Perché non è il campo dell’intelligenza artificiale, creato l’equivalente dell’intelligenza umana? Perché il problema, “artificiale l’intelligenza generale,” non è capita, o è perché abbiamo solo bisogno di molto più velocemente computer, in particolare i computer quantistici?
La seconda ipotesi è la fonte di una vivace campo di ricerca, “Quantum Machine Learning”, o QML.
Ma un po ‘ di scetticismo è giustificato.
“Abbiamo bisogno di guardare attraverso lo scettico all’idea che il quanto rende le cose più velocemente e quindi può fare di apprendimento automatico e anticipazioni”, dice Jennifer Fernick, il capo del dipartimento di ingegneria NCC group, un Gruppo di cyber-sicurezza ditta con sede a Manchester, regno UNITO
Fernick è stato un keynote speaker di una settimana fa alla O’Reilly A. I. conferenza a New York. Lei si sedette questa settimana per dire ZDNet perché lei è scettico su tutto l’hype che sta emergendo nell’abbinamento di quantum e A. I.
“Ora, se guardiamo al lavoro in QML, le persone stanno sperimentando con le cose come, possiamo costruire una Support Vector Machine (SVM) o una Macchina di Boltzmann — possiamo costruire queste esistente canonica di apprendimento automatico di modelli in quantum macchina”, osserva Fernick. Si riferisce a due vecchi modelli di machine learning che è emerso negli anni 1980 e 1990, prima di oggi profondo sistemi di apprendimento.
Recenti quantum di lavoro per accelerare l’apprendimento automatico è “cool”, dice Jennifer Fernick, testa di ingegneria per la sicurezza informatica ditta di NCC di Gruppo, “ma non necessariamente di per sé una rivoluzione in A. I.”
NCC Group.
×
jennifer-fernick-headshot.png
Infatti, una recente ricerca da parte di IBM ha cercato di dimostrare che, anche oggi, più semplice di sistemi quantistici, come un 2-qubit modello, in teoria, può andare ben al di là di ciò che la “classica” computer utilizzando il flusso di elettroni in grado di calcolare.
Anche: IBM AI dimostrazione sufficiente per un quantum killer app?
IBM lavoro è parte di un recente mania per trovare usi per la computazione quantistica prima di sistemi di grandi dimensioni, sono commercialmente valida. Il trend è noto come “superficiale circuiti quantistici,”, denominato anche il “rumore di fondo Scala Intermedia Dispositivi Quantistici,” o “NISQ.”
Tuttavia, i tentativi in NISQ per velocizzare un poco profondo macchina compito di apprendimento, come la SVM o Macchine di Boltzmann, non può davvero essere il raggiungimento di molto, pensò.
“Quantum computing può fare certe cose è più veloce, se la matematica sottostante ha una struttura che è sfruttabile via quantistica e abbiamo il diritto di algoritmi quantistici”, dice. “Prima di saltare sul carro, abbiamo bisogno di chiedere, che Cosa sono il vero algoritmico innovazioni?”
In caso di crittografia, una delle Fernick aree di intervento come uno specialista di sicurezza informatica quantistica è “chiaramente vale la pena”, dice.
Un computer quantistico può rendere banale l’operazione di “factoring” a un dato numero nella sua componente numeri primi in cui un computer classico sarebbe impossibile.
Anche: Intel offre AI svolta nel quantum computing
“Per l’apprendimento automatico, mi sento come abbiamo tradotto lo stesso entusiasmo con la crittanalisi, ma non c’è nemmeno la dimostrazione teorica che stiamo andando ad avere lo stesso impatto”, dice Fernick.
Fernick lo scetticismo del trova ispirazione nel relativamente giovane campo della teoria della complessità. In particolare, lei è innamorato di lavoro del Massachusetts Institute of Technology Scott Aaronson, che è professore associato di ingegneria elettrica e informatica.
Aaronson, che Fernick ritiene più interessanti matematico vivente, ha sottolineato che semplicemente essere in grado di velocizzare il calcolo di un determinato modello di apprendimento in A. I. non può essere la chiave di artificiale intelligenza in generale. È il caso che la simulazione di una mente umana è un’operazione che richiede esponenziale del tempo di elaborazione, o no? egli chiede. Se lo fosse, ci potrebbe essere il caso che l’accelerazione da quantum sarebbe effettivamente essere un vantaggio.
Secondo Aaronson, non è né “banalmente vero”, né “banalmente falso” che simulare un cervello umano è una esponenzialmente difficile operazione di computing. Ciò significa che non è chiaro che l’AGI è il tipo di “inefficiente” operazione classica di calcolo dove quantistica può guadagnare.
Al contrario, Arronson implica in effetti potrebbe essere il caso che qualcosa sta succedendo nella mente che è realizzabile in “tempo polinomiale,” meno esigente forma di calcolare quanto tempo esponenziale. Come Aaronson scritto in un 2011 di carta, è possibile che il software in grado di descrivere la mente è “un compatto, efficiente programma per computer” che “comprende le rappresentazioni di concetti astratti, capacità di apprendimento e di ragionamento, e ogni sorta di altri arredi interni che ci si aspetterebbe di trovare in una mente.”
Inoltre: AI pioneer Sejnowski dice che è tutto merito del gradiente
Che osservazione, che il diritto AGI potrebbe essere computazionalmente meno esigenti, non di più, accordi con Fernick istinti.
“Spesso, la rivoluzione si potrebbe essere alla ricerca di A. I. non è una minor velocità di un problema che si potrebbe già fare in modo efficiente.”
Cose come la costruzione di un quantum SVM sono “cool, ma non necessariamente di per sé una rivoluzione in A. I. non significa Che non ci sarà improvvisamente ottenere un molto meglio di ML.”
Fernick propria carriera è stato ispirato da tali domande, di ciò che è calcolabile in modo efficiente. “Ho sempre odiato i computer nella mia tarda adolescenza,” dice, preferendo campo delle neuroscienze. Questo è cambiato quando ha preso un corso di computer come un undergrad presso l’Università di Toronto.
“Ho avuto una splendida professore, Diane Horton,” ricorda. “L’ultimo giorno di classe, come lei stava mettendo i fogli di distanza, mi ha detto, ‘se continuare a studiare informatica, ci sono alcuni argomenti che si potrebbe ottenere esposti, e uno di questi è che ci sono cose che non sono computabili prima che il calore morte dell’universo.”
La complessità di calcolo risale ai primi giorni della facoltà di scienze informatiche e A. I.
“Molto presto A. I. praticanti hanno iniziato a raccontare ciò che stava facendo per computazionale durezza,” Fernick dice di lavorare nel 1940 e 1950 sulla logica simbolica, come si riferisce alla cognizione.
“Che non è stato un tema dominante negli ultimi due decenni in computer science”, osserva. Ora, “è il momento di iniziare a porre tali domande davvero profonde, ancora una volta,” dice Fernick.
Come per il quantum, il luogo a guardare, dice Fernick, per dedurre se hanno alcun vantaggio, in A. I. o qualsiasi altra cosa, è un 2013 di carta sulla rivista Science dai ricercatori M. H. Devoret e R. J. Schoelkopf. Essi propongono sette “pietre miliari” che devono essere soddisfatte per l’ingegneria dei sistemi quantistici.
Deve leggere
Che cosa è l’IA? Tutto il necessario per knowWhat è profondo apprendimento? Tutto il necessario per knowWhat è la macchina di apprendimento? Tutto il necessario per knowWhat è il cloud computing? Tutto quello che devi sapere
“Il core sguardo da quella carta e quella che ho trovato più interessante è che in realtà non è il numero di qubit che abbiamo, diciamo, 100 contro 110 qubits, ma piuttosto, ciò che tra quei sette pietre miliari, che di problemi di ingegneria, abbiamo risolto?” Fernick, dice.
In cima alla pila di sette tappe, lontano dal campo di oggi NISQ, sono gli algoritmi quantistici che porterà l’uso del pensiero logico porte di qubit.
La scienza è “ancora molto nell’infanzia di algoritmi quantistici”, osserva Fernick. “E’ molto ingenuo pensare che il quantum algoritmi per noi e per quello che ci sarà entusiasta di 20 anni da oggi.”
Quelle ancora da scoprire algoritmi sono probabilmente un posto migliore per cercare un quantum A. I. guadagno. Muse Fernick, “non Sarebbe più interessante per sfruttare quei fisica quantistica proprietà in un modo completamente nuovo di fare gli algoritmi che sono molto diversi?”
Intelligenza Artificiale
LG per sviluppare robot per ristoranti
Scala Agile, adottando AI: Come Intel sta facendo una parte strategica del business
Uber contro Lyft: Come i rivali approccio cloud, l’intelligenza artificiale, machine learning
Google tira la spina AI etica di gruppo solo poche settimane dopo la nascita
Game of Thrones: AI predice chi vive e chi muore (CNET)
Come fare AI etica una priorità alla vostra azienda (TechRepublic)
Argomenti Correlati:
IBM
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software