。如果公司希望将AI部署到未连接云的单个设备上,则该项目很快就变得不可能。结果,采用AI变成了幻想。

我们的平台使AI变得可访问且负担得起,从而为公司提供了一种探索AI开发和采用的方式,而没有技术或财务开销。而且,我们的平台使用户可以无缝地从开发到部署。

我们的平台还可以与其他平台集成并延长其保质期“legacy”深度学习或强化学习之类的模型,可帮助公司重新调整用途并将现有系统集成到较新的应用程序中。同样,由于我们的算法和体系结构是唯一的,因此我们的模型也不是黑盒子,因此系统学习到的任何内容都可以由人类进行探索和解释,然后扩展到其他业务领域。

 

It’有人认为分布式人工智能(DAI)可能会引领通往人工智能(AGI)的道路。您是否赞成这种理论?

我这样做,不仅是因为’s the path we’我为自己出发!当你看着大脑时’不是一个整体系统。它 ’由独立的分布式系统组成,每个系统专门研究范围狭窄的大脑功能。我们可能不知道特定系统在做什么,但是我们知道其决策在很大程度上取决于其信息类型’接收以及该信息随时间变化的方式。 (这就是为什么神经科学主题 连接组 are so popular.)

在我看来,如果我们要构建灵活,行为和性能像大脑一样的人工智能,那么考虑像我们在大脑中看到的那样的分布式架构是有意义的。有人可能会说,可以在大脑中找到诸如多层网络或CNN之类的深度学习架构,而且’是的,但是那些架构是基于我们对大脑的了解 50年前.

DAI的替代方法是继续迭代紧密结合到单个决策空间的整体式,僵化的架构,例如我们在深度学习或强化学习(或任何其他形式)中看到的架构 监督学习 方法)。我建议这些限制不仅是参数调整,添加层或数据条件的问题-这些问题是深度学习和强化学习的基础,至少在我们今天定义的时候,因此,如果我们要继续创新和构建明天的AI。

 

您是否相信,与OpenAI和DeepMind等公司目前正在追求的强化学习和/或深度学习方法相比,使用DAI实现AGI的可能性更大?

是的,尽管他们’关于博客,我怀疑OpenAI和DeepMind使用的分布式架构比他们允许的更多。我们’重新开始更多地了解多系统挑战,例如 转移学习 或联合/分布式学习,巧合的是,关于深度学习和强化学习方法的现状’应对这些挑战。我们’还开始从Yoshua Bengio之类的先驱者那里听到有关生物学启发的建筑如何弥合差距的信息!一世’从事生物启发式AI的研究已经有20年了,所以我对我们的工作感到非常满意’我在Quorum AI上学到了如何’重新利用它来构建我们认为将克服这些限制的下一代AI。

 

关于Quorum AI,您还有什么要分享的吗?

我们将在大会上预览用于分布式和基于代理的AI的新平台。 联合和分布式机器学习会议 在2020年6月。在演讲中,我计划提供一些主题的最新数据,包括情感分析,作为实现共情AI的桥梁。

在此,我要特别感谢Noah,我们建议您访问 法定人数 to learn more.

安东尼·塔迪夫(Antoine Tardif)是 Futurist 他对AI和机器人技术的未来充满热情。他是 BlockVentures.com并已投资了50多个AI和区块链项目。他是的联合创始人 Securities.io 一个专注于数字证券的新闻网站,是unite.AI的创始合伙人。他也是 福布斯技术委员会。