Hvorfor har jeg ikke det inden for kunstig intelligens skabt svarer til den menneskelige intelligens? Er det fordi problemet, “kunstig generel intelligens,” er det ikke godt forstået, eller er det fordi, vi bare har brug for langt hurtigere computere, specielt quantum computere?
Sidstnævnte opfattelse er kilden til et dynamisk felt af forskning, “Quantum Machine Learning” eller BRUGERDOKUMENTATION.
Men en smule skepsis er berettiget.
“Vi er nødt til at se gennem et skeptisk øje på den idé, at quantum gør tingene hurtigere og derfor kan gøre machine learning fremskridt,” siger Jennifer Fernick, head of engineering hos NCC-Koncernen, en cyber-sikkerhed firma med base i Manchester, UK.
Fernick var en keynote speaker for en uge siden på O ‘ Reilly A. I. konference i New York. Hun satte sig ned for denne uge for at fortælle ZDNet, hvorfor hun er skeptisk over for al den hype, der er nye i bindingen af quantum og A. I.
“Lige nu, hvis vi ser på arbejde i BRUGERDOKUMENTATION, mennesker eksperimenterer med ting, som vi kunne bygge en Support Vektor Maskine (SVM) eller en Boltzmann Maskine — kan vi bygge videre på disse eksisterende kanoniske machine learning-modeller — i quantum maskine,” bemærker Fernick. Hun henviser til to ældre modeller af machine learning, der opstod i 1980’erne og 1990’erne, forud for dagens dyb læring.
De seneste quantum arbejde med at fremskynde machine learning er “cool,” siger Jennifer Fernick, head of engineering for cybersikkerhed virksomheden NCC-Koncernen, “men ikke nødvendigvis i sig selv en revolution i A. I.”
NCC-Koncernen.
×
jennifer-fernick-headshot.png
Ja, den seneste forskning, som IBM har forsøgt at vise, at selv i dag er simple kvantemekaniske systemer, såsom et 2-bendt model, teoretisk kan gå langt ud over, hvad der er “klassiske” computere ved hjælp af strømmen af elektroner kan beregne.
Også: Er IBM ‘ s AI demonstration nok til et afgørende killer-app?
IBM arbejde er en del af de seneste dille i at finde anvendelsesmuligheder for quantum computing, før store systemer er kommercielt levedygtige. De tendenser, der er kendt som “lille quantum kredsløb,” også refereret til som “Støjende Mellemliggende Skala Quantum Devices” eller “NISQ.”
Men forsøg i NISQ til at fremskynde en lavvandet machine learning opgave, som SVM eller Boltzmann Maskiner, kan ikke rigtig nå meget, hun har afspejlet.
“Quantum computing kan gøre visse ting hurtigere, hvis den underliggende matematik har en struktur, der kan udnyttes via quantum, og vi har ret quantum algoritmer,” siger hun. “Før vi hoppe med på vognen, er vi nødt til at spørge, Hvad er den sande algoritmisk innovationer?”
I tilfælde af kryptografi, en af Fernick ‘ s fokusområder, som en sikkerhed specialist, quantum computing er “klart det værd,” siger hun.
En kvante-computer kan gøre trivielle driften af “factoring” et givet antal i dets forskellige primtal, hvor en klassisk computer ville finde det umuligt.
Også: Intel tilbyder AI gennembrud i quantum computing
“For machine learning, jeg føler, at vi har oversat det samme entusiasme med kryptoanalyse, men der er ikke engang den teoretiske bevis på, at vi kommer til at have samme effekt,” siger Fernick.
Fernick ‘ s skepsis finder inspiration i den relativt unge området beregningsmæssig kompleksitet teori. I særdeleshed, hun er begejstret for det arbejde, Massachusetts Institute of Technology ‘ s Scott Aaronson, der er lektor i elektroteknologi og datalogi.
Aaronson, hvem Fernick finder de mest interessante matematiker i live, har påpeget, at der simpelthen bliver i stand til at fremskynde design af et givet lærings model i A. I. kan ikke være nøglen til kunstig generelle intelligens. Er det tilfældet, at simulere et menneskes sind er en operation, der kræver eksponentiel computing tid, eller er det ikke? spørger han. Hvis det var, kunne det være tilfældet, at den hastighed-op fra quantum ville virkelig være en fordel.
Ifølge Aaronson, at det hverken er “trivielt sandt” eller “trivielt false” at simulere en menneskehjerne er en eksponentielt svært computing drift. Det betyder, at det ikke er klart, at AGI er den slags “ineffektive” operation i klassisk design, hvor quantum kan få.
Tværtimod, Arronson indebærer, kan det faktisk være sådan, at noget, der foregår i sindet, der er opnåelige i “polynomiel tid,” en mindre krævende form af compute end eksponentiel tid. Som Aaronson skrev i et 2011-papir, det er muligt software, der kan beskrive tankerne er “en kompakt, effektiv computer program”, der “omfatter repræsentationer af de abstrakte begreber, evne til indlæring og argumentation, og alle mulige andre interne møbler, som vi ville forvente at finde i et sind.”
Også: AI pioneer Sejnowski siger, at det handler om gradienten
Denne observation, at den rigtige AGI kan være beregningsmæssigt mindre krævende, og ikke mere, er i overensstemmelse med Fernick s instinkter.
“Ofte, at den revolution, som vi kan være på udkig efter i A. I. er ikke en mindre hastighed-op af et eksisterende problem, som vi måske allerede kan gøre det effektivt.”
Ting såsom bygge en kvantecomputer SVM er “cool, men ikke nødvendigvis i sig selv en revolution i A. I. Det betyder ikke, at vi pludselig får en meget bedre ML.”
Fernick sin egen karriere var inspireret af sådanne spørgsmål om, hvad der er effektivt beregnelige. “Jeg hadede computere i mine sene teenageår,” siger hun, men inden for neurovidenskab. Det ændrede sig, da hun tog et kursus i computere, som en bachelorstuderendes ved University of Toronto.
“Jeg havde en vidunderlig professor, Diane Horton,” husker hun. “På den sidste dag i klassen, som hun var ved at lægge papirer væk, sagde hun til mig:” hvis du holder studere datalogi, er der nogle emner, du kan blive udsat for, og den ene er, at der er ting, der er ikke beregnelige, før varmen død af universet.”
Kompleksiteten af beregne går tilbage til de tidlige dage af både datalogi og A. I.
“Meget tidligt A. I. praktiserende læger var begyndt at fortælle, hvad de gjorde for at beregningsmæssige hårdhed,” Fernick siger arbejde i 1940’erne og 1950’erne på symbolske logik, som det vedrører kognition.
“Der har ikke været så dominerende et tema i de sidste par årtier i computer science,” konstaterer hun. Nu, “er det tid til at begynde at spørge dem, der virkelig dybt spørgsmål endnu igen,” siger Fernick.
Som for quantum sig selv, er dette stedet at se, siger Fernick, at udlede, om det vil have nogen fordel, A. I. eller noget andet, er en 2013-papir i tidsskriftet Science af forskere M. H. Devoret og R. J. Schoelkopf. De foreslår syv “milepæle”, der skal være opfyldt, for quantum systems engineering.
Skal læse
Hvad er AI? Alt hvad du behøver for at knowWhat er dyb læring? Alt hvad du behøver for at knowWhat er machine learning? Alt hvad du behøver for at knowWhat er cloud computing? Alt, hvad du behøver at vide
“Den centrale indsigt fra, at papir — den jeg fandt mest interessante — er, at det er virkelig ikke antallet af qubits, som vi har, siger, 100 versus 110 qubits, men snarere, hvad der blandt de syv delmål, som tekniske problemer, har vi løst?” Fernick siger.
Øverst i stakken af syv milepæle, langt fra det område af nutidens NISQ, er quantum algoritmer, der i sidste ende vil drive anvendelse af logiske gates af qubits.
Videnskab er “i høj grad stadig er i sin vorden quantum algoritmer,” bemærker Fernick. “Det er meget naivt at tro, at quantum algoritmer, vi har nu, er, hvad vi vil være glade for om 20 år fra nu.”
De, der stadig er ukendt algoritmer er nok et bedre sted at lede efter en quantum A. I. gevinst. Muserne Fernick, “Ville det ikke være mere interessant at udnytte dem, kvante fysiske egenskaber på en helt ny måde at lave algoritmer, der er meget anderledes?”
Kunstig Intelligens
LG til at udvikle robotter til restauranter
Skalering Agile, vedtagelse af AI: Hvordan Intel er ved at gøre DET til en strategisk del af forretningen
Uber vs. Lyft: Hvordan rivaler tilgang cloud, AI, machine learning
Google trækker stikket på AI etik gruppe kun et par uger efter starten
Game of Thrones: AI bestemmer hvem der lever og dør (CNET)
Hvordan til at gøre AI-etik til en prioritet på din virksomhed (TechRepublic)
Relaterede Emner:
IBM
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software