计算的未来包括生物学 由人类脑细胞驱动的人工智能计算机

计算的未来包括生物学由人类脑细胞驱动的人工智能计算机在2月27日发表在《科学前沿》杂志上的一篇文章中，该团队概述了生物计算机如何在某些应用中超越今天的电子计算机，同时使用今天的计算机和服务器群所需电力的一小部分。类器官智能（OI）是一个新兴的科学领域，旨在创建生物计算机，其中实验室培养的大脑类器官作为"生物硬件"。在发表于《科学前沿》的文章中，Smirnova等人概述了追求这一愿景所需的多学科战略：从下一代器官和脑机接口技术，到新的机器学习算法和大数据基础设施。他们从制造由干细胞培育的5万个脑细胞组成的小集群开始，这些细胞被称为有机体。这大约是一个果蝇大脑的三分之一大小。他们的目标是1000万个神经元，这将是一个乌龟大脑中的神经元数量。相比之下，人类大脑平均有超过800亿个神经元。这篇文章强调了人脑如何在特定任务中继续大规模地超越机器。例如，人类只需使用几个样本就能学会区分两种类型的物体（如狗和猫），而人工智能算法则需要成千上万个。而且，虽然人工智能在2016年击败了围棋世界冠军，但它是在16万场比赛的数据基础上训练出来的--相当于每天下5个小时，超过175年。大脑有机体资料来源：约翰霍普金斯大学大脑也更加节能。我们的大脑被认为能够储存相当于普通家用电脑100多万倍的容量（2.5PB），而使用的电力只相当于几瓦。相比之下，美国的数据农场每年使用超过15000兆瓦的电力，其中大部分是由几十个燃煤发电站产生的。在这篇论文中，作者概述了他们的"类器官智能"计划，或称OI，用细胞培养的大脑类器官。虽然脑器官不是"迷你大脑"，但它们在大脑功能和结构的关键方面是相同的。器官体将需要从目前的大约5万个细胞大幅扩展。"高级作者、巴尔的摩约翰-霍普金斯大学的托马斯-哈同教授说："对于OI，我们需要将这个数字增加到1000万。布雷特-卡根博士资料来源：Cortical实验室布雷特和他在Cortical实验室的同事已经证明，基于人类脑细胞的生物计算机是可能的。最近发表在《神经元》上的一篇论文显示，脑细胞的平面培养可以学习玩视频游戏Pong。"我们已经证明，我们可以与活的生物神经元互动，迫使它们修改它们的活动，导致类似于智能的东西，"卡根谈到相对简单Ponf游戏的DishBrain时说。"与哈同教授及其同事为这个有机体智能合作而组建的惊人团队合作，皮质实验室现在正试图用大脑有机体复制这项工作。""我想说，用有机体复制[皮质实验室]的实验已经满足了OI的基本定义，"托马斯说。从这里开始，它开始一个建立社区、工具和技术的问题，以实现OI的全部潜力。布雷特说："这个新的生物计算领域有望在计算速度、处理能力、数据效率和存储能力方面取得前所未有的进步--所有这些都需要较低的能源。这项合作特别令人激动的方面是其形成的开放和协作精神。将这些不同的专家聚集在一起，不仅对优化成功至关重要，而且为行业合作提供了一个关键的接触点"。而这项技术还可以使科学家们更好地研究从患有神经疾病（如阿尔茨海默病）的病人的皮肤或小血样中开发出来的个性化大脑器官，并进行测试，研究遗传因素、药物和毒素如何影响这些情况。...PC版：https://www.cnbeta.com.tw/articles/soft/1348871.htm手机版：https://m.cnbeta.com.tw/view/1348871.htm

谷歌宣布新的人工智能处理芯片和云 “超级计算机”

谷歌宣布新的人工智能处理芯片和云“超级计算机”据科技新闻网站Engadget报道，谷歌已经宣布创建其最强大的TPU(正式名称为张量处理单元)，CloudTPUv5p，以及来自谷歌云的人工智能超级计算机。CloudTPUv5p是一个人工智能加速器，训练和服务模型。CloudTPUv5p是在之前的版本（如v5e和v4）基础上进行的改进。根据谷歌的说法，与TPUv4相比，TPUv5p的浮点运算性能（FLOPs）提升了两倍，每个机架的FLOPs性能扩展性提高了四倍。此外，它训练LLM模型的速度比TPUv4快2.8倍，嵌入密集模型的速度比TPUv4快1.9倍。而新的人工智能超级计算机，包括一个集成系统，具有开放软件、性能优化硬件、机器学习框架和灵活的消费模型。其想法是，与单独看待每个部分相比，这种合并将提高生产力和效率。

Google人工智能击败超级计算机 实现快速准确的天气预报

Google人工智能击败超级计算机实现快速准确的天气预报著名的"蝴蝶效应"认为，一场风暴的发生与否，可能会受到世界上另一个地方的一只蝴蝶扇动翅膀这么小的事情的影响。天气预报的工作就是把这些众所周知的蝴蝶变成精确的模型，告诉你是否应该继续计划下周六的野餐。这就是所谓的"数值天气预报"（NWP），它使用全球当前的天气观测数据作为输入数据，并通过超级计算机上运行的复杂物理方程进行计算。但现在，Google发布了一款名为GraphCast的人工智能系统，它可以在功能更弱的硬件上以更快的速度计算数据。这种人工智能是根据卫星图像、雷达和气象站收集的40年天气再分析数据训练出来的。GraphCast提取六小时前的天气状况和当前的天气状况，然后利用其数据宝库预测六小时后的天气状况。在此基础上，它可以以6小时为增量向前推算，从而做出长达10天的天气预报。GraphCast在地球表面100多万个网格点上进行预测，每个网格点的经度和纬度均为0.25度。在每个网格点上，该模型都会考虑地表的温度、气压、湿度、风速和风向等五个变量，以及37个不同高度大气层中的六个变量。在测试中，在一台GoogleTPUv4机器上运行的GraphCast与目前天气预报的黄金标准--在超级计算机上运行的名为高分辨率预报（HRES）的模拟系统--进行了比较。GraphCast能够在一分钟内做出10天的预报，在90%的测试变量和预报准备时间上都比HRES更准确。当模型集中在对流层（大气层的最底层，准确的预测对日常生活最有用）时，GraphCast在99.7%的时间里都优于HRES。更令人印象深刻的是，GraphCast比HRES更早识别出恶劣天气事件，尽管它没有经过专门的训练。在一个真实的例子中，人工智能提前九天就准确预测出了飓风的登陆地点，而传统的预报只能提前六天确认。Google表示，GraphCast的代码是开源的，全世界的科学家都可以对其进行实验，并将其应用到日常的天气预报中。对于人工智能来说，这种数字运算是最理想的工作，因此它们可以把艺术和写作留给我们人类。这项研究发表在《科学》杂志上。了解更多：https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/...PC版：https://www.cnbeta.com.tw/articles/soft/1397117.htm手机版：https://m.cnbeta.com.tw/view/1397117.htm