Waarom is niet het gebied van de kunstmatige intelligentie gemaakt, het equivalent van de menselijke intelligentie? Is het omdat het probleem, en de kunstmatige algemene intelligentie,” is het niet goed begrepen, of omdat we moeten gewoon veel snellere computers, specifiek quantum computers?
De laatste is de bron van een levendig gebied van onderzoek, “Quantum Machine Learning” of QML.
Maar een beetje scepsis is geboden.
“We moeten kijken door een sceptisch oog op het idee dat de dingen sneller en daarom kan maken van machine learning vooruitgang,” zegt Jennifer Fernick, hoofd engineering bij NCC Group, een cyber-security bedrijf gevestigd in Manchester, verenigd koninkrijk
Fernick was een van de keynote sprekers een week geleden bij de O ‘ Reilly A. I.-conferentie in New York. Ze ging zitten deze week te vertellen ZDNet waarom ze sceptisch over de hype die is ontstaan in de koppeling van quantum en A. I.
“Als we nu kijken naar werk in QML, mensen zijn aan het experimenteren met dingen zoals, kunnen wij het bouwen van een Support Vector Machine (SVM) of een Boltzmann-Machine — bouwen we deze bestaande canonieke ‘machine learning’ – modellen — in de quantum machine,” merkt Fernick. Ze verwijst naar twee oudere modellen van machine learning die ontstond in de jaren 1990, voorafgaand aan de huidige deep learning systemen.
Recente quantum werk in het versnellen van machine learning “cool,” zegt Jennifer Fernick, hoofd van de engineering voor cybersecurity stevige OPENER Groep, “maar niet noodzakelijkerwijs inherent een revolutie in A. I.”
NCC Group.
×
jennifer-fernick-headshot.png
“Dat is cool”, zegt ze, “maar het is niet per definitie een revolutie voor A. I.”
Inderdaad, recent onderzoek door IBM heeft geprobeerd om aan te tonen dat zelfs vandaag de dag eenvoudig quantum systemen, zoals een 2-qubit model, theoretisch kan het goed gaan, dan wat “klassieke” computers en met de stroom van elektronen kan berekenen.
Ook: IBM AI demonstratie genoeg voor een grote killer app?
De IBM werken is een onderdeel van een recente rage te vinden gebruikt voor quantum computing voor grote systemen zijn commercieel haalbaar is. De trends is bekend als “ondiep quantum circuits,” ook wel aangeduid als “Ruis Intermediate State Quantum-Apparaten” of “NISQ.”
Echter, pogingen in NISQ om de snelheid van een ondiepe machine learning taak, zoals SVM of Boltzmann Machines, kunnen niet echt worden het bereiken van veel, ze weerspiegelt.
“Quantum computing kan bepaalde dingen sneller als de onderliggende wiskunde heeft een structuur die is beschikbaar via quantum en wij hebben het recht quantum algoritmes,” zegt ze. “Voordat we springen op de bandwagon, moeten wij vragen, Wat zijn de echte innovaties op het gebied van algoritmische?”
In het geval van cryptografie, een van Fernick de aandachtsgebieden als security specialist, quantum computing “het is duidelijk de moeite waard,” zegt ze.
Een quantum computer kan maken triviale de werking van de “ontbinden in factoren” een gegeven getal in de component van de priemgetallen waar een klassieke computer zou het onmogelijk vinden.
Ook: Intel biedt AI doorbraak in quantum computing
“Voor machine learning, heb ik het gevoel dat we vertaalden dat hetzelfde enthousiasme cryptoanalyse, maar er is niet eens de theoretische demonstratie die we te hebben die dezelfde impact,” zegt Fernick.
Fernick de scepsis vindt inspiratie in het relatief jonge vakgebied van de computationele complexiteit theorie. In het bijzonder, ze is gecharmeerd van het werk van het Massachusetts Institute of Technology Scott Aaronson, die is associate professor in de elektrotechniek en informatica.
Aaronson, wie Fernick acht van de meest interessante wiskundige leven, heeft erop gewezen dat gewoon kunnen versnellen computing van een leren model in A. I. niet de sleutel tot de kunstmatige algemene intelligentie. Is het het geval dat het simuleren van een menselijke geest is een bewerking waarvoor een exponentiële computing tijd, of is het niet? vraagt hij. Als het was, het kan zijn dat de snelheid van quantum zou echt een voordeel.
Volgens Aaronson, is er geen “kinderlijk true” of “kinderlijk false” dat het simuleren van een menselijk brein is een exponentieel moeilijk computing werking. Dat betekent dat het niet duidelijk dat AGI is het soort van “inefficiënt” operatie in de klassieke computing waar quantum kan krijgen.
Integendeel, Arronson houdt, kan het in feite het geval dat er iets gaande is in de geest dat is haalbaar in “polynomiale tijd,” een minder veeleisende vorm van berekenen dan de exponentiële tijd. Als Aaronson schreef in 2011 het papier, het is mogelijk software die kunnen beschrijven van de geest is “een compacte, efficiënte computer programma’ dat ‘ bevat afbeeldingen van abstracte concepten, mogelijkheden voor leren en redeneren, en allerlei andere interne meubels die we zouden verwachten te vinden in een geest.”
Ook: AI-pionier Sejnowski, zegt alles over het verloop
Dat de observatie, dat het recht AGI kan worden rekenkundig minder veeleisend, niet meer in overeenstemming is met Fernick de instincten.
“Vaak is de revolutie die we misschien op zoek naar de in A. I. wordt niet een kleine snelheid op een bestaand probleem dat we misschien nu al wel efficiënt.”
Dingen zoals het bouwen van een quantum SVM zijn “cool”, maar niet noodzakelijkerwijs inherent een revolutie in A. I. Het betekent niet dat we opeens een stuk beter ML.”
Fernick de eigen carrière werd geïnspireerd door dergelijke vragen van wat efficiënt is berekenbaar. “Ik haatte computers in mijn late tienerjaren,” zegt ze, zijn voorkeur voor het gebied van de neurowetenschappen. Dat veranderde toen ze volgde een opleiding in computers als een undergrad aan de Universiteit van Toronto.
“Ik had een geweldige professor, Diane Horton,” herinnert ze zich. “Op de laatste dag van de klas, als ze leggen papieren weg, zei ze tegen me, ‘als je studeert computer science, er zijn enkele onderwerpen die je zou kunnen krijgen blootgesteld aan, en de een is dat er dingen zijn die niet computable voor de hitte dood van het universum.”
De complexiteit van het berekenen gaat terug tot de vroege dagen van zowel informatica en A. I.
“In het begin van de A. I. beoefenaars waren beginnen te vertellen wat ze aan het doen waren met computational hardheid,” Fernick zegt van werk in de jaren 1940 en 1950 op symbolische logica met betrekking tot cognitie.
“Dat is niet zo dominant thema in de laatste paar decennia in computer science,” constateert ze. Nu, “het is tijd om te beginnen met de vraag die echt diepe vragen nog maar eens,” zegt Fernick.
Als voor quantum zelf, de plek om te kijken, zegt Fernick, af te leiden of het een voordeel, in A. I. of iets anders, is een 2013 papier in het tijdschrift Science, door de onderzoekers M. H. Devoret en R. J. Schoelkopf. Ze stellen de zeven “mijlpalen” waaraan moet worden voldaan voor engineering quantum systemen.
Moet lezen
Wat is AI? Alles wat je nodig hebt om knowWhat is diep leren? Alles wat je nodig hebt om knowWhat is van ‘machine learning’? Alles wat je nodig hebt om knowWhat is cloud computing? Alles wat je moet weten
‘De kern van het inzicht van dat papier — de één vond ik het meest interessante is dat het echt niet het aantal qubits die we hebben, zeg, 100 versus 110 qubits, maar wat onder die zeven mijlpalen, die de technische problemen hebben we opgelost?” Fernick zegt.
Op de top van de stapel van zeven mijlpalen, ver van het veld van de hedendaagse NISQ, zijn de quantum algoritmes die uiteindelijk zal rijden het gebruik van logische poorten van qubits.
De wetenschap “nog steeds erg in de kinderschoenen van quantum algoritmes,” merkt Fernick. “Het is heel naïef om te denken dat de quantum algoritmes die we nu hebben zijn we enthousiast over 20 jaren van nu.”
Deze nog onontdekte algoritmen zijn waarschijnlijk een betere plek om te zoeken naar een quantum A. I. krijgen. Muzen Fernick, “Zou het niet meer interessant om te exploiteren die quantum fysische eigenschappen in een geheel nieuwe manier om algoritmen die heel anders zijn?”
Kunstmatige Intelligentie
LG om robots te ontwikkelen voor restaurants
Het schalen van Agile, de vaststelling van AI: Hoe Intel is het maken van een strategisch onderdeel van de business
Uber vs. Lyft: Hoe de rivalen aanpak cloud -, AI -, machine learning
Google trekt de stekker op AI ethiek groep slechts een paar weken na aanvang
Spel der Tronen: AI voorspelt, die leeft en sterft (CNET)
Hoe maak AI ethiek een van de prioriteiten van uw bedrijf (TechRepublic)
Verwante Onderwerpen:
IBM
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software