نظام UQ-DAAAM من MIT يصحح أخطاء ذاكرة الروبوتات عبر كم عدم اليقين

قدم باحثو MIT نظام UQ-DAAAM — كم عدم اليقين لوصف أي شيء، في أي مكان، في أي لحظة — نظاماً يدقق الذاكرة البصرية للروبوت، ويشير إلى تسميات الأشياء ذات الثقة المنخفضة، ويسعى بنشاط لزوايا رؤية جديدة لتحسينها. في التجارب، تم التعرف الصحيح على جسم على سطح سقف كان يُخطأ فيه على أنه سنجاب على أنه مدخنة أسطوانية رمادية داكنة بعد أن دار الروبوت وجمع منظورات إضافية.

لماذا يهم هذا البنية التحتية لـ GPU / الذكاء الاصطناعي

الوكلاء المجسدون الذين يستفسرون باستمرار نماذج الرؤية واللغة ويحافظون على بنوك ذاكرة طويلة الأمد يولدون طلباً مستمراً وعالي الإنتاجية على الاستدلال. حلقة الإدراك النشط في UQ-DAAAM — التقاط، كم عدم اليقين، إعادة الملاحظة، دمج — تترجم مباشرة إلى دورات GPU أكثر لكل ساعة روبوت، خاصة عند النشر على نطاق الأساطيل في المستودعات أو المستشفيات.

يقلل الإطار أيضاً من الأخطاء المكلفة اللاحقة: جهاز مزيل رجفان مصنف خطأً في سيناريو طوارئ قد يؤخر تدخلاً منقذاً للحياة. من خلال جعل عدم اليقين صريحاً وقابلاً للتنفيذ، يحول النظام مشكلة الموثوقية إلى مشكلة جدولة حسابية — مثالية لطبقات التنسيق التي تخصص موارد GPU بناءً على عتبات الثقة في الوقت الفعلي.

يشدد لوكا كارلوني، المؤلف الرئيسي، على أن "السماح للروبوت بمعرفة ما لا يعرفه أمر ضروري للنشر الآمن." لفرق البنية التحتية، يعني هذا تصميم عناقيد يمكنها زيادة السعة عند ارتفاع عدم اليقين، بدلاً من الإفراط في التوفير لأحمال قصوى ثابتة.