به گزارش کارگروه فناوری اطلاعات سایبربان ؛ شرکت اینتل در حال قدرت بخشی به ربات‌های نورومورفیک «AKA» هست؛ ربات‌هایی که قدرت یادگیری در مورد اشیاء را دارند و در واقع، گامی جالب در زمینه هوش مصنوعی به حساب می‌روند.
پیش از توضیح این ربات به توضیح نورومورفیک (neuromorphic) می‌پردازیم. کامپیوتر‌ها و یا تراشه‌های نورومورفیک، دستگاه‌هایی هستند که از سلول‌های عصبی مصنوعی فیزیکی (ساخته شده از سیلیکون) برای انجام محاسبات استفاده می‌کنند.
حال به توضیح آنچه که شرکت اینتل «رباتیک نورومورفیک» می‌نامد، می‌پردازیم: ربات‌های نورومورفیک، قادر هستند تا پس از تماشای یک شیء با چشمان خود (که معمولا دوربین و یا سنسور بینایی پویاست) حرکات سریع و تند چشمی درست کنند. این رویداد‌ها از طریق تراشه «Loihi» جمع آوری شده و به یک «شبکه عصبی اسپایکی» که به مانند مغز، اطلاعات و داده‌ها را جمع آوری می‌کند، داده می‌شود. «شبکه‌های عصبی اسپایکی»، در واقع شبکه‌های عصبی مصنوعی هستند که شباهت زیادی با شبکه‌های عصبی طبیعی دارند. اگر آن شیء یا صحنه، پیش از این در این شبکه عصبی ثبت نشده باشد، این رویداد به عنوان «ورودی جدید» ثبت می‌شود و اگر شناخته شده باشد، آن رویداد از سوی ربات تشخیص داده شده و به کاربر بازخورد داده می‌شود.
اگرچه این، مفهومی جدید به شمار نمی‌رود، اما تراشه «Loihi» شرکت اینتل قادر به حفظ و اضافه کردن حافظه با ۱۷۵ برابر انرژی کمتر از روش‌های متعارفی است که بر روی یک «سی پی یو» انجام می‌شود. این کار در همکاری میان اینتل با «مؤسسه فناوری ایتالیا» و «دانشگاه فنی مونیخ» با اجرای معماری یک شبکه عصبی اسپایکی روی یک تراشه «Loihi» محقق شده است.
شیوه یادگیری این ربات بدین شکل است که پس از مشاهده یک رویداد یا شیء، تراشه «Loihi» فرایند یادگیری را به تک لایه‌ای از «سیناپس‌های پلاستیکی» می‌سپارد و سپس نورون‌های جدیدی که به عنوان نمای اشیای متفاوت ثبت شده اند، بکار گرفته می‌شوند. این امر، به این ربات اجازه می‌دهد تا در حالی که با کاربر تعامل دارد، بتواند یاد بگیرد. در نتیجه ربات‌ها می‌توانند خاطراتی کارآمدتر از آنچه در حال حاضر است، خلق کنند.
«یولیا ساندامیرسکایا» پژوهشگر رباتیک در آزمایشگاه محاسباتی نورومورفیک شرکت اینتل در این باره می‌گوید: زمانی که انسان‌ها چیز جدیدی را یاد می‌گیرند، به آن نگاهی می‌اندازند؛ آن را می‌چرخانند و می‌پرسند: این چیست؟ انسان‌ها در صورتی که آن شیء را دوباره در هر شرایطی ببینند، تشخیص دهند. حال هدف ما این است تا شرایط مشابهی را برای آینده ربات‌هایی که در محیط‌هایی تعامل کار می‌کنند، فراهم کنیم و آن‌ها را برای سازگاری با شرایط پیش بینی نشده و نیز کار کردن در کنار انسان‌ها به شکلی طبیعی آماده کنیم.
