برای حل یک معما یا بازی کردن ، هوش مصنوعی می تواند به نرم افزاری در حال اجرا در هزاران رایانه احتیاج داشته باشد. این می تواند انرژی باشد که سه نیروگاه هسته ای در یک ساعت تولید می کنند.
تیمی از مهندسان سخت افزاری را ایجاد کرده اند که می توانند مهارتهایی را با استفاده از یک نوع AI که در حال حاضر روی سیستم عامل های نرم افزاری اجرا می شود ، بیاموزند . به اشتراک گذاشتن ویژگی های اطلاعاتی بین سخت افزار و نرم افزار می تواند انرژی مورد نیاز برای استفاده از هوش مصنوعی را در برنامه های پیشرفته تر مانند اتومبیل های رانندگی یا کشف مواد مخدر جبران کند.
شریرام راماناتان ، استاد مواد گفت: "نرم افزار بیشترین چالش ها را در هوش مصنوعی به عهده دارد. اگر می توانید علاوه بر آنچه در نرم افزار اتفاق می افتد ، هوش را در اجزای مدار وارد کنید ، می توانید کارهایی را انجام دهید که امروزه به سادگی امکان پذیر نیست." مهندسی در دانشگاه پوردو.
توسعه سخت افزار AI هنوز در مراحل اولیه تحقیق است. محققان هوش مصنوعی را در قطعات سخت افزاری بالقوه نشان داده اند ، اما هنوز به تقاضای انرژی زیاد هوش مصنوعی پاسخ نداده اند.
راماناتان گفت ، با توجه به اینکه هوش مصنوعی بیشتر زندگی روزمره را تحت تأثیر خود قرار می دهد ، اعتماد به نفس سنگین به نرم افزارهایی که نیازهای انبوه انرژی دارند ، پایدار نیست. اگر سخت افزار و نرم افزار می توانند ویژگی های اطلاعاتی را به اشتراک بگذارند ، منطقه ای از سیلی با یک منبع انرژی خاص می تواند به پیشرفت بیشتری برسد.
تیم راماناتان اولین کسی است که حافظه مصنوعی "شبیه درخت" را در قطعه ای از سخت افزار بالقوه در دمای اتاق نشان می دهد. محققان در گذشته تنها در دماهایی که برای دستگاههای الکترونیکی خیلی پایین است قادر به مشاهده این نوع حافظه در سخت افزار بودند .
نتایج این مطالعه در مجله Nature Communications منتشر شده است .
سخت افزاری که تیم راماناتان تولید کرده از یک ماده به اصطلاح کوانتومی ساخته شده است. این مواد به دلیل داشتن خواصی که توسط فیزیک کلاسیک قابل توضیح نیست شناخته شده اند. آزمایشگاه راماناتان در تلاش برای درک بهتر این مواد و چگونگی استفاده از آنها برای حل مشکلات در الکترونیک است.
این نرم افزار از حافظه شبیه درخت برای سازماندهی اطلاعات به "شاخه های مختلف" استفاده می کند ، و بازیابی این اطلاعات هنگام یادگیری مهارت ها یا کارهای جدید ، آسان تر می شود.
قوانین جدید حفظ حریم خصوصی مانند مقررات مربوط به حمایت از داده های عمومی اروپا (GDPR) و قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا (CCPA) باعث ایجاد صنعت جدیدی از شرکت ها و سیستم عامل های تبلیغاتی شده است که می توانند داده های شما را ناشناس کرده و مطابق قانون باشند.
اما آلونی کوهن ، محقق MIT می گوید که او نسبت به این ادعاها شک دارد و آخرین کار تیم وی نشان می دهد که دلیل وجود شک و تردید وجود دارد.
به طور خاص ، مقاله ژورنال جدیدی از کوهن و استاد کبیبی نیسیم استدلال می کند که یک تکنیک ناشناس ماندن به نام k-anonymity - که توسط بسیاری از شرکت ها استفاده می شود که چنین ادعاهایی انجام می دهند - مانع از جدا شدن و ناشناس ماندن کاربر با نگاه کردن به آن نمی شود. داده های گسترده تر این سیستم عامل. محققان نوع جدیدی از حمله ای را که آنها از آن به عنوان "پیش بینی مجزا خارج می کنند" مطالعه می کنند ، که پس از یک نوع نقض حریم خصوصی GDPR به نام جدا سازی انجام می شود.
"من فکر می کنم آن را معقول و منطقی می گویند که بسیاری از ادعاهای ساخته شده توسط این" ناشناس ماندن به عنوان یک سرویس، شرکت مشکوک هستند، می گوید: "کوهن، که مقاله با Nissim منتشر شده که امروز آنلاین بودند در PNAS . "این مقاله یک مرحله برای آزمایش آن است و سوراخ های رویکرد آنها را نشان می دهد."
این تیم این مسئله را مطرح کرد که شرکتهایی که از نام ناشناسانه k برای ناشناس سازی داده ها استفاده می کنند ، ممکن است در عوض از حریم خصوصی دیفرانسیل استفاده کنند ، یک روش جدیدتر که شامل تصادفی دقیقاً کنترل شده برای پوشش دادن حضور یا عدم حضور شخصی خاص در یک مجموعه داده است. محققان نشان می دهند که حریم خصوصی دیفرانسیل مانع از حملات منحصر به فرد مقدماتی می شود.
حریم خصوصی دیفرانسیل در تنظیماتی که رویکردهای سنتی تر برای ناشناس سازی ناکافی تلقی می شود ، تصویب فزاینده است. دفتر سرشماری ایالات متحده برای تأمین محرمانه بودن سرشماری سال 2020 از حریم خصوصی دیفرانسیل استفاده می کند. تصویب GDPR همچنین فیسبوک را به استفاده از حریم خصوصی افتراق برای کمک به دانشمندان اجتماعی که در حال مطالعه اطلاعات ضد انلاین هستند ، دامن زده است.
کوهن می گوید: "اگرچه ما نشان می دهیم که حریم خصوصی تفاوتهای زیادی را از حملات متمایزانه پیشگویی در پیشگیری از ما ایجاد نمی کند ، وماً براساس قانون ناشناس ماندن کامل صورت نمی گیرد." "از طرف دیگر ، این کار نشان می دهد که ، به عنوان یک قاعده کلی ، باید نسبت به هر شرکتی که به شما بگوید استفاده از ناشناس بودن k" به شما می دهد "انطباق GDPR" توجه کنید.
این مقاله همچنین نمونه ای جذاب از چگونگی استفاده از ریاضی و کد رایانه را می توان برای تعیین کم بودن اینکه آیا شرکتها واقعاً از قانون پیروی می کنند ، نشان می دهد.
کوهن می گوید: "ما احساس می کنیم که اثبات اینکه امنیت از طریق PSO تأمین می شود ، صرفاً یک مفهوم ریاضی نیست ، بلکه می تواند برای حمایت از نتیجه گیری قانونی استفاده شود ، و این باید در واقع پیامدهای قانونی داشته باشد."
درباره این سایت