人工智能初创公司 Symbolica 今天从隐身中脱颖而出，并推出了一种构建 AI 模型的新方法，利用高级数学为系统注入类似人类的推理能力和前所未有的透明度。该公司的目标是超越当代人工智能的“炼金术”，进入更严谨、更科学的基础。
除了公开发行外，Symbolica今天还透露，它已经筹集了3300万美元的总资金（A轮+种子轮），由Khosla Ventures领投，Day One Ventures、General Catalyst、Abstract Ventures和Buckley Ventures参投。
“我们不是在建立一个模型。虽然我们将把一个模型产品化，但我们公司从根本上专注于构建一个描述，说明如何以一种从根本上比以往更强大的方式生成架构，“Symbolica的创始人兼首席执行官George Morgan在接受VentureBeat采访时说。
摩根是特斯拉的前高级自动驾驶工程师，曾从事其自动驾驶系统的工作。他与来自特斯拉、Neuralink 和 ClearML 的博士数学家、机器学习 （ML） 研究人员和工程师团队一起创立了 Symbolica。该公司还聘请了 WolframAlpha、Mathematica 和美国数学学会会员的创建者 Stephen Wolfram 担任顾问。
深度学习的炼金术
Symbolica方法的核心是“范畴论”，这是数学的一个分支，将数学结构及其关系形式化。通过将人工智能置于这个严格的框架中，该公司相信它可以创建具有推理能力的模型，而不是在大型数据集上进行训练的紧急副作用。
这与当今主导人工智能的深度学习系统形成鲜明对比，摩根将其比作现代化学之前的“炼金术”。“在当今的工业界或学术界，我们如何构建人工智能架构并不严谨。你知道还有什么工程学科没有某种科学严谨性的支持？“他说。
他比作药物发现。“想象一下，你正试图发明泰诺。你可能不会只是把一堆随机的东西混合在一起，并希望你得到泰诺。你会考虑存在的化学受体，与这些受体的分子相互作用，等等。有一门严格的科学学科与解决这些问题有关。目前，这在人工智能或机器学习的任何能力中都不存在。
他认为，缺乏严谨性意味着当前的人工智能模型本质上是黑匣子。一旦经过训练，“你就不知道里面发生了什么，你不知道它学到的结构是什么，也不知道它是如何学会联想的。
打开黑匣子
Symbolica的方法旨在打开这个黑匣子，实现可解释性。“如果我们能描述一个架构，我们也可以描述这个架构正在学习什么，它正在学习什么样的结构，我们在该架构中嵌入什么样的结构。因此，这恰恰是AI模型可解释性的单程票，“Morgan说。
随着人工智能越来越多地应用于医疗保健和金融等行业的高风险决策，可解释性至关重要。这也是有效监管人工智能系统的先决条件。“Symbolica给你一个非常正式、精确的定义，告诉你如何理解这些模型，”Morgan说。“我们可以用它来调节模型。
Symbolica的方法还承诺人工智能系统可以执行复杂的推理任务，而训练数据和计算能力远低于当今数据饥渴的模型。“如果我们构建一个本身就具有推理能力的架构，那么让该模型执行所需的数据要少得多，而完全没有内置推理概念的非结构化模型也是如此，”Morgan解释道。
通往推理机器的道路
如果成功，其影响可能是巨大的。Symbolica设想其AI模型部署在几乎每个行业，承担迄今为止仍然是人类智能唯一领域的认知任务。
然而，前方的道路是漫长的，充满了障碍。为人工智能创建一个总体数学框架比优化特定模型要复杂得多，比如竞争对手OpenAI、Anthropic、谷歌或Meta。Symbolica将需要在实际应用中证明其理论，并将面临来自科技巨头的激烈竞争，这些巨头将投入数十亿美元用于人工智能研发。
但Symbolica的逆向方法越来越多地得到人工智能研究界的验证。Symbolica最近与Google DeepMind共同撰写了一篇关于“分类深度学习”的论文，该论文从数学上展示了其方法如何取代以前在几何深度学习方面的工作，以构建结构感知模型。
Symbolica对严谨性和可解释性的关注也可能在人工智能的企业采用者中找到接受的受众，特别是在受到严格监管的行业中，以及在努力解决如何负责任地部署和监督日益强大的人工智能系统的政府机构中。如果Symbolica能够成功地跨越理论突破和实际应用之间的鸿沟，它就可以在预计到2032年超过2700亿美元的企业人工智能市场中占据重要份额。
在哲学层面上，Symbolica从模式匹配转向真正的机器推理的努力，如果成功，将标志着人工智能道路上的一个重要里程碑 - 人工智能系统的概念仍然处于推测阶段，可以匹配人类思维的流体智能。
通往推理机器的旅程并非一帆风顺。但是，在避开许多当代人工智能工作的炼金术，转而采用更严谨的方法时，Symbolica可能正在为下一次大跃进奠定基础。正如 Morgan 所说，“这就是为什么我们可以构建更小的模型，因为我们非常直接地专注于将结构嵌入到模型中，而不是依靠大量的计算来学习我们最初可以指定的结构。
在人工智能领域，规模似乎越来越重要，Symbolica认为，一个小小的结构会大有帮助。
椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/5887.html
文章评论