Ученые применили искусственный интеллект для прогнозирования вспышек эпидемий

Международная конференция по Искусственному интеллекту A!ONE

На этой сцене представители бизнеса смогут узнать возможности искусственного интеллекта на примере кейсов крупного и успешного бизнеса. Также, мы хотим объединить корпорации, инвесторов и журналистов для обмена опытом и знаниями, чтобы облегчить путь к их сотрудничеству и способствовать продуктивному нетворкингу.

18:00 Регистрация участников

18:30 Открытие конференции (поэтапное описание программы, ключевые моменты, навигация, презентации от партнеров мероприятия); начало хакатона AI.Hack на iLoveHack Stage

19:00 Приветственное слово от организаторов с описанием главной миссии конференции

19:30 Построение экосистемы и трансформация ИИ в бизнесе Выступление генерального партнера

20:00 Главные тренды искусственного интеллекта: где мы сейчас и куда направляемся?

22:00 Приветственный ужин для VIP-гостей

Science Guide stage

Science guide Stage является уникальной платформой для ученых, где они смогут представить материалы своих научных исследований, диссертаций, научных статей, и обозначить ниши, которые возможно усилить с помощью Artificial intelligence.

Биологическая сессия

10:00 Применение искусственного интеллекта в биологии

11:00 Как искусственный интеллект помогает открывать новые препараты?

11:30 Обработка медицинских данных при помощи искусственного интеллекта

12:00 Взаимодействие человека и компьютеров с помощью новых интерфейсов

12:30 Устройство, способное слышать мысли

13:00 Моделирование исследования с помощью искусственного интеллекта

14:00 Интеллектуальное распознавание эмоций

14:30 Современные нейросетевые методы эмоциональной обработки речи

15:00 Искусственный интеллект для эффективной оценки функциональности клеточной терапии

15:30 Постерная и пивная сессии

Медицинская сессия

16:00 Использование искусственного интеллекта при диагностике заболеваний

16:30 Персонализированное лечение

17:00 Клинические исследования

17:30 Радиология и лучевая терапия

18:00 Прогнозирование вспышек эпидемии

18:30 Роль этических принципов при разработке и проверке систем искусственного интеллекта

Ilovehack stage

Это площадка для стартапов, технологических предпринимателей и разработчиков технологий Искусственного интеллекта внутри корпораций и стартапов. Здесь они смогут прокачать свои скилы, необходимые для успешного масштабирования своего проекта на международный рынок.

Сессия генеральных директоров

10:00 Как стартапам продвинуть свой продукт на международный рынок?

11:00 Искусство и искусственный интеллект

12:00 Как искусственный интеллект может решить бизнес-задачи и дать работу людям по всему миру

13:00 Как выжить в лучшем фонде мира?

CTO сессия

14:00 CTO-панели

15:00 Как стартапу вписаться в лондонскую экосистему?

15:30 Кремниевая Долина: особенности запуска технологического стартапа

Заседание клуба Women in deep tech

16:00 Когнитивные технологии в реальном бизнесе

17:00 Как построить технологическую корпорацию?

17:30 Панельная дискуссия представительниц клуба

18:00 Speed Dating: инвесторы и технологические стартапы

AI Hub Stage

На этой сцене представители бизнеса смогут узнать возможности искусственного интеллекта на примере кейсов крупного и успешного бизнеса. Также, мы хотим объединить корпорации, инвесторов и журналистов для обмена опытом и знаниями, чтобы облегчить путь к их сотрудничеству и способствовать продуктивному нетворкингу.

10:00 AI в рыночной экономике

Сессия по здравоохранению

11:00 Построение фундаментальной экосистемы данных в крупной компании:

11:30 Алгоритмы прогнозирования в здравоохранении

12:00 4п медицина – новое направление развития здравоохранения

12:30 Инновации в первичной медико-санитарной диагностике

13:00 Медицинская панель. Может ли искусственный интеллект вылечить человечество?

14:00 Выступление главных гигантов в здравоохранении

Финансовая Сессия

15:00 Сколько денег сэкономит искусственный интеллект для бизнеса до 2025-го?

16:00 Будущее ИИ в Финтехе

17:00 Презентация ландшафтной карты по искусственному интеллекту. CEO Science Guide Евгения Коновалова и главный аналитик Ричард Шелли

17:30 Ai Hub Awards

18:00 ТОП-10 мировых акселераторов

19:00 Питч сессия лучших стартапов по искусственному интеллекту

Космическая сессия

10:00 Применение искусственного интеллекта в космических разработках

10:30 Сбор космических данных

11:00 Анализ данных о планетах

11:30 Искусственный интеллект в космической навигации

12:00 Как искусственный интеллект помогает посадить ракету?

12:00 Новая эра открытий: освоение космоса и машинное обучение

Экологическая сессия

13:00 Искусственный интеллект на помощь планете

13:30 Как анализировать водные ресурсы при помощи искусственного интеллекта?

14:00 Океанические бактерии

14:30 Искусственный интеллект и большие данные против загрязнения воздуха

15:00 Искусственный интеллект в борьбе с изменением климата

15:30 Постерная и пивная сессия

Физическая сессия

16:00 Применение искусственного интеллекта в физике

17:00 Искусственный интеллект для квантовых вычислений

17:00 Метаматериалы: последние исследования и находки

17:30 Фундаментальные исследования в области обнаружения гравитационных волн

Геология

18:00 Как искусственный интеллект помогает нефтяной промышленности?

18:30 Использование искусственного интеллекта в нефтегазовой отрасли

19:00 Технология поиска полезных ископаемых нового поколения: применение искусственного интеллекта в геологии

Ilovehack stage

Это площадка для стартапов, технологических предпринимателей и разработчиков технологий Искусственного интеллекта внутри корпораций и стартапов. Здесь они смогут прокачать свои скилы, необходимые для успешного масштабирования своего проекта на международный рынок.

Технические семинары

10:00 Опенсорсные библиотеки

10:30 Как работает DeepTensor?

11.00 Как создать NLP нейронки и комплексные диалоговые системы с помощью машинного обучения?

11:30 Лучшие практики в разработке рекомендательных систем

12:00 Какие данные нужны компьютерному зрению?

12:30 НЛП в промышленности

13:00 Семинар по распознаванию голоса

13:30 Семинар по Нейронным сетям

14:00 Панельная дискуссия представителей комьюнити по искусственному интеллекту

Мастер-классы для стартапов

15:00 Тренировка речи в формате TEDx

16:00 Построй свой продукт по искусственному интеллекту

16:30 Преимущества экосистемы искусственного интеллекта Великобритании

17:00 Какие стартапы нужны крупному бизнесу?

19:00 Финальный питч участников хакатона AI.Hack

20:00 Награждение победителей Хакатона

22:00 Afterparty

AI Hub Stage

На этой сцене представители бизнеса смогут узнать возможности искусственного интеллекта на примере кейсов крупного и успешного бизнеса. Также, мы хотим объединить корпорации, инвесторов и журналистов для обмена опытом и знаниями, чтобы облегчить путь к их сотрудничеству и способствовать продуктивному нетворкингу.

10:00 Журналистская панель. Почему ИИ привлекает внимание СМИ?

Торговая сессия

11:00 Искусственный интеллект в развитии индустрии ритейлинга

12:00 Бизнес-панель: Опыт применения искусственного интеллекта в крупных международных ритейл-компаниях

Энергетическая cессия

13:00 Как искусственный интеллект меняет энергетическую индустрию?

14:00 Бизнес панель Опыт внедрения искусственного интеллекта в бизнес-процессы международных энергетических компаний

Сессия по сельскому хозяйству

15:00 Будущее искусственного интеллекта в сельском хозяйстве

16:00 Бизнес-панель: Самые удивительные достижения искусственного интеллекта в сельском хозяйстве

Творческая сессия

17:00 Может ли искусственный интеллект изменить правила игры в креативных индустриях?

17:30 Панельная дискуссия: Применение искусственного интеллекта в искусстве

Маркетинговая Сессия

18:00  Искусственный интеллект на помощь маркетингу

18:30 Лучшие приложения для маркетологов

Автомобильная сессия

19:00  Создание умных автомобилей и автоматизация их производства: как AI изменит автомобильный бизнес?

20:00  Бизнес-панель: Влияние искусственного интеллекта на автомобильную промышленность: опыт крупных компаний

22:00  Afterparty

Источник: https://it-events.com/en/events/13668/program

Искусственный интеллект может помочь прогнозировать рак – ученые

Копірайт зображення Getty Images

Ученые использовали искусственный интеллект для прогнозирования развития раковых заболеваний.

Это может помочь врачам разработать эффективное лечение для каждого пациента.

Группа ученых под руководством Института раковых исследований Лондона и Эдинбургского университета разработала новую технику, известную как Revolver (англ. Repeated Evolution of Cancer, повторяющаяся эволюция рака).

Она помогает выявить закономерности мутации в ДНК при раковых заболеваниях и использовать эту информацию для прогнозирования будущих генетических изменений.

Обратите внимание

Исследователи отмечают, что очень изменчивая природа опухолей является одной из самых больших проблем в лечении рака.

Если врачи смогут предсказать, как будет развиваться опухоль, они смогут вмешиваться в процесс раньше. Это позволит остановить развитие рака и увеличит шансы на выживание пациента.

Команда также обнаружила связь между определенными последовательностями повторных мутаций опухоли и результатами выживания.

Это говорит о том, что закономерности мутаций ДНК можно использовать как индикатор прогноза, который помогает сформировать будущее лечение.

Во время исследования ученые использовали 768 образцов опухолей 178 пациентов, больных раком легких, молочной железы, почек и кишечника.

В каждом конкретном случае анализировали и сравнивали данные изменений в опухоли.

Определив повторяющийся набор данных и совместив это с современными знаниями о биологии и эволюции рака, ученые могли предсказать будущую траекторию развития опухоли.

Персонализированное лечение

Если будет установлено, что опухоли с конкретным набором данных развивают резистентность к определенному лечению, то новую методологию можно использовать для прогнозирования эффективности лечения отдельного пациента.

Исследование опубликовали в журнале Nature Methods.

Доктор Андреа Сотторива, руководитель группы по эволюционной геномике и моделированию в Институте раковых исследований Лондона, сказал: “Мы разработали мощный инструмент искусственного интеллекта, который может спрогнозировать развитие опухолей на основе определенных видов мутации, которые до сих пор остаются скрытыми в сложных наборах данных”.

“С помощью этого инструмента мы надеемся устранить основной “козырь” рака – его непредсказуемость”, – считает ученый.

“С появлением возможности заглядывать в будущее у нас появится инструмент для вмешательства в процесс лечения на более ранней стадии, для прогнозирования развития рака”.

Профессор этого же институт Пол Уоркмен добавил: “Эволюция рака является самой большой проблемой, с которой мы сталкиваемся при разработке лечения, которое было бы эффективным для пациентов”.

“Если мы сможем спрогнозировать, как будет развиваться опухоль, можно будет менять лечение еще до возникновения резистентности к препаратам, и таким образом быть на шаг впереди рака”, – считает он.

Важно

По его словам, с новым подходом можно разрабатывать индивидуальное лечение на более ранней стадии рака. При этом будет возможность адаптировать его к особенностям каждой отдельной опухоли и прогнозировать, как такая опухоль будет выглядеть в будущем.

Следите за нашими новостями в

Источник: https://www.bbc.com/ukrainian/news-russian-45388220

Искусственный интеллект может предсказать солнечные вспышки

Несколько месяцев назад на Солнце появилось крупнейшее солнечное пятно, которое мы видели за последние 24 года. Это чудовищное пятно

Несколько месяцев назад на Солнце появилось крупнейшее солнечное пятно, которое мы видели за последние 24 года.

Это чудовищное пятно было заметно невооруженным глазом (то есть без приближения, но с защитными очками) и породило более сотни вспышек. Количество пятен на Солнце меняется циклически каждые 11 лет, увеличиваясь и уменьшаясь.

Прямо сейчас солнце находится в наиболее активной части этого цикла: мы ожидаем много пятен и много вспышек в ближайшие месяцы.

Людей, как правило, пугает разрушительная сила солнечных вспышек — есть шанс, что однажды мощный взрыв на Солнце швырнет в нашу сторону тонну энергетических частиц и поджарит наши спутники связи. Но никто не задумывается о том, что мы можем предсказать такие вспышки, подобно погоде, а значит и предотвратить нанесение возможного ущерба. Но как же предсказать солнечную вспышку?

Один из способов заключается в использовании программ машинного обучения типа искусственного интеллекта, который автоматически извлекает данные из опыта. Эти алгоритмы постоянно улучшают свои математические модели, когда появляются новые данные. Но для того, чтобы хорошо обучаться, алгоритмы требуют больших объемов данных.

Ученым не хватало данных о Солнце до 2010 года, пока не была запущена Обсерватория солнечной динамики (Solar Dynamics Observatory, SDO), наблюдающий за солнцем спутник, который отправляет каждый день порядка полутора терабайт данных на землю — больше, чем этот спутник, данных не отправлял ни один аппарат в истории NASA.

Совет

Солнечные вспышки, как известно, это сложный активный процесс. Они возникают в солнечной атмосфере над солнечными пятнами, расположенными на поверхности Солнца. Солнечные пятна, которые обычно приходят парами, действуют как стержневые магниты — одно пятно как северный полюс, другое как южный.

Учитывая то, что на Солнце весьма много пятен, различные слои Солнца вращаются с разной скоростью, само Солнце обладает северным и южным полюсом, магнитное поле становится крайне насыщенным. В итоге появляются магнитные поля, скрученные как резинка, которые выпускают много энергии в процессе своего существования. Так появляется солнечная вспышка.

Читайте также:  Иерархическая временная память (краткий обзор)

Иногда скрученные поля не вспыхивают, иногда вспышки появляются из безобидных на вид пятен, иногда гигантские солнечные пятна ничего не производят.

Мы не знаем, как возникают солнечные вспышки с точки зрения физики. У нас есть — мы знаем, что вспышки обладают магнитной природой, — но мы не знаем, как они выпускают так много энергии с такой скоростью. В отсутствие окончательной физической теории, лучшая надежда для прогнозирования солнечных вспышек лежит в обработке наших гигантских массивов данных в поисках подсказок.

Есть два основных способа прогнозирования солнечных вспышек: численные модели и статистические модели. В первом случае мы берем за основу физику, которую знаем, составляем уравнения, запускаем их во времени и получаем прогноз. Во втором — мы используем статистику.

Мы отвечаем на вопросы: какова вероятность того, что в активном регионе с гигантским солнечным пятном появится вспышка? А какова вероятность того, что это случится с маленьким пятном? В итоге появляются гигантские наборы данных, полные деталей: размеры солнечных пятен, сила магнитного поля.

Затем ученые ищут связи между этими деталями и солнечными вспышками.

Алгоритмы машинного обучения могут положить этому конец. Мы используем алгоритмы машинного обучения везде. Биометрические часы используют их, чтобы разбудить нас, когда нужно нашему организму. Они лучше врачей предсказывают редкие генетические заболевания.

Они определяют картины, которыми вдохновлялись ученые на протяжении всей истории. Ученые считают алгоритмы машинного обучения универсально полезными, поскольку они могут разбираться в нелинейных данных, а при больших массивах людям это практически невозможно сделать.

Обратите внимание

Но очень много моделей нелинейны, поэтому такие алгоритмы все больше находят применение во всех сферах.

Ученые используют алгоритмы машинного обучения, чтобы предсказать солнечные вспышки, основываясь на гигантском наборе данных SDO. Для этого пришлось построить базу данных всех активных регионов, которые когда-либо наблюдала SDO.

Поскольку это исторические данные, мы уже знаем, вспыхивали ли эти активные регионы или нет.

Алгоритм обучения анализирует детали активных регионов — размеры солнечных пятен, силу связанных с ними магнитных полей, их скрученность — чтобы выявить общую характеристику активно вспыхивающего региона.

Чтобы сделать это, алгоритм начинает с предположения. Допустим, сначала он предполагает, что крошечное солнечное пятно со слабым магнитным полем породит гигантскую вспышку. Затем проверяет ответ. Упс, нет.

Затем алгоритм перестраивает свое предположение. В следующий раз он уже по-другому зайдет. Методом проб и ошибок, с сотнями тысяч предположений и проверок, алгоритм постепенно повышает точность своих прогнозов.

Его можно применять к данным в режиме реального времени, и он продолжает обучаться.

Продолжение работы в этом направлении обеспечит нас лучшим пониманием грядущих солнечных вспышек. Пока ученые показали, что алгоритмы машинного обучения лучше или, на худой конец, такие же, как и статистические или численные методы. И это круто, на самом деле.

Важно

Такие алгоритмы, которые могут работать без участия людей, просто просматривая огромные массивы данных, будут бесконечно полезны — и чем дальше, тем больше — в самых разных сферах.

Самое любопытное, что те же алгоритмы, которые делают прогнозы солнечных вспышек, могут работать и с генетическими заболеваниями и их определением.

А что, если данных будет больше? Кто знает. Хотя у нас уже много данных о Солнце — SDO работает уже четыре с половиной года — с тех пор было не так много солнечных вспышек. Потому что мы находимся в самом тихом солнечном цикле столетия. Есть резон продолжить сбор данных.

Источник: https://econet.ru/articles/64020-iskusstvennyy-intellekt-mozhet-predskazat-solnechnye-vspyshki

Спутники помогут спрогнозировать следующую вспышку холеры « Gearmix

Вспышка заболеваний холерой — это почти всегда опасный старт развития наихудшего сценария, с возможностью стать эпидемией или даже пандемией.

По этой причине мониторинг потенциальных вспышек является одной из основных проблем общественного здравоохранения.

Согласно новому успешному испытанию в Йемене, технологии общественного здравоохранения могут опираться на спутниковый мониторинг вспышек заболеваний.

В мае 2017 года учёные использовали спутниковую информацию для определения возможности возникновения вспышки холеры в Йемене. На удивление, они смогли предсказать вспышку, которая произошла всего несколько недель спустя.

Каждый год более 100 тысяч человек умирают от заражения холерой.

Должная реакция на вспышки данного заболевания имеет решающее значение для снижения смертности от этого бактериального заболевания, передающегося через воду.

Использование спутников для прогнозирования вспышек таким точным способом может стать более распространенным и жизненно важным инструментом, который в конечном итоге может спасти тысячи жизней.

Чтобы делать свои прогнозы, команда использовала несколько спутников для мониторинга температуры воды, осадков и условий землепользования.

Совет

Объединив эти необработанные данные с алгоритмом ИИ, специально разработанным командой и прошедшим обучение по данным из Южной Азии и некоторых частях Африки, они смогли предсказать, какие конкретные районы наиболее подвержены риску возникновения вспышки заболеваний в течение следующего месяца.

Это может стать инструментом для спасения жизней в будущем. Подобные исследования спутниковых данных достигли успеха в прогнозировании вспышек менингита в Африке и на Сахалине, а также прогнозирования вспышек малярии в тропических лесах Амазонки.

Точные прогнозы могут быть особенно полезными, когда речь идет о холере.

Хотя государства, как правило, готовятся к случайным вспышкам этой болезни, местные общины часто бывают застигнуты врасплох, поскольку ранее эти вспышки было сложнее прогнозировать.

Зачастую у местных общин просто нет вакцин или решений, помогающих справиться с обезвоживанием организма, вызванным холерой, что часто убивает жертв до того, как им была оказана медицинская помощь.

Трудно переоценить значение раннего прогнозирования — это даёт время на подготовку как к вспышке заболеваний, так возможность принятия мер для её предотвращения.

Американский учёный Майкл Уимберли, эколог из Университета штата Южная Дакота, который дистанционно контролирует вирус Западного Нила, считает, что основной задачей противодействия эпидемиям являются прогнозирование заболеваний по месту их возникновения с соответствующими мерами профилактического характера.

Источник: http://gearmix.ru/archives/39712

Искусственный интеллект может поддержать прогнозировать рак – ученые – Зеркало Мира

Ученые использовали искусственный интеллект для прогнозирования развития раковых заболеваний.

Это может поддержать врачам разработать эффективное лечение для каждого пациента.

Группа ученых под руководством Института раковых исследований Лондона и Эдинбургского университета, разработала новую технику, известную как «револьвер».

Она помогает выявить закономерности мутации в ДНК во время раковых заболеваний и использовать эту информацию для прогнозирования будущих генетических изменений.

Обратите внимание

Исследователи отмечают, что весьма изменчивая природа опухолей является одной из самых больших проблем в лечении рака.

Если врачи смогут предсказать, как будет развиваться опухоль, они смогут вмешиваться в процесс ранее. Это позволит остановить развитие рака и увеличит шансы на выживание пациента.

Команда также обнаружила связь между определенными последовательностями повторных мутаций опухоли и результатами выживания.

Это говорит о том, что закономерности мутаций ДНК можно использовать как индикатор прогноза, что помогает сформировать будущее лечение.

Во время исследования ученые использовали 768 образцов опухолей 178 пациентов, которые больны раком легких, молочной железы, почек и кишечника.

В каждом конкретном случае анализировали и сравнивали данные по вопросу изменений в опухоли.

Определив повторяющийся набор данных и соединив это с современными знаниями о биологии и эволюции рака, ученые могли предсказать будущую траекторию развития опухоли.

Персонализированное лечение

Если будет установлено, что опухоли с конкретным набором данных развивают сопротивление до определенного лечения, то новую методологию можно использовать для прогнозирования эффективности лечения отдельного пациента.

Исследование опубликовали в журнале Nature Methods.

Доктор Андреа Сотторіва, который является руководителем группы по эволюционной геномики и моделирования в Институте раковых исследований Лондона, сказал: «Мы разработали мощный инструмент искусственного интеллекта, который может спрогнозировать развитие опухолей на основе определенных видов мутации, которые до сих пор остаются скрытыми в сложных наборах данных».

«С помощью этого инструмента мы надеемся ликвидировать основной «козырь» рака — его непредсказуемость», — считает ученый.

«С появлением возможности заглядывать в будущее у нас появится инструмент для вмешательства в процесс лечения на более ранней стадии, для прогнозирования развития рака».

Профессор этого же институт Пол Воркмен добавил: «Эволюция рака является самой большой проблемой, с которой мы сталкиваемся при разработке лечения, которое было бы эффективным для пациентов».

«Если мы сможем спрогнозировать, как будет развиваться опухоль, можно менять лечение еще до возникновения устойчивости к препаратам, и таким образом быть на шаг впереди от рака», — считает он.

Важно

По его словам, с новым подходом можно разрабатывать индивидуальное лечение на более ранней стадии рака. При этом будет возможность адаптировать его к особенностям каждой отдельной опухоли и прогнозировать, как такая опухоль будет глядеть в будущем.

Источник: https://mirror-world.ru/world/iskysstvennyi-intellekt-mojet-pomoch-prognozirovat-rak-ychenye.html

Искусственный интеллект в медицине и биологии. Обзор за май 2018

Это ежемесячный обзор наиболее важных и интересных новостей от экспертной группы проекта Технологии Долголетия. Сайт группы rlegroup.net.

В текущем обзоре рассматриваются последние наиболее значительные и интересные публикации о использовании технологий машинного интеллекта для диагностики заболеваний, моделировании свойств лекарственных препаратов, создании моделей живых организмов, анализа биомаркеров старения, прямого научного поиска средств продления жизни, других применениях ИИ в медицине и биологии.

Отдельный интерес представляет использование технологий машинного интеллекта для увеличения эффективности исследований, прямого научного поиска средств продления жизни, начиная с простейших алгоритмических механизмов для аналитики научных публикаций в областях, связанных с продлением жизни.

Искусственная нейронная сеть обнаруживает человеческую неопределенность

Международный научный коллектив, в который входят ученые из Саратовского государственного технического университета имени Гагарина Ю.А. (СГТУ), создал искусственную нейронную сеть, моделирующей состояние неопределенности выбора в момент принятия мозгом человека решения.

Основной задачей было выявление некоторого состояния нейронной активности головного мозга, в ходе решения которой, ученые провели исследование и анализ сигналов магнитоэнцефалограмм (МЭГ) — записей магнитной активности нейронных сигналов мозга —  посредством методов машинного обучения.

МЭГ-сигналы записывали в ходе нейропсихологического эксперимента: восприятия оптической иллюзии, так называемого “куба Неккера”.

Участники эксперимента должны были сконцентрироваться на изображении и принять решение по его интерпретации, а к анализу записанных сигналов применялась искусственная нейронная сеть.

Обучающей выборкой для нее стали отрезки сигнала, соответствующие восприятию самых простых и однозначных изображений. В такие моменты у человека меньше трудностей с интерпретацией, чему соответствуют наиболее устойчивые паттерны его нейронной активности.

После чего обученная сеть проанализировала сигналы, соответствующие восприятию неоднозначных изображений, в ходе чего сеть многократно переключала отклик. Если интерпретировать это как “сомнения” нейросети, то таким образом можно успешно отслеживать и сомнения живого человека в процессе принятия решения.

Эти данные помогут ученым создать искусственный интеллект, который в сложном случае остановится перед принятием решения, что позволит перейти в режим ожидания и накопить информацию. Это еще один шаг к пониманию механизмов работы нашего мозга.

Источник:https://aip.scitation.org/doi/10.1063/1.5002892

Ученые показали, как выглядит стволовая клетка в 3D

Группа ученых из Института Аллена, использовав алгоритмы глубокого машинного обучения, представила алгоритм, который способен построить 3D-модель любой клетки, в том числе и по двухмерному ее изображению.

Читайте также:  Сможет ли автомобиль с искусственным интеллектом довезти пьяного водителя. результаты исследования

Инструмент, позволяющий работать с 3D моделью, подсвечивает различные детали клетки.Таким образом все структуры и органеллы становятся видны гораздо лучше. Набрав несколько тысяч фотографий таких подсвеченных клеток, ученые «скормили» их нейросети. После этого нейросеть смогла на основании снимка предсказывать расположение органелл и их форму.

Эксперты Института Аллена уже несколько лет занимаются подобными разработками, но раньше все они были доступны лишь для внутреннего использования. Новая программа же станет общедоступной, и она, по словам авторов, позволит понять работу клетки и понаблюдать за всеми процессами, которые происходят внутри нее.

Совет

Развитие данного направления может помочь отслеживать различные изменения, происходящие в клетках живого организма.

Источник: https://www.allencell.org/allen-integrated-cell.html

Источник: https://rlegroup.net/2018/06/06/iskusstvennyj-intellekt-v-medicine-i-biologii-obzor-za-maj-2018/

«Удивительная» способность машинного обучения предсказывать хаос

Полвека назад пионеры теории хаоса обнаружили, что «эффект бабочки» делает невозможным долгосрочное предсказание.

Малейшее возмущение сложной системы (например, погоды, экономики или чего-то подобного) способно спровоцировать цепную реакцию, в результате которой будущее окажется совсем не таким, какое ждали.

Мы живём в тумане неопределённости, ибо не можем описывать сложные системы с точностью, позволяющей делать надёжные предсказания.

Но теперь у нас появились роботы-помощники.

<\p>

В серии экспериментов, о результатах которых сообщали журналы Physical Review Letters (PRL) и Chaos, учёные использовали машинное обучение — тот же метод вычислений, что недавно привёл к успехам в сфере создания искусственного интеллекта, — для прогнозирования эволюции хаотических систем до потрясающе далёких горизонтов. Данный подход приветствуется внешними экспертами как новаторский и, похоже, получит широкое применение.

«Я нахожу поистине удивительной долгосрочность прогнозов» для эволюции хаотических систем, заявил Герберт Егер (Herbert Jaeger), профессор вычислительной науки Бременского университета Якобса (Jacobs University) в Германии.

Вышеупомянутые прогнозы получены в Мэрилендском университете в Колледж-Парке (University of Maryland, College Park) ветераном теоретического изучения хаоса Эдвардом Оттом (Edward Ott) и его четырьмя помощниками.

Они использовали резервуарное вычисление — один из алгоритмов машинного обучения — для «изучения» динамики архетипической хаотической системы под названием «уравнение Курамото — Сивашинского».

Эволюционирующее решение этого уравнения ведёт себя как фронт пламени, мерцающий при прохождении через горючую среду.

Обратите внимание

Кроме того, данное уравнение описывает дрейфовые волны в плазме и другие физические явления, служит «испытательным стендом для изучения турбулентности и пространственно-временного хаоса», как выразился Джайдип Патхак (Jaideep Pathak), аспирант Отта и главный автор последних научных статей на тему прогнозирования поведения хаотических систем.

Потренировавшись на данных о прошлой эволюции уравнения Курамото — Сивашинского, исследовательский резервуарный компьютер смог точно предсказать, как пламевидная система будет эволюционировать в течение восьми «времён Ляпунова», то есть, выражаясь нестрого, удалось заглянуть в восемь раз дальше по сравнению с тем, что позволяли другие методы прогнозирования. Временем Ляпунова называют время, которое требуется для экспоненциальной дивергенции двух практически идентичных состояний хаотической системы. Как таковое, оно обычно определяет горизонт предсказуемости.

«Это действительно очень хороший результат, — заявил о восьми временах Ляпунова при прогнозировании эволюции хаотической системы Хольгер Канц (Holger Kantz), специалист по теории хаоса из Института физики сложных систем Общества Макса Планка (нем. Max-Planck-Institut für Physik komplexer Systeme) в Дрездене, Германия. — Можно сказать, что техника машинного обучения примерно такое же благо, как и знание истины».

Резервуарное вычисление пользуется лишь данными об эволюционирующем решении уравнения Курамото — Сивашинского, само уравнение ему неизвестно.

Это делает машинный подход мощным средством прогнозирования, ибо во многих случаях специалисты по динамике, имея дело с хаотической системой, не знают её уравнения и в результате, пытаясь моделировать и прогнозировать, терпят провал.

Согласно статье, опубликованной группой Отта, иметь на руках уравнение системы необязательно: достаточно данных о её эволюции. «Эта статья наводит на мысль, что в один прекрасный день мы сможем предсказать погоду не с помощью чрезвычайно сложных моделей атмосферы, а с помощью алгоритмов машинного обучения», — сказал Канц.

По мнению экспертов, техника машинного обучения помимо предсказания погоды может оказаться полезной для выявления признаков приближающихся сердечных приступов при мониторинге сердечных аритмий и для прогнозирования нейронных спайков (импульсов) при мониторинге возбуждения нейронов головного мозга. Кроме того, эта техника предположительно найдёт применение при предсказании аномальных волн, несущих угрозу для судоходства, и даже при предсказании землетрясений.

Особые надежды Отт возлагает на то, что новые инструменты окажутся полезными для своевременного оповещения о солнечных бурях, подобных той, которая случилась в 1859 году. Тогда поверхность Солнца вздыбилась на протяжении 35 000 миль.

Мощный магнитный всплеск вызвал наблюдавшееся повсюду свечение земной атмосферы и повлиял на линии телеграфной связи: местами вывел их из строя, а местами сгенерировал напряжение, достаточное для работы при выключенном электропитании.

Важно

Если похожий солнечный шторм неожиданно обрушится на планету в наши дни, это, как считают эксперты, нанесёт серьёзный ущерб электронной инфраструктуре Земли. «Зная о приближении такого шторма, можно просто-напросто отключить питание, а потом снова его включить», — отметил Отт.

 

Отт, Патхак и их коллеги Брайан Хант (Brian Hunt), Мишель Гирван (Michelle Girvan) и Чжисинь Лу (Zhixin Lu) (ныне работает в Пенсильванском университете) достигли опубликованных результатов, осуществив синтез существовавших инструментов.

Шесть-семь лет назад, когда мощный алгоритм, известный как «глубокое обучение» (Deep learning), приступил к решению задач в сфере ИИ, таких как распознавание образов и речи, эти учёные взялись читать литературу, посвящённую машинному обучению, и стали думать, как по-умному приспособить его к исследованию хаоса.

Они узнали о нескольких многообещающих разработках, предшествовавших революции глубокого обучения.

Самой интересной оказалась разработка немецких специалистов по теории хаоса Егера и его товарища Харальда Хааса (Harald Haas): в начале 2000-х годов они использовали сеть случайно связанных искусственных нейронов, играющую роль «резервуара» при резервуарном вычислении, для изучения динамики трёх хаотически коэволюционирующих переменных.

После обучения по трём рядам цифровых данных сеть сумела предсказать будущие значения всех переменных на впечатляюще далёком горизонте. Однако с ростом взаимодействующих переменных вычисления стали невероятно громоздкими. Отту и его коллегам требовалась более удобная схема: резервуарное вычисление должно было научиться эффективно работать с большими хаотическими системами, имеющими огромное количество взаимосвязанных переменных. Например, в каждой точке вдоль фронта пламени надо отслеживать скорость по трём декартовым составляющим.

Потребовались годы, чтобы придумать действенное решение. В занимающих большое пространство хаотических системах «мы применили деление взаимодействий на локальности», говорит Патхак. Локальность (locality) означает, что переменные в каком-то одном месте зависят от переменных в соседних местах, но не зависят от переменных, относящихся к местам, находящимся далеко.

«Выделяя локальности, — объясняет учёный, — мы, в сущности, создаём себе возможность решать проблему по частям». Проведя таким образом параллелизацию проблемы, можно использовать для изучения какого-то фрагмента системы один резервуар нейронов, для изучения следующего фрагмента — другой резервуар и т. д.

При этом для учёта взаимодействия соседних областей необходимо, чтобы они слегка перекрывали друг друга.

Совет

Параллелизация позволяет применять резервуарное вычисление для исследования хаотических систем практически любого размера, если имеются соразмерные компьютерные ресурсы.

Отт описывает резервуарное вычисление как трёхшаговый процесс. Пусть вам нужно применить его для предсказания того, как будет эволюционировать распространяющийся огонь.

Первый шаг требует измерить высоту пламени в пяти разных точках вдоль фронта огня и продолжить делать это в данных точках при движении мерцающего огня вперёд в течение определённого периода времени. Вы подаёте потоки получаемых данных в случайно выбранные искусственные нейроны резервуара.

Входные данные возбуждают нейроны, заставляя их «выстреливать», что, в свою очередь, заставляет «выстреливать» другие, связанные с первыми нейроны, и в результате по всей сети проносится каскад сигналов.

Второй шаг: нейронную сеть нужно заставить изучить динамику эволюционирующего фронта пламени по входным данным. Для этого, подавая данные, следует контролировать силу сигналов нескольких случайно выбранных нейронов резервуара. Взвешивание и объединение этих сигналов пятью различными способами даёт пять чисел на выходе.

Цель состоит в том, чтобы настраивать веса различных сигналов, которые учитываются на выходе, до тех пор, пока эти выходные данные не станут последовательно соответствовать следующему набору входных данных — пяти новым высотам вдоль фронта пламени, измеренным чуть позже.

«Вам нужно, чтобы выходные данные через малый промежуток времени стали входными», — объясняет Отт.

Чтобы узнать правильные веса, алгоритм просто сравнивает каждый набор выходных данных, или прогнозируемые высоты пламени в каждой из пяти точек, со следующим набором входных данных, или с фактическими высотами пламени, всякий раз увеличивая или уменьшая веса различных сигналов так, чтобы при любой их комбинации пять выходных данных получились правильными. Переходя от одного времени измерения высот к следующему, алгоритм путём настройки весов постепенно улучшает свои предсказания до тех пор, пока не обретает способность последовательно предсказывать состояние пламени на один шаг вперёд.

«На третьем этапе вы действительно делаете прогноз», — говорит Отт. Резервуар, изучив динамику системы, может показать, каким будет её развитие. По существу, сеть задаёт себе вопрос о том, что произойдёт.

Теперь выходные данные используются в качестве новых входных, чьи выходные данные, в свою очередь, используются в качестве входных и т. д., в результате чего получается прогноз эволюции высот в пяти точках на фронте пламени.

Обратите внимание

Другие, работающие параллельно, резервуары предсказывают эволюцию высот в других местах по ходу движения пламени.

В своей статье, опубликованной в январском номере PRL, исследователи показали, что предсказанное ими пламевидное решение уравнения Курамото — Сивашинского точно соответствует истинному решению этого уравнения в рамках восьми времён Ляпунова, вплоть до окончательной победы хаоса, при которой происходит резкое расхождение фактических и предсказанных состояний системы.

При обычном подходе к прогнозированию хаотической системы максимально точно измеряют её состояние в какой-то момент времени, калибруют с помощью полученных данных физическую модель, а затем приводят модель в движение. Для получения приблизительного прогноза на восемь времён Ляпунова вы должны измерить исходное состояние типичной системы в 100 000 000 раз точнее, чем при резервуарном вычислении.

Вот почему машинное обучение — «очень полезный и мощный подход», отмечает Ульрих Парлиц (Ulrich Parlitz) из Института динамики и самоорганизации Общества Макса Планка (нем.

Max-Planck-Institut für Dynamik und Selbstorganisation) в Гёттингене (Германия), который в начале 2000-х годов, как и Егер, использовал машинное обучение для малоразмерных хаотических систем.

«Я думаю, — добавляет он, — что это обучение годится не только для исследованного уравнения, а в некотором смысле является универсальным и может применяться ко многим процессам и системам».

В статье, подготовленной для публикации в Chaos, Парлиц и его соавтор описали использование резервуарного вычисления для прогнозирования динамики «легковозбудимого посредника», такого как сердечная ткань.

Парлиц предполагает, что глубокое обучение, будучи более сложным и ёмким, чем резервуарное вычисление, будет работать с хаотическими системами так же эффективно, как и другие алгоритмы машинного обучения. В последнее время исследователи из Массачусетского технологического института и Швейцарской высшей технической школы Цюриха (нем. Eidgenössische Technische Hochschule Zürich, ETHZ) добились результатов, схожих с результатами команды Мэриленда, используя нейронную сеть с «долгой краткосрочной памятью». Рекуррентные петли этой сети позволяют ей долго хранить временную информацию.

После экспериментов, результаты которых опубликованы в PRL, Отт, Патхак, Гирван, Лу и их помощники приблизились к практической реализации разработанной ими техники прогнозирования.

Важно

В новых исследованиях, принятых для публикации в Chaos, они показали, что, объединив управляемое данными машинное обучение и традиционное модельное прогнозирование, можно улучшить предсказание эволюции хаотических систем, подобных уравнению Курамото — Сивашинского.

По мнению Отта, именно этой дорогой, скорее всего, пойдёт развитие прогнозирования в метеорологии и других, схожих с ней, видах науки, поскольку далеко не всегда в нашем распоряжении имеются полные данные с высоким разрешением или совершенные физические модели.

«Если в какой-то области у нас есть хорошее знание, его необходимо использовать, — говорит немецкий учёный, — а если в какой-то области мы страдаем от невежества, то, чтобы избавиться от него, нам следует использовать машинное обучение». Резервуарные предсказания существенно облегчают калибровку моделей, и в случае уравнения Курамото — Сивашинского долгосрочность точных прогнозов возрастает до 12 времён Ляпунова.

У разных систем разное время Ляпунова: от миллисекунд до миллионов лет. (Для погоды — несколько дней). Чем короче это время, тем более чувствительна или более склонна к эффекту бабочки система, тем стремительней её сходные состояния расходятся в периоды кризиса. В природе повсюду хаотические системы, быстро теряющие устойчивость, но, как ни странно, до сих пор неясно, что такое хаос.

Читайте также:  Вкалывают роботы – счастлив шахматист

«Этот термин очень часто используют специалисты по динамическим системам, но, когда используют, кажется, что они зажимают носы», — говорит Эми Уилкинсон (Amie Wilkinson), профессор математики в Чикагском университете (University of Chicago). «Называя что-то хаотичным, — добавляет она, — чувствуешь себя не в своей тарелке».

Дело в том, что слово «хаос» звучит громко, привлекает широкое внимание, но у понятия хаоса нет общепринятого математического определения и нет перечня необходимых и достаточных условий возникновения хаотического состояния. «Простой концепции нет», — соглашается Канц.

В некоторых случаях настройка одного-единственного параметра системы может вызвать её переход от хаотического состояния к стабильному, или наоборот — от стабильного к хаотическому.

Уилкинсон и Канц определяют хаос через растяжение и складывание. Это напоминает многократное растягивание и складывание теста, когда его делают слоёным. Скалка раскатывает тесто в горизонтальной плоскости, и оно экспоненциально быстро растягивается по двум декартовым осям координат.

Затем тесто складывают слоями и сплющивают, сжимая слои в вертикальном направлении. Канц говорит, что погода, лесные пожары, бури на поверхности солнца и все другие хаотические системы движутся именно так. «Для экспоненциальной дивергенции траекторий необходимо растяжение, а для того, чтобы не исчезнуть в бесконечности, необходимо складывание».

Последнее происходит благодаря нелинейным отношениям между переменными данной системы.

Совет

Растяжение и сжатие в разных измерениях соотносятся с положительным и отрицательным «показателями Ляпунова» соответственно.

В другой недавней статье, опубликованной в Chaos, команда Мэриленда сообщила, что её резервуарный компьютер, пользуясь данными об эволюции системы, сумел установить значения этих важных показателей.

Именно потому, что резервуарное вычисление так лихо изучает динамику хаотических систем, всё ещё не очень понятно, как оно работает.

Можно лишь утверждать, что в ответ на поступающие данные резервуарный компьютер стремится так настраивать свои формулы, чтобы они воспроизводили динамику изучаемой системы. Эта технология настолько эффективна, что Отт и некоторые другие мэрилендские исследователи задумали, используя теорию хаоса, заняться внутренними махинациями нейронных сетей, чтобы лучше их понять.

Источник: https://22century.ru/popular-science-publications/machine-learnings-amazing-ability-to-predict-chaos

Апокалипсис глазами ученого

Предлагаем к ознакомлению статью кандидата технических наук, доцента кафедры вычислительной техники НГТУ Андрея Владимировича Гаврилова о том, каким он видит мир […]

Предлагаем к ознакомлению статью кандидата технических наук, доцента кафедры вычислительной техники НГТУ Андрея Владимировича Гаврилова о том, каким он видит мир будущего в свете технического прогресса. Стоит сразу оговориться, что в тексте изложены не фантазии ученого, но реальные проблемы современного человечества и те события, на пороге которых мы находимся.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И БУДУЩЕЕ ЦИВИЛИЗАЦИИ

Вся западная цивилизация (к которой Россия относится или стремится относиться) основана на стремлении потреблять как можно больше материальных и не материальных благ, а также, на индивидуализме.

С одной стороны, это стимулирует экспоненциальный научно-технический прогресс, что явилось причиной создания ИИ (Искусственный интеллект. Редакция) и внедрения его в той или иной степени практически во все технические системы в настоящее время.

Имеются в виду такие технологии ИИ как: диалог на ЕЯ (в том числе речевой), системы принятия решений или выдачи рекомендаций, основанные на формализованных знаниях, нечеткие системы управления, методы предсказания, методы поиска документов, техническое зрение и, наконец, интеллектуальные агенты, реализуемые в компьютерных играх и в виде интеллектуальных роботов, разрабатываемых для различных областей применения (медицина и социальное обеспечение, военные применения, образование, игровая индустрия). В недалекой перспективе интеллектуальные роботы заменят обычные программируемые промышленные роботы на производстве. Причем, интеллектуальные роботы аккумулируют в себе многие, если не все, технологии ИИ.

Такое широкое внедрение ИИ упрощает работу людей по созданию различных материальных благ и может предоставить им услуги, качество и количество которых без использования ИИ ограничено. Например, медицинские услуги или уход за престарелыми людьми, замена людей-солдат на поле боя или пожарных на тушении пожаров, замена людей на других грязных или вредных работах.

С другой стороны, этот экстенсивный технологический путь развития человечества чреват многими негативными тенденциями.

Мы здесь не будем говорить о тех тенденциях и прогнозах, которые не относятся к ИИ, а остановимся на тех, которые являются непосредственным следствием развития ИИ и близких к нему информационных технологий.

Обратите внимание

Что же может ожидать человечество в контексте развития ИИ? Первые из двух перечисленных ниже последствий развития ИИ являются уже сейчас реальностью.

  1. Уменьшение количества людей, читающих книги.

Следствием этого является  деградация воображения.

Телевидение и компьютерные игры, вытеснившие книги из обихода, дают нам готовые образы и решения, восприятие которых не требует умственных усилий (в меньшей мере это относится к некоторым классам компьютерных игр, например, стратегиям, требующим некоторого размышления и планирования действий). Книга же тренирует воображение и заставляет думать. В настоящее время студенты читают только то, что надо знать для сдачи зачета или экзамена. То же можно сказать и о школьниках применительно к сдаче ЕГЭ.

  1. Уменьшение количества думающих людей.

Люди стремятся как можно меньше размышлять и оформлять свои мысли в виде текстов, так как «все можно найти в Интернет» и «мне всегда подскажет что делать интеллектуальная система». У современных студентов плохая память. У них нет стимула для запоминания фактографической информации.

Достаточно знать, где и как найти в Интернете или как пользоваться теми или иными гаджетами (которые становятся все более «дружественными», т.е. не требующими умственных усилий для их использования).

Апофеозом этого процесса создания «дружественной техники» становится появление «умного окружения» (smart environment) или «окружающего интеллекта» (ambient intelligence) [1, 2], целью которого в идеале является предугадывание и исполнение всех наших желаний.

Возможность и некоторые последствия применения таких технологий предсказал С.Лем в романе «Осмотр на месте» [3] (впервые был издан в 1982 году). Кстати, там же он предсказал и наноботов (он их называет “шустрами”).

Со временем эта тенденция может привезти к тому, что количество людей, выкладывающих что-то новое в Интернет, станет уменьшаться, и люди в основном станут потреблять «старые истины». Как следствие, может произойти стагнация науки. Возможно, этот процесс уже идет.

Альтернативное следствие этой тенденции – появление «общепринятых» и «очевидных» истин, почерпнутых из Интернета, в основе которых лежат чьи-то фантазии, фальсификации или непроверенные факты.

Уменьшению количества думающих людей способствует идущая сейчас в России реформа образования, в частности, ориентация на тестирование знаний и ограничение бесплатных школьных дисциплин, а также, «стимулирование» удержания студентов в ВУЗе любой ценой, не зависимо от его успеваемости.

Важно

Преимущественное тестирование знаний отучает человека формулировать мысли на нормальном естественном языке. Подобные процессы происходят и в западных странах.

  1. Технологическая сингулярность.

По мнению теоретиков сингулярности экспоненциальный рост информационных технологий приведет к середине 21-го века к технологической сингулярности и переходу человека в новое качество [4].  При этом все материальные блага будут производиться без участия человека.

Причем, даже создание новых машин и продуктов (т.е. творческий процесс) будет осуществляться интеллектуальными системами. Это явится результатом работы двух предыдущих тенденций. Оставшиеся творческие личности будут заниматься чистым (непродуктивным) творчеством.

Это приведет к деградации человека и человечества в целом. Человек будет только потреблять.

Благодаря развитию нанотехнологий, генной инженерии и ИИ, произойдет киборгизация и/или генная модификация человека. Появится новое существо, отличное не только физически от человека, но и психологически, — трансчеловек [5]. У него изменятся мотивации, эмоции, цели жизни и модели поведения.

Хорошо это или плохо – вопрос, зависящий от точки зрения. С точки зрения эволюции как таковой (с точка зрения “космиста”), наверное, это хорошо, т.к. выводит человека на новую ступень эволюции с бОльшими возможностями по воздействию на окружающий мир – Вселенную.

Хотя, может наметиться разрыв с природными процессами эволюции. С точки зрения сегодняшнего человека – это плохо, т.к. нынешний человек исчезнет. Еще в 1960-е годы Н.Амосов высказывал мысль о том, что человек является лишь промежуточным звеном в эволюции жизни на Земле [6].

В мире существует трансгуманистическое движение, призванное подготовить человечество к сингулярности и появлению трансчеловека [7].

Совет

Предыдущая тенденция и опасность появления искусственного сверхразума, неподконтрольного человеку,  могут привести к войнам между противниками и сторонниками создания искусственного разума, о неизбежности которых пишет Хьюго де Гарис в [8], ученый, работающий в области создания объемных аппаратных искусственных нейронных сетей.

  1. Уничтожение человечества искусственным интеллектом.

В недалеком будущем возможно появление искусственного сверхразума, например, превращением с помощью нанотехнологий некоего астероида в искусственную нейронную сеть [8]. Человек не в состоянии понять, что может прийти в голову этому сверхразуму.

Например, он может решить задачу гармоничного существования флоры и фауны на Земле простым способом – уничтожением человечества.

Подобная перспектива развития цивилизации была неоднократно показана в фантастических голливудских фильмах, например, «Терминатор», «Матрица», «Я робот».

Вследствие тенденций 2 и 3, т.е.

выключения из процесса производства материальных благ, сохранения и улучшения своей жизни человек может потерять мотивацию к реальной жизни, живя в основном в виртуальных мирах, начнет деградировать и сам исчезнет с лица Земли как разумный вид. Другой причиной вымирания человечества могут стать эпидемии, вызванные появлением наноботов, запускаемых в организм человека для лечебных или военных целей.

Следует иметь в виду, что эти опасности (кроме первых двух, ставших уже реальностью) не являются неотвратимыми, т.к. предполагают однородное и линейное развитие человечества в рамках единой глобальной экономико-политической системы, навязываемой миру в последние время.

Однако, ход развития мирового кризиса и вызовы, с которыми столкнулась в настоящее время мировая финансовая элита (например, вымирание коренного населения в западных странах и экспансия пассионарных исламских и иных восточных культур), показывают, что однородное развитие мира вряд ли возможно.

Если в так называемых цивилизованных странах рождаемость падает, то в мусульманском мире и в странах Латинской Америки, Индии, Индокитае и Китае такой тенденции нет, иммигрантами из этих стран замещается коренное население европейских стран и США.

Обратите внимание

Замещает ли это новое население носителей научного или технологического развития – это большой вопрос. Частично да, но не в такой мере, чтобы продолжить движение к сингулярности.

Коренная культура, базирующаяся на бОльшем коллективизме и бОлее земных ценностях (семья, дети), а не на виртуальных ценностях таких как «успех», «деньги» и т.п., затормозят технологическое развитие. Так что, возможно, технологическая цивилизация не доживет до сингулярности. В таком виде она просто перестанет существовать.

И Российской Федерации, чтобы не разделить ее участь, следует обратить свое внимание на другие более естественные человеческие ценности, нежели культ потребления, которые должны лечь в основу развития общества и создания новой экономической и социальной системы, например, на основе предложенной Жаком Фреско ресурсно-ориентированной экономики [9].

Библиографический список

  1. Remagnino P., Foresti G.L., T.Ellis (Eds.). Ambient Intelligence. A Novel Paradigm. Springer, 2005.
  2. Гаврилов А.В. Искусственный Домовой // Искусственный интеллект и принятие решений. 2012, №2. C.77-89
  3. Лем С. Футурорологический конгресс. Осмотр на месте. Мир на Земле. М., 2003.
  4. Kurzweil R. The Singularity Is Near. N. Y.: Viking, 2005.
  5. Никитин Ю.Н. Трансчеловек. М., 2006.
  6. Амосов Н.А. Искусственный разум. Киев, 1969.

Источник: https://pravoslavie.fm/science/apokalipsis-glazami-uchenogo/

Ссылка на основную публикацию
Adblock
detector