SOFAIR-laboratorio (Science of Fundamental AI Research) – UCL:n johdolla

Professori David Barberin johdolla UCL:ssä, yhteistyössä Cambridgen, Oxfordin ja Edinburghin yliopistojen kanssa, SOFAIRin tehtävänä on kehittää uusia avoimen lähdekoodin tekoälyteknologioita, jotka toimivat yleisesti saatavilla olevilla laitteilla, mukaan lukien tavalliset kuluttajatietokoneet . Laboratorio kokoaa yhteen tutkijoita tietojenkäsittelytieteestä, matematiikasta, tilastotieteestä ja neurotieteestä suunnittelemaan täysin uusia tekoälyarkkitehtuureja, jotka vastaavat suoraan nykyisiin ongelmiin, kuten tekoälyjärjestelmien epätarkkoihin vastauksiin .

BOLD-laboratorio (British Open-ended Learning and Discovery) – Oxfordin johdolla

Apulaisprofessori Jakob Foersterin johdolla Oxfordissa, yhteistyössä UCL:n ja muiden kumppaneiden kanssa, BOLD pyrkii mullistamaan sen, miten tekoäly oppii maailmasta. Se kehittää uusia lähestymistapoja, joiden avulla tekoäly voi oppia ilman valtavaa keskuslaskentatehoa . Sen sijaan, että se vain skaalaisi olemassa olevia menetelmiä, se tutkii uusia oppimisen paradigmoja tavoitteenaan rakentaa tekoälyä, joka on tehokkaampi, avoimempi ja paremmin ihmisten tarpeisiin sovitettu .

Strategia: tehokkuus skaalan sijaan

Koko hanke on tarkoituksellinen vaihtoehto suurten yhdysvaltalaisten teknologiayritysten ”isompi on parempi” -lähestymistavalle . Strategiana ei ole ylittää suurimpia teknologiayrityksiä datan ja laskentatehon määrässä, vaan ohittaa ne tehokkuudessa, avoimuudessa ja saavutettavuudessa .

• Pienemmät kustannukset perustavanlaatuisen tehokkuuden kautta: Sen sijaan, että yritettäisiin kilpailla skaalalla, laboratoriot tähtäävät perustavanlaatuisiin muutoksiin tekoälyn toiminnassa, mikä tekee sen käytöstä halvempaa ja saavutettavampaa huomattavasti useammille organisaatioille .
• Avoimen lähdekoodin, laitteistoriippumaton tekoäly: SOFAIR rakentaa avoimen lähdekoodin malleja, jotka toimivat yleisesti saatavilla olevilla laitteilla, mikä vähentää kalliin, erikoistuneen infrastruktuurin tarvetta .
• Riippuvuuden vähentäminen keskusdatakeskuksista: BOLDin työ hajautetun oppimisen parissa pyrkii vähentämään riippuvuutta suurten palveluntarjoajien omistamasta etädatakeskusinfrastruktuurista .
• Britannian oma osaaminen: Tekoälyministeri Kanishka Narayan totesi, että hanke vahvistaa Britannian asiantuntemusta ”kotimaassa” ja ”vähentää riippuvuutta muista” . Professori David Barber sanoi nimenomaan, että SOFAIR ”vähentää riippuvuutta pienestä mallintarjoajien joukosta ja vahvistaa Britannian itsemääräämisoikeutta” .
• Pienten yritysten ja julkisten palvelujen saavutettavuus: Tekemällä tekoälystä halvempaa ja helpommin omaksuttavaa laboratoriot pyrkivät avaamaan tekoälyn pienille yrityksille, julkisille palveluille ja tutkijoille kaikkialla Britanniassa, jotka eivät tällä hetkellä pysty hankkimaan huippuluokan tekoälyjärjestelmiä .

Lyhyesti sanottuna Britannia tavoittelee itsenäistä, avointa ja tehokasta tekoälyä, jolla on potentiaalia muuttaa tapaa, jolla tekoälyä rakennetaan ja otetaan käyttöön – ei rakentamalla suurinta mallia, vaan sellaisen, jota lähes kuka tahansa voi käyttää.

SOFAIR-laboratorio (Science of Fundamental AI Research) – UCL:n johdolla

Professori David Barberin johdolla UCL:ssä, yhteistyössä Cambridgen, Oxfordin ja Edinburghin yliopistojen kanssa, SOFAIRin tehtävänä on kehittää uusia avoimen lähdekoodin tekoälyteknologioita, jotka toimivat yleisesti saatavilla olevilla laitteilla, mukaan lukien tavalliset kuluttajatietokoneet . Laboratorio kokoaa yhteen tutkijoita tietojenkäsittelytieteestä, matematiikasta, tilastotieteestä ja neurotieteestä suunnittelemaan täysin uusia tekoälyarkkitehtuureja, jotka vastaavat suoraan nykyisiin ongelmiin, kuten tekoälyjärjestelmien epätarkkoihin vastauksiin .

BOLD-laboratorio (British Open-ended Learning and Discovery) – Oxfordin johdolla

Apulaisprofessori Jakob Foersterin johdolla Oxfordissa, yhteistyössä UCL:n ja muiden kumppaneiden kanssa, BOLD pyrkii mullistamaan sen, miten tekoäly oppii maailmasta. Se kehittää uusia lähestymistapoja, joiden avulla tekoäly voi oppia ilman valtavaa keskuslaskentatehoa . Sen sijaan, että se vain skaalaisi olemassa olevia menetelmiä, se tutkii uusia oppimisen paradigmoja tavoitteenaan rakentaa tekoälyä, joka on tehokkaampi, avoimempi ja paremmin ihmisten tarpeisiin sovitettu .

Strategia: tehokkuus skaalan sijaan

Koko hanke on tarkoituksellinen vaihtoehto suurten yhdysvaltalaisten teknologiayritysten ”isompi on parempi” -lähestymistavalle . Strategiana ei ole ylittää suurimpia teknologiayrityksiä datan ja laskentatehon määrässä, vaan ohittaa ne tehokkuudessa, avoimuudessa ja saavutettavuudessa .

• Pienemmät kustannukset perustavanlaatuisen tehokkuuden kautta: Sen sijaan, että yritettäisiin kilpailla skaalalla, laboratoriot tähtäävät perustavanlaatuisiin muutoksiin tekoälyn toiminnassa, mikä tekee sen käytöstä halvempaa ja saavutettavampaa huomattavasti useammille organisaatioille .
• Avoimen lähdekoodin, laitteistoriippumaton tekoäly: SOFAIR rakentaa avoimen lähdekoodin malleja, jotka toimivat yleisesti saatavilla olevilla laitteilla, mikä vähentää kalliin, erikoistuneen infrastruktuurin tarvetta .
• Riippuvuuden vähentäminen keskusdatakeskuksista: BOLDin työ hajautetun oppimisen parissa pyrkii vähentämään riippuvuutta suurten palveluntarjoajien omistamasta etädatakeskusinfrastruktuurista .
• Britannian oma osaaminen: Tekoälyministeri Kanishka Narayan totesi, että hanke vahvistaa Britannian asiantuntemusta ”kotimaassa” ja ”vähentää riippuvuutta muista” . Professori David Barber sanoi nimenomaan, että SOFAIR ”vähentää riippuvuutta pienestä mallintarjoajien joukosta ja vahvistaa Britannian itsemääräämisoikeutta” .
• Pienten yritysten ja julkisten palvelujen saavutettavuus: Tekemällä tekoälystä halvempaa ja helpommin omaksuttavaa laboratoriot pyrkivät avaamaan tekoälyn pienille yrityksille, julkisille palveluille ja tutkijoille kaikkialla Britanniassa, jotka eivät tällä hetkellä pysty hankkimaan huippuluokan tekoälyjärjestelmiä .

Lyhyesti sanottuna Britannia tavoittelee itsenäistä, avointa ja tehokasta tekoälyä, jolla on potentiaalia muuttaa tapaa, jolla tekoälyä rakennetaan ja otetaan käyttöön – ei rakentamalla suurinta mallia, vaan sellaisen, jota lähes kuka tahansa voi käyttää.