Дослідники з QuTech критично вдосконалили так званий «спіновий кубіт Андрєєва» і вважають, що він може стати головним кандидатом у пошуках ідеального кубіта. Новий тип кубітів створено більш надійним і внутрішньо стабільним способом порівняно з попередніми версіями шляхом поєднання переваг двох інших типів кубітів.
                                                  
На відміну від світу звичайних комп’ютерів, де біти базуються на добре відомих і надійних технологіях, ідеального кубіта ще не винайдено. Чи буде квантовий комп’ютер майбутнього містити кубіти, які базуються на надпровідних трансмон-кубітах (transmission line shunted plasma oscillation qubit — кубіт на коливаннях плазми, шунтований лінією передачі), спінових кубітах у кремнії, NV-центрах у алмазі чи, можливо, якесь інше квантове явище? Кожен тип кубіта має свої переваги та недоліки. Один більш стабільний, другий має вищу точність, а інші легше масово виробляти. Ідеального кубіта ще не існує.

У цій роботі дослідники з QuTech — співпраці між Делфтським технологічним університетом і TNO (Netherlands Organization for Applied Scientific Research) — разом із міжнародними співробітниками створили розумну комбінацію існуючих методів для зберігання квантової інформації.

Марта Піта-Відаль (Marta Pita-Vidal), співавтор, пояснює: «Двома найбільш перспективними типами є спінові кубіти в напівпровідниках і трансмон-кубіти в надпровідних схемах. Проте кожен тип має свої проблеми.

Наприклад, спінові кубіти малі й сумісні з поточною промисловою технологією, але їм важко взаємодіяти на великих відстанях. З іншого боку, трансмон-кубіти можна контролювати та ефективно зчитувати на великих відстанях, але вони мають вбудоване обмеження швидкості для операцій і є відносно великими. Вчені в цьому дослідженні прагнуть використати переваги обох типів кубітів, розробивши гібридну архітектуру, яка їх поєднує».
 
«У нашому експерименті нам вдалося безпосередньо маніпулювати обертанням кубіта за допомогою мікрохвильового сигналу, — каже Арно Баргербос (Arno Bargerbos), інший співавтор. - Ми досягли дуже високих «частот Рабі», що є показником того, наскільки швидко вони можуть контролювати кубіт. Далі вони вбудували цей «кубіт зі спіном Андрєєва» в надпровідний трансмон-кубіт, що дозволяє швидко вимірювати стан кубіта».

Дослідники охарактеризували час когерентності спінового кубіта Андрєєва, міру того, як довго кубіт може залишатися живим. Вони помітили, що на його «довговічність» впливає магнітне поле навколишніх матеріалів.

«Нарешті, — зауважив Баргербос, — ми продемонстрували перший прямий сильний зв’язок між спіновим кубітом і надпровідним кубітом, що означає, що вони могли змусити два кубіти взаємодіяти контрольованим способом. Це свідчить про те, що спіновий кубіт Андрєєва може стати ключовим елементом для з’єднання квантових процесорів на основі радикально різних кубітних технологій: напівпровідникових спінових кубітів і надпровідних кубітів».

Головний дослідник Крістіан Андерсен (Christian Andersen) відмітив, що поточний спін-кубіт Андрєєва ще не ідеальний. Йому ще потрібно продемонструвати багатокубітні операції, які необхідні для універсальних квантових комп’ютерів. Час когерентності також неоптимальний. Це можна покращити, використовуючи інший матеріал. На щастя, масштабованість кубітів є на одному рівні з напівпровідниковими кубітами. Це дає надію, що є можливість дійти до точки, коли створення квантових алгоритмів стане обмежуючим фактором, а не квантове обладнання.

Техніка кольорового кодування для отримання зображень у світловому полі має потенційне застосування в таких сферах, як автономне водіння, віртуальна реальність і біологічне зображення.

Дослідницька група факультету природничих наук Національного університету Сінгапуру (NUS) на чолі з професором Лю Сяоганом (Liu Xiaogang) з кафедри хімії розробила датчик 3D-зображення, який має надзвичайно високу кутову роздільну здатність, тобто здатність оптичного приладу розрізняти точки об'єкта, розділені невеликою кутовою відстанню 0,0018o. Цей інноваційний датчик працює на основі унікального принципу перетворення кута на колір, що дозволяє йому виявляти тривимірні світлові поля по всьому рентгенівському спектру у видиме світло.

Світлове поле охоплює сукупну інтенсивність і напрямок світлових променів, які людське око може обробити для точного визначення просторового співвідношення між об’єктами. Однак традиційні світлочутливі технології менш ефективні. Більшість камер, наприклад, можуть створювати лише двовимірні зображення, що достатньо для звичайної фотографії, але недостатньо для більш просунутих програм, включаючи віртуальну реальність, безпілотні автомобілі та біологічні зображення. Ці програми вимагають точної побудови тривимірної сцени конкретного простору. Наприклад, безпілотні автомобілі можуть використовувати зондування світлового поля, щоб переглядати вулиці та точніше оцінювати небезпеки на дорозі, щоб відповідно регулювати свою швидкість.

«Наразі детектори світлового поля використовують масив лінз або фотонних кристалів для отримання кількох зображень одного простору під різними кутами. Однак інтеграція цих елементів у напівпровідники для практичного використання є складною та дорогою, — пояснив професор Лю. - Звичайні технології можуть виявляти світлові поля лише в діапазоні довжин хвиль від ультрафіолетового до видимого світла, що призводить до обмеженої застосовності в рентгенівському зондуванні».

В основі нового датчика світлового поля лежать неорганічні нанокристали перовскіту – сполуки, які мають чудові оптоелектронні властивості. Завдяки своїм керованим наноструктурам нанокристали перовскіту є ефективними випромінювачами світла зі спектром збудження, який охоплює від рентгенівських променів до видимого світла.

Дослідники NUS нанесли кристали перовскіту на прозору тонкоплівкову підкладку та інтегрували їх у кольоровий пристрій із зарядовим зв’язком (ПЗЗ), який перетворює вхідні світлові сигнали у вихідні сигнали з кольоровим кодуванням. Ця кристалоконверторна система містить базовий функціональний блок датчика світлового поля.

Коли падаюче світло потрапляє на датчик, нанокристали збуджуються. У свою чергу, елементи перовскіту випромінюють власне світло різних кольорів залежно від кута, під яким падає вхідний світловий промінь. ПЗЗ фіксує випромінюваний колір, який потім можна використовувати для реконструкції 3D-зображення.

«Однак одного значення кута недостатньо, щоб визначити абсолютну позицію об’єкта в тривимірному просторі, – поділився д-р І Луїн (Yi Luying), науковий співробітник кафедри хімії NUS і перший автор статті. - Ми виявили, що додавання ще одного основного блоку кристалічного перетворювача перпендикулярно до першого детектора та поєднання його з розробленою оптичною системою може надати ще більше просторової інформації щодо об’єкта, про який йде мова».

Потім вони перевірили свій датчик світлового поля в експериментах з підтвердження концепції та виявили, що їхній підхід справді може створювати 3D-зображення — з точною реконструкцією глибини та розмірів — об’єктів, розташованих на відстані 1,5 метра.

Їхні експерименти також продемонстрували здатність нового датчика світлового поля розрізняти навіть дуже дрібні деталі. Наприклад, було створено точне зображення клавіатури комп’ютера, яке зафіксувало навіть неглибокі виступи окремих клавіш.

На рисунку показано конструкцію (ліворуч) і вихід (праворуч) 3D-датчика світлового поля. Розроблений пристрій (ліворуч) кодує світлове поле як вихідний колір. Масиви нанокристалів перовскіту з малюнком перетворюють різні напрямки світла на різні кольори, які можна виявити кольоровою камерою ПЗЗ. На правому зображенні показано реконструйоване 3D-зображення глибини моделі Merlion, створене камерою

В останні роки якість візуалізації в реальному часі наближається до рівня VFX (Visual Effects) і кіновиробництва, що породжує нові потужні робочі процеси, такі як віртуальне виробництво, які трансформують кіновиробництво. Ці покращення якості були досягнуті завдяки застосуванню методів, що використовуються в кінематографічному рендерингу, таких як фізичне затінення для фотореалістичного моделювання матеріалів, трасування променів і зменшення шуму для точного глобального моделювання.

Незважаючи на більшу конвергенцію методів візуалізації між кінематографічними програмами та програмами реального часу, робочі процеси створення вмісту залишаються значною мірою різними. Щоб обмежити розмір пам’яті, ігри часто використовують спеціалізовані практики для текстурування моделей, які можуть вимагати значних зусиль, наприклад, повторне використання вмісту через екземпляри, шарування плиткових матеріалів або використання процедурних ефектів. Незважаючи на ці зусилля, ігри зазвичай представляють розмиті, збільшені текстури поблизу камери. Крім того, деякі з цих методів не застосовуються до унікально параметризованого вмісту, наприклад фотограмметрії, використання якої є зростаючою тенденцією в сьогоднішніх іграх. Однією з головних перешкод для досягнення наступного рівня реалізму у візуалізації в реальному часі є обмеження пам’яті на диску, пропускної спроможності завантаження та розміру пам’яті.

У статті під назвою «Нейронне стиснення з довільним доступом текстур матеріалів» (NTC) NVIDIA представляє новий алгоритм стиснення текстур. Робота спрямована на зростання вимог до комп’ютерної пам’яті, яка тепер зберігає текстури високої роздільної здатності, а також багато властивостей і атрибутів, доданих до них, щоб відтворювати високоточні та природно виглядаючі матеріали.

Кажуть, що NTC забезпечує в 4 рази вищу роздільну здатність (на 16 текселів більше), ніж BC (блочне стиснення), яке є стандартним стисненням текстур на основі GPU, доступним у багатьох форматах. Алгоритм NVIDIA представляє текстури як тензори (три виміри), але без будь-яких припущень, як у блочному стисненні (таких, як кількість каналів). Єдине, що NTC передбачає, що кожна текстура має однаковий розмір.                                       

Довільний і локальний доступ є важливою особливістю NTC. Для стиснення текстур GPU надзвичайно важливо, щоб доступ до текстур був доступний за невелику вартість без затримки, навіть якщо застосовуються високі рівні стиснення. Це дослідження зосереджено на стисненні багатьох каналів і MIP-карт (MIP-карта — це послідовність текстур, кожна з яких є представленням того самого зображення з поступово нижчою роздільною здатністю). Таким чином, документ стверджує, що якість і бітрейт кращі, ніж у форматах JPEG XL або AVIF.

Постійний розвиток фотореалізму у візуалізації супроводжується зростанням обсягу текстурних даних і, як наслідок, зростаючими вимогами до сховища та пам’яті. Щоб вирішити цю проблему, пропонується нова методика нейронного стиснення, спеціально розроблена для текстур матеріалів. Розблоковується ще два рівні деталізації, тобто у 16 разів більше текселів, використовуючи стиснення з низьким бітрейтом, із якістю зображення, кращою за передові методи стиснення зображень, такі як AVIF і JPEG XL. У той же час запропонований метод дозволяє здійснювати декомпресію в режимі реального часу за вимогою з довільним доступом, подібно до стиснення блокових текстур на графічних процесорах. Це розширює переваги стиснення на всьому шляху від зберігання на диску до пам’яті. Ключовою ідеєю підходу є стиснення кількох текстур матеріалу та їхніх ланцюжків MIP-карт разом і використання невеликої нейронної мережі, оптимізованої для кожного матеріалу, для їх розпакування. Нарешті, використовується спеціальна навчальна реалізація для досягнення практичної швидкості стиснення, продуктивність якої на порядок перевищує продуктивність загальних фреймворків, таких як PyTorch.

На відміну від звичайних алгоритмів BC, які вимагають спеціального апаратного забезпечення, цей алгоритм використовує методи множення матриці, які тепер прискорені сучасними графічним процесором. Згідно з документом, це робить алгоритм NTC більш практичним і ефективнішим через менші обмеження на диск і пам’ять.

Згідно зі статтею, нейронні текстури можуть бути візуалізовані в режимі реального часу з до 16 разів більшим текселем, ніж підхід BC.

Нові програми АІ вимагають більш щільних і потужніших комп’ютерних мікросхем. Але напівпровідникові мікросхеми традиційно виготовляються з об’ємних матеріалів, які є коробчатими 3D-структурами, тому укладання кількох шарів транзисторів для створення щільнішої інтеграції дуже складне.

Однак напівпровідникові транзистори, виготовлені з ультратонких 2D-матеріалів, кожен із яких має товщину лише близько трьох атомів, можуть бути складені для створення більш потужних мікросхем. Дослідники МТІ продемонстрували нову технологію, яка може ефективно  «вирощувати» шари двовимірних дихалькогенідів перехідних металів (TMD) безпосередньо поверх повністю виготовленого кремнієвого чіпа, щоб забезпечити більш щільну інтеграцію.

Нова технологія також здатна значно скоротити час вирощування цих матеріалів. У той час як попередні підходи вимагали більше одного дня для вирощування одного шару 2D-матеріалів, новий підхід може виростити рівномірний шар матеріалу TMD менш ніж за годину на всіх 8-дюймових пластинах.

Завдяки високій швидкості та високій однорідності нова технологія дозволила дослідникам успішно інтегрувати двовимірний шар матеріалу на набагато більші поверхні, ніж було продемонстровано раніше. Це робить їхній метод більш придатним для використання в комерційних програмах, де ключовими є пластини розміром 8 дюймів або більше.

«Використання 2D-матеріалів є потужним способом збільшення щільності інтегральної схеми. Те, що ми робимо, схоже на будівництво багатоповерхового будинку. Завдяки гетерогенній інтеграції, над якою ми працюємо, у нас є кремній як перший поверх, а потім ми можемо мати багато поверхів із 2D-матеріалів, безпосередньо інтегрованих зверху», — говорить Цзяді Чжу (Jiadi Zhu), аспірант з електротехніки та інформатики та співавтор. статті про цю нову техніку.

Двовимірний матеріал, на якому зосередилися дослідники, дисульфід молібдену, гнучкий, прозорий і демонструє потужні електронні та фотонні властивості, що робить його ідеальним для напівпровідникового транзистора. Він складається з одноатомного шару молібдену, затиснутого між двохатомними шарами сульфіду.

Вирощування тонких плівок дисульфіду молібдену на поверхні з хорошою однорідністю часто досягається за допомогою процесу, відомого як металоорганічне хімічне осадження з парової фази (MOCVD). Гексакарбоніл молібдену та сірка діетилену, дві органічні хімічні сполуки, які містять атоми молібдену та сірки, випаровуються та нагріваються всередині реакційної камери, де вони «розкладаються» на менші молекули. Потім вони з’єднуються за допомогою хімічних реакцій, утворюючи на поверхні ланцюги дисульфіду молібдену.

Але для розкладання цих сполук молібдену та сірки, які відомі як прекурсори, потрібні температури вище 550° С , тоді як кремнієві схеми починають деградувати, коли температура перевищує 400 градусів.

Отже, дослідники спроектували та побудували абсолютно нову піч для процесу металоорганічного хімічного осадження з парової фази.

Піч складається з двох камер, низькотемпературної області спереду, де розміщена кремнієва пластина, і високотемпературної області ззаду. Пароподібний молібден і прекурсори сірки закачуються в піч. Молібден залишається в області низьких температур, де температура підтримується нижче 400° С  — достатньо гаряча, щоб розкласти попередник молібдену, але не настільки висока, щоб пошкодити кремнієвий чіп.

Попередник сірки потрапляє в зону високої температури, де розкладається. Потім він повертається в область низьких температур, де відбувається хімічна реакція вирощування дисульфіду молібдену на поверхні пластини.

Окрім отримання більш однорідного шару, їхній метод також був набагато швидшим, ніж інші процеси MOCVD. Вони можуть виростити шар менш ніж за годину, тоді як зазвичай процес зростання MOCVD займає щонайменше цілий день.

«Завдяки скороченню часу вирощування цей процес стає набагато ефективнішим і його можна легше інтегрувати в промислові виробництва. Крім того, це сумісний із кремнієм низькотемпературний процес, який може бути корисним для подальшого просування 2D-матеріалів у напівпровідникову промисловість», — каже Чжу.

Аспірант Цзяді Чжу тримає 8-дюймову КМОП-пластину з тонкою плівкою дисульфіду молібдену. Праворуч зображена піч, розроблена дослідниками, яка дозволила їм «виростити» шар дисульфіду молібдену на пластині за допомогою низькотемпературного процесу, який не пошкодив пластину

Компанія D-Wave є лідером у розробці та постачанні квантових обчислювальних систем, та послуг, а також є першим у світі комерційним постачальником квантових комп’ютерів, і єдиною, яка створює як квантові комп’ютери з відпалом, так і на базі моделі шлюзів.
                                                     
Компанія опублікувала важливу статтю, в якій показано, що продуктивність її 5000-кубітного квантового комп’ютера Advantage є значно більшою, ніж класичні обчислення на проблемах оптимізації 3D спінового скла, складному класі проблем оптимізації.

Стаття — спільна робота вчених з D-Wave і Бостонського університету — під назвою «Квантова критична динаміка в 5000-кубітному програмованому спіновому склі» була опублікована в рецензованому журналі Nature і доступна тут https://www.nature.com/articles/s41586-023-05867-2.  Спираючись на дослідження, проведене на 2000 кубітів у вересні минулого року, вивчення показує, що квантовий процесор D-Wave може обчислювати когерентну квантову динаміку у великомасштабних задачах оптимізації. Ця робота була виконана з використанням комерційного квантового комп’ютера D-Wave на основі відпалу, яким клієнти можуть користуватися вже сьогодні.

З безпосередніми наслідками для оптимізації, результати показують, що когерентний квантовий відпал може покращити якість рішення швидше, ніж класичні алгоритми. Спостережуване прискорення відповідає теорії когерентного квантового відпалу та демонструє прямий зв’язок між когерентністю та основною обчислювальною потужністю квантового відпалу.                                                         

«Це дослідження є значним досягненням для квантової технології, оскільки воно демонструє обчислювальну перевагу над класичними підходами для складного класу оптимізаційних проблем, — сказав д-р Алан Баратц (Alan Baratz), генеральний директор D-Wave. - Для тих, хто шукає докази неперевершеної ефективності квантового відпалу, ця робота пропонує остаточний доказ».

На сьогоднішній день D-Wave випустила на ринок п’ять поколінь квантових комп’ютерів і запустила експериментальний прототип своєї машини шостого покоління, систему Advantage2, у червні 2022 року. Очікується, що повна система Advantage2 матиме 7000+ кубітів, 20-канальних зв’язок і більшу узгодженість для вирішення навіть складніших проблем.

Система отримала широкий відгук у фахівців та провідних галузевих компаній.
«Це важливий прогрес у вивченні квантових фазових переходів на квантових відпалювачах. Він провіщає революцію в експериментальній фізиці багатьох тіл і є хорошим передвістям для практичного застосування квантових обчислень», — сказав Войцех Зурек (Wojciech Zurek), фізик-теоретик Лос-Аламоської національної лабораторії та провідний експерт з квантової теорії. Д-р Зурек широко відомий своїм новаторським внеском у системи конденсованої матерії завдяки відкриттю механізму Кіббла-Зурека (Kibble-Zurek), який лежить в основі фізики експерименту, описаного в цій статті.

«Ця робота знаменує собою важливий крок до великомасштабного квантового моделювання складних матеріалів, — сказав Хідетоші Нішіморі (Hidetoshi Nishimori), професор Інституту інноваційних досліджень Токійського технологічного інституту та один із перших винахідників квантового відпалу. - Тепер ми можемо очікувати, що нові фізичні явища будуть виявлені за допомогою квантового моделювання з використанням квантового відпалу, що зрештою призведе до розробки матеріалів, які мають значну суспільну цінність».

«Це одна з найважливіших експериментальних робіт, які коли-небудь проводилися в області квантової оптимізації, — сказав д-р Ендрю Кінг (Andrew King), директор з дослідження продуктивності D-Wave. «Ми продемонстрували прискорення в порівнянні з моделюванням відпалу, що повністю узгоджується з теорією, забезпечуючи високоякісні рішення для великомасштабних проблем. Ця робота показує чіткі докази квантової динаміки в оптимізації, яка, на нашу думку, прокладає шлях до ще більш складного вирішення проблем за допомогою квантового відпалу в майбутньому. Робота демонструє програмовану реалізацію лабораторних експериментів, які спочатку спонукали до квантового відпалу 25 років тому».

Today I used GPT-4 to make "Wolverine" - it gives your python scripts regenerative healing abilities!

Run your scripts with it and when they crash, GPT-4 edits them and explains what went wrong. Even if you have many bugs it'll repeatedly rerun until everything is fixed pic.twitter.com/gN0X7pA2M2

— BioBootloader (@bio_bootloader) March 18, 2023

Таку думку висловив Білл Гейтс у своєму блозі, опублікованому на ресурсі  www.gatesnotes.com За його словами, на протязі своєго життя він бачив дві демонстрації технологій, які здалися йому революційними.

Перший раз — в 1980 р., коли він познайомився з графічним інтерфейсом користувача — попередником усіх сучасних операційних систем, включаючи Windows. Він сидів із блискучим програмістом на ім’я Чарльз Сімоні (Charles Simonyi), і вони одразу почали міркувати про те, що можна зробити за допомогою такого зручного підходу до обчислень. Зрештою Windows стала основою Microsoft, і спільні думки після цієї демонстрації допомогли визначити порядок денний компанії на наступні 15 років.

Другий сюрприз стався лише минулого року. Біл Гейтс зустрічається з командою OpenAI з 2016 р. і був вражений їхнім стабільним прогресом. У середині 2022 р. він поставив перед ними завдання: навчити АІ відповідати на запитання, для яких він не був спеціально навчений. Це було б справжнім проривом.
     
Біл Гейтс багато думав про те, як АІ може зменшити деякі з найгірших у світі несправедливостей.
У Сполучених Штатах найкраща можливість зменшити нерівність – це покращити освіту, зокрема переконатися, що учні успішно навчаються математики. Але успішність у математиці падає по всій країні. АІ може допомогти змінити цю тенденцію.

Зміна клімату — ще одна проблема. Несправедливість зміни клімату полягає в тому, що люди, які страждають найбільше — найбідніші у світі — також є тими, хто зробив найменший внесок у проблему. Біл Гейтс ще думає та вивчає, як АІ може допомогти.
 
Далі Біл Гейтс визначив, що він має на увазі під АІ, і докладніше розповів про деякі способи, якими той допоможе розширити можливості людей на роботі, врятувати життя та покращити освіту.

Технічно термін АІ відноситься до моделі, створеної для вирішення конкретної проблеми або надання конкретної послуги. Такі речі, як ChatGPT, живлять завдяки штучному інтелекту. Він вчиться краще спілкуватися в чаті, але не може навчитися іншим завданням. Навпаки, термін штучний загальний інтелект (artificial general intelligence - AGI)) стосується ПЗ, яке здатне навчатися будь-якому завданню чи предмету. AGI ще не існує — у комп’ютерній індустрії точаться серйозні дебати про те, як його створити та чи можна його взагалі створити.
 
Глобальна охорона здоров’я та освіта – це дві сфери, де є велика потреба, але недостатньо працівників для задоволення цих потреб. Це сфери, де АІ може допомогти зменшити несправедливість, якщо його правильно націлити.
Біл Гейтс бачить кілька шляхів, якими АІ покращить охорону здоров’я та медицину.
По-перше, він допоможе медичним працівникам максимально використати їхній час, виконуючи за них певні завдання, як-от робота з документами та написання записів про візит до лікаря. У цій сфері очікується багато інновацій.

Багато людей у бідних країнах ніколи не відвідують лікаря, і АІ допоможе медичним працівникам бути більш продуктивними. Моделі АІ, які використовуються в бідних країнах, потрібно буде навчити на інших захворюваннях, ніж у багатих країнах.

Але як і усяка технологія, АІ має свої ризики та проблеми.
Так, наприклад, поточні моделі АІ не обов’язково добре розуміють контекст запиту людини, що призводить до деяких дивних результатів.
Є й інші проблеми, наприклад, АІ дає неправильні відповіді на математичні завдання, оскільки їм важко абстрактно міркувати. Але жодне з них не є фундаментальним обмеженням, і розробники працюють над ними.

Щодо до наступних рубежів. Відбудеться вибух компаній, які працюють над новими способами використання АІ, а також над способами вдосконалення самої технології. Наприклад, компанії розробляють нові чіпи, які забезпечать обчислювальну потужність, необхідну для АІ.

У той же час одне велике відкрите питання полягає в тому, чи можна буде розробити загальний АІ, який зможе навчитися виконувати будь-які завдання.

Незважаючи ні на що, тема АІ буде домінувати в громадських дискусіях в осяжному майбутньому. Ось принципи, якими слід керуватися в цій розмові.                                                    

По-перше, треба спробувати збалансувати побоювання щодо недоліків АІ, які є зрозумілими та дійсними, з його здатністю покращувати життя людей. Щоб максимально використати цю дивовижну нову технологію, потрібно як захиститися від ризиків, так і поширити переваги якомога більшій кількості людей.

По-друге, ринкові сили природним чином не створюватимуть продукти та послуги АІ, які допоможуть найбіднішим. Швидше навпаки. Завдяки надійному фінансуванню та правильній політиці уряди та благодійні організації можуть забезпечити використання АІ для зменшення несправедливості.

Нарешті, треба пам’ятати, що ми лише на початку того, чого може досягти АІ. Будь-які обмеження, які він має сьогодні, зникнуть, перш ніж ми це усвідомимо.

Так сказав СЕО OpenAI Сем Альтман (Sam Altman) у недавньому інтерв’ю ABC News. Його побоювання торкаються того, як технологія АІ може вплинути на робочу силу, вибори та поширення дезінформації.

OpenAI розробила бота ChatGPT, який створює людиноподібні відповіді на запитання та викликає нове захоплення АІ.

«Я думаю, що люди дійсно отримують задоволення від [ChatGPT]», — сказав Альтман в інтерв’ю.

Але його хвилювання з приводу трансформаційного потенціалу технології АІ, яка, за словами Альтмана, зрештою відображатиме «колективну силу, креативність і волю людства», було врівноважено його занепокоєнням щодо «авторитарних режимів», які розробляють конкуруючі технології АІ.

«Ми дуже хвилюємося, що авторитарні уряди розвивають це», — сказав Альтман. Закордонні уряди вже почали виводити на ринок конкуруючі технології АІ.

Китайська технологічна компанія Baidu, наприклад, нещодавно провела презентацію свого конкурента ChatGPT, чатового штучного інтелекту під назвою Ernie bot.

За кілька років до вторгнення Росії в Україну президент Росії Володимир Путін сказав, що той, хто стане лідером у сфері технологій АІ, «буде правителем світу». Альтман назвав коментарі "охолоджуючими".

І Google, і Microsoft агресивно активізували свої дії з АІ. Microsoft вирішила співпрацювати з OpenAI Альтмана, щоб інтегрувати свою технологію GPT у пошук Bing. Батьківська компанія Google, Alphabet, представила власно розроблений чат-бот під назвою Bard AI, що викликало неоднозначні відгуки співробітників Google і тестувальників.
                                                                           
Вплив ChatGPT і подібних інструментів АІ ще не відбилися на американському виборчому процесі, але Альтман сказав, що вибори 2024 року були в центрі уваги компанії.

«Я особливо стурбований тим, що ці моделі можуть бути використані для широкомасштабної дезінформації, — сказав генеральний директор ABC. -
Тепер, коли вони починають писати комп’ютерний код, [моделі] можна використовувати для наступальних кібератак».

Майстерність програмування ChatGPT вже вплинула на багатьох розробників. Він уже працює як «другий пілот» для програмістів, сказав Альтман, і OpenAI працює над розблокуванням подібної функції для «кожної професії».

СЕО визнав, що це означатиме, що багато людей втратять роботу, але сказав, що це стане можливістю знайти кращу роботу.

«Ми можемо мати набагато вищу якість життя, рівень життя, — сказав Альтман. - Людям потрібен час, щоб оновити, відреагувати, звикнути до цієї технології».

 Сем Альтман, співзасновник і СЕО OpenAI Inc., виступає під час TechCrunch Disrupt 2019 у Сан-Франциско, штат Каліфорнія, у четвер, 3 жовтня 2019 р.

Дослідження АІ досягли великих успіхів у розв’язанні конкретних програм, але ми все ще далекі від систем АІ загального призначення, про які вчені мріяли десятиліттями.

Серед рішень, які досліджуються для подолання бар’єрів АІ, є ідея нейросимволічних систем, які об’єднують найкраще з різних галузей інформатики. У доповіді на IBM Neuro-Symbolic AI Workshop Джошуа Тененбаум (Joshua Tenenbaum), професор обчислювальної когнітивної науки в Массачусетському технологічному інституті, пояснив, як нейросимволічні системи можуть допомогти вирішити деякі з ключових проблем сучасних систем AI.

Серед багатьох прогалин у АІ Тененбаум зосереджується на одному зокрема: «Як нам вийти за межі ідеї інтелекту як розпізнавання закономірностей у даних і наближення функцій і більше до ідеї всіх речей, які робить людський розум, коли ви моделююте світ, пояснююте та розумієте речі, які ви бачите, уявлєте речі, які ви не бачите, але можуть статися, і перетворювати їх на цілі, яких ви можете досягти, плануючи дії та вирішуючи проблеми?»

Правда, це велика прогалина, але її подолання починається з вивчення одного з фундаментальних аспектів інтелекту, спільного для людей і багатьох тварин: інтуїтивної фізики та психології.

Наш розум створений не лише для того, щоб бачити візерунки в пікселях і звукових хвилях, але й для розуміння світу через моделі. Як люди ми починаємо розвивати ці моделі вже у тримісячному віці, спостерігаючи за світом і діючи в ньому.
 
Численні дослідження показують, що діти розвивають абстрактні уявлення про фізичний світ та інших людей і застосовують їх у нових ситуаціях. Наприклад, у наступному відео лише спостерігаючи, дитина розуміє, що людина, яка тримає предмети, має на увазі мету та потребує допомоги, щоб відкрити двері шафи.

Ці здібності часто називають «інтуїтивною фізикою» та «інтуїтивною психологією» або «теорією розуму», і вони є основою здорового глузду.

Тененбаум перелічує три компоненти, необхідні для створення ядра для інтуїтивної фізики та психології в АІ.

«Ми наголошуємо на тристоронній взаємодії між нейронним, символічним і імовірнісним моделюванням і логічним висновком, — каже Тененбаум. - Ми вважаємо, що це тристороння комбінація, яка необхідна для охоплення людського інтелекту та основного здорового глузду».

Символічний компонент використовується для репрезентації та міркування з абстрактним знанням. Імовірнісна модель висновку допомагає встановити причинно-наслідкові зв’язки між різними об’єктами, міркувати про контрфактичні та невидимі сценарії та мати справу з невизначеністю. Нейронний компонент використовує розпізнавання образів, щоб зіставляти сенсорні дані реального світу зі знаннями та допомагати орієнтуватися в пошукових просторах.

Одним із ключових компонентів нейросимволічної концепції АІ Тененбаума є фізичний симулятор, який допомагає передбачити результат дій. Симулятори фізики досить поширені в ігрових движках і різних галузях навчання з підкріпленням і робототехніки.

Але на відміну від інших галузей АІ, які використовують симулятори для навчання агентів і перенесення їхніх знань у реальний світ, ідея Тененбаума полягає в тому, щоб інтегрувати симулятор у процес висновків і міркувань агента.

Фізичний механізм допоможе АІ симулювати світ у реальному часі та передбачити, що станеться в майбутньому. Симуляція просто має бути достатньо точною та допомагати агенту вибрати перспективний курс дій. Це також схоже на те, як працює людський розум. Коли ми дивимося на зображення, наприклад на стопку блоків, ми матимемо приблизне уявлення про те, чи буде воно протистояти гравітації чи перекидатися. Можливо, ми не зможемо передбачити точну траєкторію кожного об’єкта, але ми розробляємо уявлення високого рівня про результат.

Хоча симулятори є чудовим інструментом, одна з їхніх великих проблем полягає в тому, що ми не сприймаємо світ у термінах тривимірних об’єктів. Нейросимволічна система повинна визначити положення та орієнтацію об’єктів у сцені, щоб створити приблизне тривимірне представлення світу.

Є кілька спроб використовувати чисте глибоке навчання для визначення позиції об’єкта та пози, але їхня точність низька.

Як тільки нейросимволічний агент має фізичний механізм для моделювання світу, він повинен мати можливість розробляти концепції, які дозволяють йому діяти по-новому.

Наприклад, люди (і іноді тварини) можуть навчитися використовувати новий інструмент для вирішення проблеми або зрозуміти, як змінити відомий об’єкт для нової мети (наприклад, використовувати камінь замість молотка, щоб забити цвях).

Для цього Тененбаум і його колеги розробили фізичний симулятор, у якому люди повинні використовувати об’єкти для вирішення проблем новими способами. Той самий механізм використовувався для навчання моделей АІ розробці абстрактних концепцій використання об’єктів.
 
«Ми хочемо надати дорожню карту того, як досягти бачення мислення про те, що робить людський здоровий глузд відмінним і потужним із самого початку, — каже Тененбаум. — У певному сенсі це одна з найдавніших мрій АІ, яка сходить до оригінальної пропозиції Алана Тюрінга щодо інтелекту як обчислення та ідеї про те, що ми можемо побудувати машину, яка досягне людського рівня інтелекту, починаючи, як дитина, і навчаючи її, як дитину. Це надихало багатьох із нас, і ми намагаємося придумати будівельні блоки для цього».

Прискорення затвора камери в трильйон разів дає дослідникам змогу зрозуміти, як матеріали проводять тепло, і є важливим кроком у розвитку сталого використання енергії.

Дослідники приходять до розуміння того, що найкращі матеріали для сталої енергетики, такої як перетворення сонячного світла або відпрацьованого тепла в електрику, часто використовують колективні коливання кластерів атомів у набагато більшій структурі. Цей процес зазвичай називають «динамічним безладом». 

Розуміння динамічного безладу в матеріалах може призвести до більш енергоефективних термоелектричних пристроїв, таких як твердотільні холодильники та теплові насоси, а також до кращого відновлення корисної енергії з відпрацьованого тепла, наприклад, від автомобілів і електростанцій, шляхом безпосереднього перетворення до електрики. Термоелектричний пристрій зміг взяти тепло від радіоактивного плутонію та перетворити його на електрику для живлення марсохода, коли не вистачало сонячного світла.

Коли матеріали функціонують всередині робочого пристрою, вони можуть поводитися так, ніби вони живі й танцюють — частини матеріалу реагують і змінюються дивовижним і несподіваним чином. Цей динамічний безлад важко досліджувати, оскільки кластери не тільки такі малі та невпорядковані, але й зазнають флуктуацій у часі. Крім того, існує «нудний» нефлуктуаційний безлад у матеріалах, який дослідників не цікавить, оскільки розлад не покращує властивості. Досі було неможливо побачити відповідний динамічний безлад на фоні менш актуального статичного безладу.

Дослідники з Columbia Engineering та Université de Bourgogne повідомляють, що вони розробили новий тип «камери», яка може бачити локальний безлад. Його ключовою особливістю є змінна швидкість затвора: оскільки невпорядковані атомні кластери рухаються, то коли команда використовувала повільний затвор, динамічний безлад розмивався, але коли вони використовували швидкий затвор, вони могли його бачити. Новий метод, який вони називають PDF (функція розподілу атомних пар) зі змінною витримкою або vsPDF (variable shutter PDF), не працює як звичайна камера – він використовує нейтрони з джерела в Окріджській національній лабораторії (ORNL) Міністерства енергетики США, щоб визначити положення атомів за допомогою витримки близько однієї пікосекунди, або в трильйон разів швидше, ніж звичайні затвори камери.

 «Тільки за допомогою цього нового інструменту vsPDF ми можемо по-справжньому побачити матеріал з іншого боку, — сказав Саймон Біллінге (Simon Billinge), професор матеріалознавства, прикладної фізики та прикладної математики. - Це дає нам абсолютно новий спосіб розкрити складність того, що відбувається в складних матеріалах, приховані ефекти, які можуть посилити їхні властивості. За допомогою цієї техніки ми зможемо спостерігати за матеріалом і бачити, які атоми танцюють, а які відсиджуються».

Інструмент vsPDF дозволив дослідникам виявити порушення атомної симетрії в GeTe, важливому матеріалі для термоелектрики, який перетворює відпрацьоване тепло в електрику (або електрику в охолодження). Раніше вони не могли побачити зміщення або показати динамічні флуктуації та швидкість коливань. В результаті аналізу даних vsPDF команда розробила нову теорію, яка показує, як такі локальні флуктуації можуть формуватися в GeTe та пов’язаних з ним матеріалах. Таке розуміння механіки танцю допоможе дослідникам шукати нові матеріали з цими ефектами та застосовувати зовнішні сили для впливу на ефект, створюючи ще кращі матеріали.

Зараз Біллінге працює над тим, щоб зробити свою техніку простішою у використанні для дослідницького співтовариства, та застосувати її до інших систем із динамічним безладом. На даний момент ця техніка не є готовою, але з подальшим розвитком вона повинна стати набагато більш стандартним вимірюванням, яке можна використовувати в багатьох матеріальних системах, де важлива атомна динаміка, від спостереження за рухом літію в електродах акумулятора до вивчення динамічних процесів при розщепленні води сонячним світлом. 

При тривалій витримці атомна структура GeTE виглядає впорядкованою, але розмитою. Більш швидкі експозиції виявляють чітку заплутану картину динамічних зміщень