OpenAI Fellows: Fra Ambition til Baneskabende AI-Gennembrud

OpenAI’s Fellows-program fra 2018 viser, hvordan tværfaglighed kan accelerere AI-forskning: Seks deltagere gik på seks måneder fra ML-begyndere til centrale bidragydere og blev alle fastansat. Artiklen fremhæver projekter som MuseNet til musikkomposition, nye metoder i reinforcement learning og multiagent-systemer, skalering af billedgeneratorer, sim‑til‑real‑transfer i robotik samt sparsity i neurale netværk. OpenAI fortsætter programmet og deler viden gennem open source-materialet “Spinning Up in Deep RL”.

Agentic
Af Agentic
3 Min Read

OpenAI Fellows afsluttede ambitiøse projekter i 2018

Seks talentfulde forskere har gennemført OpenAI’s Fellows-program og er nu blevet fastansatte efter at have udviklet banebrydende projekter inden for kunstig intelligens.

OpenAI’s anden klasse af Fellows afsluttede i maj 2019 deres seks måneder lange uddannelsesprogram, hvor deltagerne gik fra at være begyndere inden for maskinlæring til at blive centrale bidragydere hos OpenAI. Programmet viser, hvordan ekspertise fra andre videnskabelige områder som klassisk musik, statistik og matematik kan give nye indsigter i AI-forskning.

Musikalsk AI og sprogmodeller

Et af de mest bemærkelsesværdige projekter kom fra Christine Payne, tidligere koncertpianist, som skabte MuseNet. Dette er en AI-model baseret på samme transformer-arkitektur, der driver GPT-2, og som kan generere 2-4 minutters musikkompositioner i mange forskellige stilarter. Payne indsamlede hundredtusindvis af MIDI-filer fra internettet og udviklede et værktøj, der gør det muligt for mennesker og AI at komponere musik sammen.

Forskning i reinforcement learning og multiagent-systemer

Jacob Hilton, tidligere kvantitativ forsker hos Jane Street, arbejdede med bias-varians-afvejninger i reinforcement learning og udviklede en generel metode til at vælge hyperparametre ved direkte at måle bias og varians i gradienter.

Todor Markov fokuserede på at evaluere fremkomsten af færdigheder i multiagent-miljøer og undersøgte, hvordan transfer learning fungerer, når en agent trænet i et multiagent-miljø skal lære nye opgaver.

Billedgenerering og robotik

Mark Chen arbejdede med at skalere image transformers til at generere sammenhængende billeder i høj opløsning, mens Lei Zhang fra robotics-teamet studerede en transfer-metrik, der kan forudsige, hvordan en RL-politik trænet i simulation vil præstere på en fysisk robot.

Mikhail Pavlov fra hardware-teamet udviklede teknikker til at lære sparsity-mønstre i dybe neurale netværk og viste, at sparse modeller er mere parametereffektive end tætte netværk.

Alle seks blev fastansat

OpenAI var så imponeret over Fellows’ arbejde, at alle seks blev tilbudt fuldtidsstillinger i virksomheden. Programmet fortsætter med at acceptere ansøgninger til kommende runder, og OpenAI har også frigivet dele af deres introduktionskurriculum som open source-materiale kaldet “Spinning up in Deep RL” for at uddanne flere mennesker inden for maskinlæring.

Share This Article
Ingen kommentarer

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *