Рассуждая о роботах, не упомянуть такое «наше всё» в робототехнике как компания Boston Dynamics — это ведь как-то… непрофессионально, да? Но и говорить о ней профессионально уже не так-то просто (а в двух словах точно не получится), в силу приобретённой этой компанией широкой известности и рождённых этой известностью стереотипов, сложившихся в среде неспециалистов, в частности, неанглоязычных. И всё же, будем вести речь именно с профессиональной точки зрения, по возможности, минимально отвлекаясь на шумиху и домыслы. Ну… разве что несколько слов о стереотипах… а дальше — только профессионально! Сразу предупреждаю: под катом очень много букв. Будьте осторожны, чтобы не завалило! Поговорим о стереотипах. Приведём некоторые суждения, с которыми доводилось сталкиваться применительно к разработкам Boston Dynamics. Как водится в случаях, когда тему обсуждают неспециалисты, эти суждения максимально упрощены и категоричны: 1. Boston Dynamics — это прорыв в области робототехники и искусственного интеллекта. Скоро роботы станут полностью подобны человеку. Наступает эра интеллектуальных роботов! «Приключения Электроника», «Двухсотлетний человек» и всё такое.
Архив рубрики: Новости
Возможности имитационного агентного моделирования для решения поведенческих инженерных задач
Сегодня мы рассказываем о задачах, над которыми работали сотрудники центра когнитивных разработок — это и анализ пассажиропотоков на вокзале «Олимпийский парк», и визуализация проекта реконструкции Конюшенного двора в Петербурге. Что такое агентное моделирование? Это — один из методов имитационного моделирования. В его рамках симулируют поведение автономных агентов (ими могут быть люди, автомобили, животные и др.) и оценивают их влияние на состояние крупной системы. Агентное моделирование применяют для оптимизации логистики, управления трудовыми ресурсами и прогнозирования движения человеческих потоков и не только. Несколько таких проектов были реализованы лабораторией интерактивной визуализации в НЦКР. Расскажем о проекте реконструкции Конюшенного двора. Здесь мы выполняли его совместно с девелоперской компанией. Она участвовала в конкурсе проектов по реконструкции комплекса зданий на Конюшенной площади. Инженеры хотели не просто подготовить чертежи, но сделать интерактивную презентацию возможных изменений. Нашей задачей было показать, как преобразится автомобильный трафик и потоки пешеходов.
На второй нитке системы магистральных газопроводов “Бованенково-Ухта” введены в эксплуатацию газоперекачивающие агрегаты “Ладога” мощностью 32 МВт
Фото: © www.reph.ru. Газоперекачивающие агрегаты «Ладога» мощностью 32 МВт успешно включены в работу и подготовлены к обеспечению транспорта газа на строящейся по договору между ООО «Газпром инвест» и АО «Газстройпром» компрессорной станции «КС-8 Чикшинская» КЦ-2 в рамках проекта по строительству второй нитки системы магистральных газопроводов «Бованенково-Ухта» и подлежащей вводу в 2020 году. Под техническим руководством сервисных инженеров «РЭП Холдинга» завершены строительно-монтажные и пуско-наладочные работы 3 комплектов ГПА-32 «Ладога» в составе газотурбинной установки MS5002E, нагнетателя Н-400-21-1С и вспомогательного оборудования. Оборудование изготовлено на Невском заводе и отгружено на объект в рамках контракта с ООО «Газпром комплектация». Сдаче оборудования в промышленную эксплуатацию предшествовали успешно проведенные 72-х часовые испытания. Ранее, в 2013 году 4 газоперекачивающих агрегата ГПА-32 «Ладога» были введены в эксплуатацию и в настоящий момент успешно работают в составе компрессорного цеха № 1 КС-8 «Чикшинская» (первая нитка МГ «Бованенково-Ухта).
Будущая штурмовая винтовка армии США: подробности программы NGSW
Главным символом Сухопутных сил США является не «Абрамс», не боевая машина пехоты M2 и не вертолет «Апач». За долгие десятилетия эксплуатации винтовки M16 и ее версий именно этот комплекс стал визитной карточкой U.S Army. Разработанный на базе М16А2 карабин M4, несмотря на несколько сниженные в сравнении с автоматической винтовкой характеристики, почти полностью удовлетворял сухопутные силы. Но время идет, формируя при этом новые требования. Еще в 90-е громко заявила о себе немецкая компания Heckler & Koch со своим новым, изготовленным с широким применением высокопрочных полимеров автоматом HK G36. Армия США хотела получить свой условный аналог: это вылилось в проект, широко известный как XM8. Автомат испытали в армии еще в 2000-е, но дальше дело не пошло. Сначала в Пентагоне пожелали, чтобы были учтены не только требования сухопутных сил, но также и других видов вооруженных сил. А потом вскрылись недостатки, характерные для любого нового оружия. В 2005 году проект был официально закрыт.
Нейросеть обучили предсказывать сложное взаимодействие биологических молекул
Нейросети обучили быстро считывать информацию о поверхности белков – молекул, критически важных для многих биологических процессов. Эта технология уже используется для создания защиты от вируса, ответственного за COVID-19. У специалиста по вычислительной биологии Бруно Коррейа в лаборатории было правило: никакого машинного обучения (МО). Он не считал эту дисциплину строгой наукой. Но недавно Коррейа использовал её для поиска потенциальных способов взаимодействия белков – сложных свёрнутых молекул, отвечающих за многие биологические процессы – и получил результат в 40 000 раз быстрее обычных методов. На обложке журнала Nature Methods за февраль 2020 красуется его система. О своём нежелании принимать МО Коррейа говорит: «Я ошибался, и рад, что ошибался». Что заставило его передумать? Геометрическое глубокое обучение (ГО) – новая область ИИ, способная находить закономерности у искривлённых поверхностей. Белки взаимодействуют, пристраивая свои бугристые поверхности неправильной формы друг к другу как части трёхмерной головоломки. Исследователи десятилетиями пытались понять, как они это делают.
Основные отличия работы мозга и нейронной сети: от физиологии до формальной логик и графов
Можно встретить много критических замечаний о том, что биологический мозг или биологические нейронные сети работают совершенно не так как ныне популярные компьютерные нейронные сети. К подобным замечаниям прибегают различные специалисты, как со стороны биологов, нейрофизиологов так и со стороны специалистов по компьютерным наукам и машинному обучению, но при этом очень мало конкретных замечаний и предложений. В этой статье мы попытаемся провести анализ этой проблемы и выявить частные различия между работой биологической и компьютерной нейронной сетью, и предложить пути улучшения компьютерных нейронных сетей которые приблизят их работу к биологическому аналогу. Прежде я хочу пояснить, почему, по моему мнению, в вопросе создания сильного искусственного интеллекта до сих пор всё так печально, не смотря на грандиозные успехи в компьютерных науках и знаниях о биологическом мозге. Прежде всего, это связано с большой идеологической пропастью между этими двумя столпами науки. Компьютерные науки требуют некой схематичной простоты, строгости и лаконичности в описании систем, некого системного подхода, в отбрасывании лишнего и чёткой структуризации достаточной для оформления в программном коде.
