Varför har inte området artificiell intelligens skapat motsvarande mänsklig intelligens? Är det på grund av problemet, “artificiell generell intelligens,” inte förstått, eller är det för att vi bara behöver mycket snabbare datorer, speciellt kvantdatorer?
Den senare uppfattningen är källan till ett levande forskningsområde, “Quantum Machine Learning”, eller QML.
Men en bit av skepsis är befogad.
“Vi måste titta igenom en skeptisk blick på idén att quantum gör saker snabbare och kan därför inte göra maskininlärning förskott, säger Jennifer Fernick, teknisk chef på NCC-Koncernen, en cyber-bevakningsföretag baserat i Manchester, STORBRITANNIEN
Fernick var huvudtalare för en vecka sedan på the O ‘ Reilly A. I. konferens i New York. Hon satte sig ner i veckan för att berätta ZDNet varför hon är skeptisk till all hype som ska växa fram i anslutning av quantum och A. I.
“Just nu, om vi ser på arbete i QML, människor är att experimentera med sådant som vi kunde bygga en Support Vector Machine (SVM) eller en Boltzmann Machine — kan vi bygga dessa befintliga vedertagna modeller — i quantum maskinen, konstaterar Fernick. Hon hänvisar till två äldre modeller av maskininlärning som växte fram under 1980-och 1990-talet, innan dagens djupt lärande system.
Senaste quantum arbete i att snabba upp maskininlärning är “cool”, säger Jennifer Fernick, teknisk chef för it-företaget NCC-Koncernen”, men inte nödvändigtvis i sig en revolution i A. I.”
NCC-Koncernen.
×
jennifer-fernick-headshot.png
Ja, den senaste tidens forskning som IBM har försökt visa att även dagens enkla kvantmekaniska system, såsom en 2-qubit modell, kan teoretiskt gå utöver vad som är en “klassisk” – datorer som använder flödet av elektroner kan beräkna.
Dessutom: Är IBM: s AI demonstration nog för en quantum killer-app?
IBM arbete är en del av en nyligen vurm för att hitta användningsområden för quantum computing innan stora system som är kommersiellt gångbart. De trender som är känd som “ytlig kvantkretsar” även kallad “Bullriga Mellanliggande Skala Quantum Devices” eller “NISQ.”
Men försök i NISQ för att snabba upp ett ytligt lärande uppgift, som SVM eller Boltzmann Maskiner, kan inte riktigt nå mycket, hon reflekterade.
“Quantum computing kan göra vissa saker snabbare om den underliggande matematik har en struktur som kan utnyttjas via quantum och vi har rätt kvantalgoritmer”, säger hon. “Innan vi hoppar på tåget, vi måste fråga oss, Vad som är sant algoritmisk innovationer?”
I fall av kryptografi, en av Fernick s fokusområden som en säkerhetsspecialist, quantum computing är “klart värt det, säger hon.
En kvantdator kan göra triviala driften av “factoring” ett visst antal i dess olika primtal där en klassisk dator skulle tycka att det var omöjligt.
Också: Intel erbjuder AI genombrott i quantum computing
“För maskininlärning, jag känner att vi har översatt samma entusiasm med kryptoanalys, men det är inte ens den teoretiska bevis på att vi kommer att ha samma effekt, säger Fernick.
Fernick s skepsis finner inspiration i den relativt unga området beräkningskomplexitet teori. I synnerhet som hon är förälskad i arbetet med Massachusetts Institute of Technology ‘ s Scott Aaronson, som är biträdande professor i elektroteknik och datavetenskap.
Aaronson, som Fernick anser vara de mest intressanta matematiker vid liv, har påpekat att bara kunna snabba upp beräkningar av ett visst lärande modell i A. I. kan inte vara nyckeln till artificiell generell intelligens. Är det så att simulera ett mänskligt sinne är en operation som kräver exponentiell computing tid, eller är det inte? frågar han. Om det var, det kan vara så att den hastighet-upp från quantum skulle verkligen vara en fördel.
Enligt Aaronson, det är varken “trivialt sant” eller “trivialt false;” att simulera den mänskliga hjärnan är en exponentiellt svårt att beräkna drift. Det innebär att det inte är tydligt att AGI är den typ av “ineffektiv” operation i klassisk design där quantum kan få.
Tvärtom, Arronson innebär att det kan i själva verket vara så att något är på gång i åtanke att det är möjligt att nå i “polynomisk tid,” en mindre krävande form beräkna än exponentiell tid. Som Aaronson skrev i ett 2011 papper, det är möjligt programvara som kan beskriva sinnet är “en kompakt, effektiv dator program” som “innehåller representationer av abstrakta begrepp, kapacitet för lärande och resonemang, och alla möjliga andra interna möbler som vi skulle förvänta sig att hitta i en tanke.”
Också: AI pionjär Sejnowski säger att det handlar om gradient
Den observationen, att rätt AGI kan vara beräkningsmässigt mindre krävande, inte mer, överensstämmer med Fernick s instinkter.
“Ofta den revolution vi kan vara ute efter i A. I. är inte en mindre hastighet-upp av ett befintligt problem vi redan kan göra på ett effektivt sätt.”
Saker som att bygga ett stort SVM är “cool, men inte nödvändigtvis i sig en revolution i A. I. Det betyder inte att vi plötsligt kommer att få en mycket bättre ML.”
Fernick egen karriär var inspirerad av sådana frågor om vad som är effektivt är beräkningsbar. “Jag hatade datorer i mina sena tonår, säger hon, utan föredrar det neurovetenskapliga området. Det förändrades när hon tog en kurs i datorer som en undergrad vid University of Toronto.
“Jag hade en underbar professor, Diane Horton”, minns hon. “På den sista dagen av klass, som hon var att sätta papper bort, sade hon till mig,” om du studerar datavetenskap, finns det några ämnen som du kan bli utsatt för, och en är att det finns saker som inte är beräkningsbar innan värmen död i universum.”
Komplexiteten i att beräkna går tillbaka till början av både datavetenskap och A. I.
“Mycket tidigt A. I. utövare börjar berätta hur de gjorde för att computational hårdhet,” Fernick säger om att arbeta på 1940-talet och 1950-talet på symbolisk logik när det gäller kognition.
“Det har inte varit så dominerande tema under de senaste decennierna i datavetenskap,” konstaterar hon. Nu, “det är dags att börja ställa de riktigt djupa frågorna ännu en gång, säger Fernick.
För quantum själv, på plats för att titta, säger Fernick, för att bestämma om det kommer att ha någon nytta, i A. I. eller något annat, är en 2013 papper i tidskriften Science av forskare M. H. Devoret och R. J. Schoelkopf. De föreslår sju “milstolpar” som måste vara uppfyllda för teknik kvantsystem.
Måste läsa
Vad är AI? Allt du behöver för att vetavad är djupt lärande? Allt du behöver för att vetavad är lärande? Allt du behöver för att vetavad är cloud computing? Allt du behöver veta
“Den centrala insikten från att papper — det som jag fann mest intressanta — är att det är egentligen inte antalet qubits som vi har, säg, 100 jämfört med 110 qubits, utan snarare, vad bland de sju milstolparna, som tekniska problem har vi löst?” Fernick säger.
På toppen av högen av sju milstolpar, långt från det område som idag är NISQ, är kvantalgoritmer som i slutändan kommer driva användningen av logiska grindar av qubits.
Vetenskap är “fortfarande mycket tidigt i kvantalgoritmer, konstaterar Fernick. “Det är väldigt naivt att tro att kvantalgoritmer vi har nu är vad vi kommer att bli upphetsad om 20 år från nu.”
De som fortfarande oupptäckta algoritmer är nog ett bättre ställe att leta efter en quantum A. I. vinst. Muserna Fernick, “Skulle det inte vara mer intressant att utnyttja dessa quantum fysikaliska egenskaper på ett helt nytt sätt att göra algoritmer som är mycket annorlunda?”
Artificiell Intelligens
LG att utveckla robotar för restauranger
Skalning Agile, anta AI: Hur Intel är att göra DET till en strategisk del av verksamheten
Über vs Lyft: Hur rivaler strategi moln, AI, maskininlärning
Google drar pluggen på AI etik grupp bara några veckor efter starten
Game of Thrones: AI förutspår vem som lever och dör (CNET)
Hur man gör AI etik med prioritet på ditt företag (TechRepublic)
Relaterade Ämnen:
IBM
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem