麻省理工學院的空中守護者：透過人工智慧提升飛行安全
麻省理工學院的科學家們推出了「空中守護者」，這是一個前沿的深度學習系統，旨在與飛行員協同工作，顯著提升飛行安全。這款人工智慧（AI）副駕駛能夠檢測人類飛行員可能忽略的關鍵情況並進行介入，以避免潛在的事故發生。
空中守護者的核心技術是由麻省理工學院計算機科學與人工智慧實驗室（CSAIL）開發的先進深度學習架構——液態神經網絡（LNN）。LNN在多個領域展現了出色的潛力，特別是在需要高效且易於理解的AI系統的情境中，提供了傳統深度學習模型的有力替代方案。
監控人類注意力與AI焦點
空中守護者採用創新的方法提升飛行期間的安全性。它持續監測飛行員的注意力和AI的聚焦，及時檢測兩者之間的偏差。如果飛行員錯過了某一關鍵細節，AI系統可以無縫接管相關的飛行參數。
這種人機協作的方式確保了飛行員仍然保持指揮權，而AI則彌補過失。麻省理工學院CSAIL的AI科學家兼「空中守護者」研究的共同作者拉敏·哈薩尼表示：「我們的目標是創造與人類合作的系統，讓AI在挑戰性情況下提供支持，同時發揮人類的優勢。」
例如，在低空飛行中，不可預測的重力變化可能會導致飛行員失去方向感。空中守護者設計上就是為了在這種情況下接管控制。同樣，當飛行員面對過多的屏幕信息時，AI可以篩選數據，突出關鍵提示。
先進的監控技術
空中守護者利用眼動追蹤技術評估人類的注意力，同時利用熱圖可視化AI的焦點。當發現不一致時，空中守護者會分析AI是否已經識別出需要立即關注的問題。
AI在安全關鍵應用中的角色
與許多控制系統類似，空中守護者建立在深度強化學習模型之上，其中AI代理觀察環境並根據觀察結果采取行動。這個代理會因為正確行動而獲得獎勵，使神經網絡能夠發展出有效的決策政策。
空中守護者的獨特之處在於其核心的LNN。LNN提供了更高的透明度，使工程師能夠深入檢查模型的決策過程，這與傳統的深度學習系統——通常被標籤為「黑箱」——形成鮮明對比。
哈薩尼指出：「對於安全關鍵應用，理解系統的功能至關重要，解釋能力是必須的。」
哈薩尼自2020年以來一直進行LNN的研究，之前他們在一個高效無人機控制系統的工作中獲得了《科學機器人學》的認可。如今，他們正將這些技術推進到實際應用中。
LNN的另一大優勢是能夠從數據中學習因果關係。傳統神經網絡往往產生錯誤或表面的相關性，導致實際應用中的錯誤。相比之下，LNN能夠與數據互動，探索反事實情境，理解因果關係，增強其穩健性。
哈薩尼指出：「要理解一項任務的真實目標，必須超越簡單的統計特徵；理解因果關係至關重要。」
緊湊高效的AI解決方案
液態神經網絡在其緊湊性上也表現出色。與傳統深度學習網絡不同，LNN能用顯著較少的計算單元完成複雜任務。這種效率使得它們能在處理能力有限的設備上運行。
哈薩尼補充說：「隨著AI系統的擴展，系統的能力提升，但在邊緣設備上的部署變得越來越困難。」
在先前的研究中，麻省理工學院CSAIL團隊展示了僅使用19個神經元的LNN能學習一個通常需要100,000個神經元的常規深度神經網絡的任務，這突顯了對於自駕車、無人機和航空等需要即時決策的邊緣計算應用的緊湊性的重要性。
擴大空中守護者與LNN的應用範圍
哈薩尼設想，從空中守護者的發展中獲得的見解可以應用於多種需要AI支持人類合作的情境。這些應用範圍從特定軟體中的任務協調，擴展到自動手術和自動駕駛等複雜領域。
哈薩尼強調：「應用可以擴展到各個學科。」
LNN也可能促進自主代理的崛起，尤其是在大型語言模型的背景下。它們能夠使AI代理能夠做出明智的決策，並向人類對應者解釋，從而有效協調目標。
哈薩尼解釋說：「液態神經網絡作為通用信號處理系統運行。無論輸入是視頻、音頻、文本還是時間序列數據，LNN均能生成多樣的模型，為預測建模、自主性及生成式AI應用開辟新途徑。」
哈薩尼將當前LNN的發展軌跡與2016年《變壓器》（transformer）論文發表前的關鍵時刻相比較，該論文為像ChatGPT這樣的大型語言模型奠定了基礎。我們現在正站在釋放LNN全部潛力的門檻上，為像智能手機和個人電腦這樣的邊緣設備中的先進AI系統鋪平道路。
哈薩尼堅信：「這是新一波AI系統的基礎模型，新一輪創新的時代即將來臨。」
排行榜
