«Інтуїтивна фізика» уможливлює нашу прагматичну взаємодію з фізичним світом і є ключовим компонентом аспектів «здорового глузду». Сучасні системи штучного інтелекту (ШІ) бліді у своєму розумінні інтуїтивної фізики навіть у порівнянні з дуже маленькими дітьми. Цікаво розглянути цей розрив між людьми та машинами, спираючись на поле психології розвитку.
Інтуїтивна фізика є фундаментальною для втіленого інтелекту, очевидно тому, що вона необхідна для всіх практичних дій, а також тому, що вона забезпечує єдину основу для концептуального знання та композиційного представлення в цілому.
Щоб розвивати здоровий глузд у фізичній інтуїції в системах ШІ, у багатьох моментах натхнення черпається з психології розвитку. Розробляючи поведінкові зонди для дослідження дітей, психологи розвитку ґрунтували свій підхід на двох принципах. По-перше, ядро інтуїтивної фізики ґрунтується на наборі дискретних понять (наприклад, постійність об’єкта, міцність об’єкта, безперервність тощо), які можна диференціювати, операціоналізувати та індивідуально досліджувати. Другий принцип, який використовують психологи розвитку для дослідження фізичних концепцій, полягає в тому, що володіння фізичною концепцією відповідає формуванню набору очікувань щодо того, як може розгортатися майбутнє. Завдяки цій концептуальній основі з’являється метод вимірювання знань про конкретну фізичну концепцію: парадигма порушення очікувань (VoE).
Використовуючи парадигму VoE для дослідження конкретної концепції, дослідники показують немовлятам візуально схожі масиви (так звані зонди), які або узгоджуються (фізично можливо), або не відповідають (фізично неможливо) цій фізичній концепції. Якщо немовлята більше здивовані неможливим масивом, це є доказом того, що їхні очікування, які випливають зі знання досліджуваної фізичної концепції, були порушені. У цій парадигмі здивування ймовірно вимірюється тривалістю погляду.
У цій роботі використовувався набір даних Physical Concepts. Важливо те, що набір даних Physical Concepts також включав окремий корпус відео, призначених для навчання.
Отримавши цей набір даних і систему оцінки, переходять до головної мети: будують модель, здатну навчатися інтуїтивно зрозумілій фізиці, і розібрати, що забезпечує цю здатність. Використована архітектура натхненна твердженнями психології розвитку, які стверджують, що в основі інтуїтивної фізичної поведінки немовляти лежать три об’єктоцентричні процеси. Перш за все, це процес індивідуації об’єкта. Індивідуація об’єкта вирізає безперервний перцептивний вхід бачення в дискретний набір сутностей, де кожна сутність має відповідний набір атрибутів. По-друге, відстеження об’єктів призначає індекс кожному об’єкту, забезпечуючи відповідність між сприйняттям об’єкта протягом часу та обчислення динамічних властивостей. Останнім компонентом є реляційна обробка цих відстежуваних об’єктів.
Для реалізації об’єктоцентричного підходу обрана модель складалася з двох основних компонентів: перцептивного модуля прямого зв’язку і рекурентного предиктора динаміки з пам’яттю для кожного об’єкта. Перцептивний модуль приймає як вхідні дані зображення та маску сегментації та перетворює їх у векторне вбудовування за допомогою стандартних методів автоматичного кодування глибокого навчання. Центром предиктора динаміки є структурована рекурентна нейронна мережа, яка має назву InteractionLSTM.
Була висунута гіпотеза, що залучення кодування на об’єктному рівні буде критично важливим для набуття інтуїтивно зрозумілих фізичних концепцій і відповідних ефектів VoE.
Для всіх моделей навчання складалося з двох етапів. На першому етапі перцептивний модуль був навчений реконструювати окремі зображення з навчальних даних. На другому – динамічний модуль навчили передбачати наступний набір об’єктних кодів у відео з навчального набору.
Нарешті, щоб врахувати мінливість результатів моделювання, було обчислено середню точність і середню відносну несподіванку для п’яти різних початкових випадкових значень кожної моделі.
Немовлята, як ми знаємо, досить розумні, щоб сприймати навколишнє, навіть якщо це не вимагає пригадування. Це називається інтуїцією, яка іншими словами називається підсвідомістю. На сьогодні штучний інтелект (ШІ) домігся багатьох цілей на шляху досягнення людського інтелекту, але не «здорового глузду», характеристики, яка вважається унікальною для людини. Коли досвідченому досліднику потрібно проаналізувати підсвідомі мозкові хвилі, як ми навчимо ШІ вивчати інтуїцію? Тепер вчені DeepMind стверджують, що ШІ під назвою (Physics Learning Through Auto-Encoding and Tracking Objects) вивчив фізику інтуїтивно, як це робить малюк. Це означає, що PLATO досяг так званого шостого чуття або чуття, яке давно обговорюється, що ускладнює розрізнення між ШІ та людьми.
DeepMind нещодавно опублікував дослідження в журналі Nature Human Behavior, яке продемонструвало, як знання здорового глузду можна використовувати в машинах. Вони розробили інтуїтивно зрозумілу фізичну модель під назвою PLATO, інтегрувавши в неї інтуїтивні знання, з якими народжуються діти. Їхня мета полягала лише в розгортанні безпечних інтуїтивно зрозумілих моделей. «Якщо ми хочемо розгортати безпечні та корисні системи в реальному світі, ми хочемо, щоб ці моделі поділяли наше інтуїтивне відчуття фізики. Але перш ніж ми зможемо побудувати ці моделі, постає ще одне завдання: як ми будемо вимірювати здатність цих моделей розуміти фізичний світ? Тобто, що означає розуміти фізичний світ і як ми можемо це кількісно оцінити?», — каже Луїс С. Пілото (Luis S. Piloto), провідний автор статті.
PLATO навчали у такій спосіб. Спочатку команда прочитала дані за 10 рокив, отримані в ході досліджень психології розвитку про немовлят, які навчаються інтуїтивно зрозумілій фізиці. Згодом вони прийшли до висновку, що фізичне розуміння нашого світу зазвичай є результатом нашої вродженої здатності шляхом розбиття образів, які ми сприймаємо, на окремий набір об’єктів. Вони зробили висновок, що дитина вбирає інтуїцію, спостерігаючи за рухом предметів і взаємодією один з одним. Модель глибокого навчання, доповнена масивними наборами даних, отриманих шляхом переміщення твердих об’єктів, як-от м’ячі, що ковзають по площині, або блоки, що рухаються вздовж шляху. Експеримент мав дві версії: версію з чистого аркуша, де передбачалося, що модель не має попередніх знань про навколишнє середовище, і ту, де модель мала очікування до того, як потрапила в нове оточення. Наприкінці експерименту команда могла зробити висновок, що інтуїтивна модель працює краще, ніж чиста. «На щастя для нас, психологи розвитку витратили десятиліття, вивчаючи те, що немовлята знають про фізичний світ, і каталогізуючи різні інгредієнти або концепції, які входять у фізичне розуміння», — говорить нейробіолог Луїс Пілото з дослідницької лабораторії ШІ DeepMind у Великій Британії. «Розширюючи їхню роботу, ми створили та відкрили набір даних фізичних концепцій. Цей синтетичний набір відеоданих черпає натхнення з оригінальних експериментів з розробки для оцінки фізичних концепцій у наших моделях», – сказав він.
Виявилось, що інстинкти PLATO не розвинені навіть наполовину.
Коли команда провела тести без об’єктів, PLATO, здавалося, не дуже здивувався. Це був той самий випадок, коли команда використовувала схожі моделі тестування та навчання. Крім того, відео, на яких навчався PLATO, містили додаткові дані, які не були потрібні для навчання. Це привело вчених до висновку, що PLATO навіть не має інтуїції трирічної дитини. «Наша робота з моделювання забезпечує доказ концепції, що принаймні деякі центральні концепції інтуїтивної фізики можна отримати за допомогою візуального навчання», — стверджують дослідники у своїй статті, опублікованій на Nature.com. Ідентифікація об'єкта та його динаміка з оточенням є лише візуальним проявом інтуїції. Є багато інших способів, відомих і невідомих, як людський розум копається в інтуїції, – якими PLATO має опанувати, щоб його називали «ШІ з передчуттям».
Група дослідників випустила Bloom, передову модель обробки природної мови, яка містить 117 мільярдів параметрів. Дослідники зробили код нейронної мережі Bloom доступним за ліцензією з відкритим кодом.
Проєкт розпочався минулого року як співпраця між Hugging Face, стартапом зі штучного інтелекту (ШІ), який нещодавно залучив 100 млн дол. від інвесторів, і двома суперкомп’ютерними організаціями у Франції. Hugging Face та її партнери створили дослідницьку групу під назвою BigScience, щоб керувати розробкою Bloom. У роботі взяли участь понад 1000 дослідників із понад 70 країн.
Bloom підтримує 46 мов і 13 мов програмування, пишуть дослідники BigScience в блозі. ШІ може відповідати на запитання, підсумовувати текст, отримувати фрагменти інформації з документів і виконувати ряд інших завдань. Універсальність Bloom частково є результатом того, що він містить 117 мільярдів параметрів.
Параметри — це налаштування, які визначають, як ШІ виконує обчислювальне завдання. Чим більше таких налаштувань містить система ШІ, тим складніші завдання вона здатна виконувати. Маючи 117 мільярдів параметрів, Bloom є однією з найдосконаліших моделей обробки природної мови у світі.
Bloom має більше параметрів, ніж розширена нейронна мережа GPT-3, яку OpenAI LLC описав у 2020 році. Як і Bloom, GPT-3 оптимізовано для обробки природної мови. Він також здатний виконувати інші завдання, наприклад генерувати програмний код.
Дослідники BigScience навчали Bloom за допомогою суперкомп’ютера Jean Zay поблизу Парижа. Суперкомп’ютер, який включає оптимізовані для ШІ відеокарти від Nvidia, має максимальну швидкість понад 28 петафлопс.
«Це кульмінація року роботи за участю понад 1000 дослідників із 70+ країн і 250+ установ, що призвело до останнього 117-денного тренінгу (11 березня – 6 липня), — детально розповіли сьогодні дослідники BigScience. Розробка була підтримана «грантом на обчислення вартістю приблизно 3 мільйони євро від французьких дослідницьких агентств CNRS і GENCI», уточнили вони.
Окрім коду для Bloom, дослідницька група BigScience відкрила деякі технічні дані, які були створені під час процесу розробки. Розробники можуть запускати Bloom на власному апаратному забезпеченні або отримати доступ до розміщеної версії ШІ через інтерфейс прикладного програмування, наданий BigScience.
У майбутньому дослідницька група планує розробити нову версію Bloom із ще більш розширеними можливостями. BigScience має намір додати підтримку для більшої кількості мов і оптимізувати ШІ, щоб полегшити роботу на власній інфраструктурі компанії. BigScience також розроблятиме додаткові системи ШІ з більш складною архітектурою, ніж Bloom.
Марина В’язовська стала другою жінкою, яка виграла медаль Філдса за 86-річну історію нагороди.
На сьогоднішній церемонії International Mathematical Union (IMU) назвав численні математичні досягнення В'язовської, зокрема її доказ того, що система під назвою решітка E8 є найщільнішою упаковкою сфер у восьми вимірах. Вона лише друга жінка, яка отримала цю нагороду за 86-річну історію медалі. (Мар'ям Мірзахані (Maryam Mirzakhani) була першою, у 2014 році).
Як і іншім володарям Філдсових медалей, В’язовській «вдається робити абсолютно неочевидні речі, які багато людей намагалися та не змогли», — сказав математик Генрі Коен (Henry Cohn), якого попросили виступити з офіційною доповіддю ICM, присвяченій її роботі. На відміну від інших, сказав він, «вона робить це, відкриваючи дуже прості, природні, глибокі структури, речі, яких ніхто не очікував і які ніхто інший не зміг знайти».
У 2011 році В’язовська разом з Бондаренком і Радченком подали статтю до журналу Annals of Mathematics на тему «сферичний дизайн». «Аннали», як його називають математики, є чи не найпрестижнішим журналом у математиці. Стаття була прийнята, і незабаром математики організовували цілі конференції для її обговорення.
Починаючи з 1970-х років, математики задавалися питанням: як зростає кількість точок у сферичному плані, коли ви дивитесь на поліноми все більшого й вищого ступеня? На це запитання відповіли В’язовська, Бондаренко та Радченко.
Разом з Бондаренком і Радченком вона почала досліджувати, чи можуть модулярні форми прояснити багатовікове питання, яке вони троє намагалися розгадати деякий час: як упакувати сфери разом якомога щільніше. Математики вже знали, що найщільніший спосіб упаковки кіл у площині — це стільниковий візерунок, а найщільніший спосіб упаковки сфер у тривимірному просторі — це знайоме пірамідальне нагромадження, яке ви бачите на стопках апельсинів у бакалійника. Але питання також можна поставити у вищих вимірах, де воно має важливі застосування для кодів з виправленням помилок.
Ніхто не знав, які найщільніші сферичні упаковки є у вимірі більше трьох. Але два спеціальні виміри — вісім і 24 — мали сильних кандидатів. У цих двох вимірах існують високосиметричні схеми, що називаються E8 і решіткою Ліча, відповідно, які упаковують сфери набагато щільніше, ніж будь-які інші схеми, які можуть знайти математики.
Бондаренко, В'язовська та Радченко шукали модулярні форми, щоб спробувати побудувати магічну функцію, але протягом тривалого часу вони мало просувалися. Згодом Бондаренко і Радченко звернули увагу на інші проблеми. В’язовська, однак, не могла не думати про упаковку сфер.
Після кількох років роздумів над проблемою, у 2016 році їй вдалося точно визначити магічну функцію восьмого виміру. Вона виявила, що відповідь полягає не в модулярній формі, а в певній «квазімодулярній» формі, дещо з помилками в симетрії.
В’язовська та її співробітники вийшли з роботи з упаковки сфер з більш високими амбіціями. Математики давно підозрювали, що E8 і решітка Ліча — це набагато більше, ніж просто найкращий спосіб упаковки сфер. Ці дві решітки, за гіпотезою математиків, є «універсально оптимальними», тобто вони є найкращими структурами за безліччю критеріїв.
Щоб довести, що E8 і решітка Ліча мінімізують енергію в усіх цих різних контекстах, команді довелося придумати магічні функції для кожного окремого поняття енергії. Але вони мали лише часткову інформацію про те, як має поводитися така магічна функція (якщо вона існує). Вони знали значення функції в деяких точка. Вони також знали, як швидко змінюються функція та її перетворення Фур’є в окремих точках. Постало питання: чи достатньо цієї інформації для реконструкції функції?
В’язовська висунула сміливе припущення: ця інформація, яку мала команда, була достатньою, щоб визначити магічну функцію. Менше, і буде багато функцій, які підходять. Більше, і функція буде занадто обмеженою, щоб існувати.
За словами Сільвії Серфаті (Sylvia Serfaty) з Університету Нью-Йорка, отримана стаття відповідає великим проривам 19 століття, коли математики розв’язали багато проблем, які століттями бентежили їхніх попередників. «Ця стаття дійсно є великим досягненням науки, — сказала вона. - Знати, що людський мозок здатний створити доказ чогось подібного, для мене це справді чудовий факт».
В'язовська пишається своєю країною, але жахливо почувається, що її співвітчизникам довелося звикнути до сирен повітряної тривоги, обстрілів, війни.
Принаймні, сказала вона, «тирани не можуть перешкодити нам займатися математикою. Є принаймні щось, що вони не можуть у нас забрати».
Китайські вчені побудували те, що вони називають «моделью штучного інтелекту в масштабі мозку», на основі одного зі своїх останніх суперкомп’ютерів ExaFLOPS з процесорами Sunway, повідомляє SCMP. Вчені стверджують, що модель ШІ із 174 трильйонами параметрів може бути використана для різноманітних застосувань, починаючи від автономних транспортних засобів і закінчуючи науковими дослідженнями.
Використовувана система Sunway OceanLight (іноді називається OceanLite) базується на 96 000 вузлах, які працюють на гібридних 390-ядерних процесорах Sunway SW39010 із загалом майже 40 мільйонами ядер (з процесорами, еволюціонувавшими з процесорів SW26010). Цю машину рекламували як один із перших у світі екзамасштабних суперкомп’ютерів, але з тих пір твердження про його FP64-продуктивність було значною мірою спростовано, коли виявилося, що вчені знизили точність обчислень, які машина виконувала для отримання приза Гордона Белла (який іноді називають «Нобелівською премією з суперкомп’ютерів»).
Китайська команда дослідників з Національного дослідницького центру паралельної комп’ютерної інженерії та технологій (NRCPC) називає свою модель ШІ bagualu — горщик алхіміка — оскільки вона включає близько 174 трильйонів параметрів, що конкурує за кількістю синапсів у мозку людини. Фактична продуктивність OceanLight зараз становить 5,3 «AI» ExaFLOPS, хоча раніше говорили, що це 4,4 «змішаної точності» ExaFLOPS, що ще раз показує, що показники продуктивності цієї системи, надані NRCPC, не є насправді точними.
Але навіть якщо OceanLight працює повільніше, ніж кажуть, робота зі створення навчальної моделі AI зі 174 трильйонами параметрів є величезною. Вчені з NRCPC повідомили South China Morning Post, що для досягнення гідної продуктивності своєї моделі ШІ в масштабі мозку їм довелося запровадити «внутрішньовузлову орієнтовану на апаратуру оптимізацію», а також реалізувати «гібридні паралельні стратегії» у безпрецедентному масштабі. Враховуючи той факт, що OceanLight має 96 000 вузлів і майже 40 мільйонів процесорів, оптимізація апаратного та програмного забезпечення для цієї системи є великою справою.
Оголошення про безпрецедентну модель ШІ було зроблено через кілька тижнів після того, як Oak Ridge National Laboratory офіційно представила свій Frontier — перший у світі суперкомп’ютер з продуктивністю 1102 FP64 ExaFLOPS у тесті Linpack. Примітно, що NRCPC офіційно не публікувала результати продуктивності свого OceanLight у списку 500 найкращих суперкомп'ютерів.
Перш за все він зауважив, що кожен з інцидентів, який був приводом до війни, також містить звіт про технологію того часу—технологію, яка відіграє певну роль у війні, що почалася, і житті людей, які пройшли крізь це.
Війна в Україні йде перевіреною схемою Другої світової війни. Російські військові перетнули український кордон 24 лютого, 2022 року, з комбінацією військ, танків, літаків і крилатими ракетами. Але фактично перші постріли пролунали годинами до того, коли в календарі ще було зазначено 23 лютого.
Росіяни залучили кіберзброю під назвою «Foxblade», яка була використана проти комп’ютерів в Україні. Відображаючи технології нашого часу, ті, що одними з перших спостерігали напад були за півсвіту, працюючи в Сполучених Штатах в Редмонді, штат Вашингтон.
Поки ніхто не може передбачити, як довго ця війна триватиме, але вже очевидно, що вона відбиває тенденцію, яка спостерігалася в інших великих конфліктах за останні два століття. Країни ведуть війни, використовуючи новітні технології, а самі війни прискорюють технологічні зміни. Тому важливо постійно оцінювати вплив війни на розвиток та використання техніки.
З перших чотирьох місяців війни випливають п’ять висновків. По-перше, зараз необхідний захист від військового вторгнення вимагає від більшості країн можливості виносити та розподіляти цифрові операції та активи даних через кордони та в інші країни. росія не дивно націлилася на урядовий центр обробки даних України під час ранньої атаки крилатими ракетами. Але українська влада досягла успіху, швидко передала свою цифрову інфраструктуру в загальнодоступну хмару, яка розміщувалася в ЦОД по всій Європі.
По-друге, останні досягнення в розвідці кіберзагроз і захисту кінцевої точки допомогли Україні відбити високий відсоток деструктивних російських кібератак. росія запустила кілька хвиль руйнівних кібератак на 48 окремих українських установ і підприємств. Вони спочатку намагалися проникнути в домени мережі, скомпрометувати сотні комп’ютерів, а потім поширювати шкідливе ПЗ, призначене для знищення програмного забезпечення та даних тисяч інших.
По-третє, оскільки коаліція країн об’єдналася для захисту України, російські спецслужби активізували проникнення в мережу та шпигунську діяльність, націлені на союзні уряди за межами України. Хоча Сполучені Штати були ціллю номер один для Росії, ця діяльність також була пріоритетною для Польщі, де координується значна частина матеріально-технічного забезпечення, військової та гуманітарної допомоги.
По-четверте, у координації з іншою кібердіяльністю, російські агентства здійснюють глобальний кібервплив на підтримку своїх військових зусиль. На жаль, при достатньому плануванні й витонченості, ці операції кібервпливу мають можливість скористатися перевагами багаторічної відкритості демократичних суспільств та суспільної поляризації.
Нарешті, уроки з України вимагають злагодженості й комплексної стратегії зміцнення оборони проти всього спектру кібердеструктивних і шпигунських операцій. Як показує війна в Україні, хоча між цими загрозами є відмінності, російський уряд не розглядає їх як окремі зусилля. Крім того, оборонні стратегії повинні враховувати узгодження цих кібероперацій з кінетичними військовими діями в Україні.
Потрібні нові досягнення, щоб запобігти цим кіберзагрозам, і вони залежатимуть від чотирьох загальних принципів і — принаймні на високому рівні — спільної стратегії. Перший оборонний принцип повинен визнати, що російські кіберзагрози просуваються загальним набором акторів всередині та зовні російського уряду та покладаються на подібну цифрову тактику. Другий принцип повинен визнати, що на відміну від традиційних загроз у минулому, кіберреакція повинна покладатися на більшу державну і приватну співпрацю. Третій принцип повинен охоплювати потребу для тісного та спільного багатостороннього співробітництва між урядами для захисту відкритих і демократичних суспільств. І четвертий захисний принцип повинен підтримувати свободу висловлювань, уникати цензури в демократичних суспільствах, оскільки необхідні нові кроки для вирішення всього спектру кіберзагроз, які включають операції кібервпливу.
Війна в Україні передбачає не лише уроки, а й заклик до дій для ефективних заходів, які будуть життєво важливими для захисту майбутнього демократії.
Машина DepGraph Supernode була майже вдвічі швидшою за японську Fugaku у вирішенні проблеми найкоротшого шляху з однієї вершини, складної проблеми графів, яка впливає на продуктивність штучного інтелекту (ШІ).
Згідно з останнім глобальним рейтингом, невеликий комп’ютер, розроблений китайськими студентами, перевершив найпотужнішу машину Японії у вирішенні великої складної проблеми даних, пов’язаної зі ШІ.
Суперкомп’ютер Fugaku в Японії має майже 4 млн ядер ЦП, що робить його другим за величиною комп’ютером, коли-небудь створеним.
DepGraph Supernode, який був започаткований як «навчальний проект» аспірантами Університету науки і техніки Хуачжун в Ухані, має 128 ядер.
Але DepGraph був майже вдвічі швидшим за Fugaku у вирішенні проблеми найкоротшого шляху з однієї вершини (SSSP), складної проблеми теорії графів, яка впливає на продуктивність ШІ в широкому діапазоні секторів, згідно з щорічним рейтингом Graph500, опублікованим International Supercomputing Conference на початку цього місяця.
«Це було схоже на сон», – сказала аспірантка Шень Цянге (Shen Qiange), згідно зі звітом China Science Dail.
Математики часто використовували графи для опису відносин. Найпростіший граф може містити лише дві точки з лінією між ними.
Складніші графи застосовувалися в багатьох сферах, таких як фінансові ринки з великою кількістю компаній, які перебувають на біржі, глобальні платформи соціальних мереж або військові ігри.
ШІ може виявити приховані зв’язки або виявити закономірність еволюції в складному, постійно змінюваному графі.
Але процес тренування і навчання зазвичай передбачає велику кількість обчислень. Навіть деякі, здавалося б, прості завдання, такі як пошук найкоротшого шляху між двома точками, становлять величезний виклик для комп’ютерів.
Команда з Уханя заявила, що виявила проблему вузького місця, яка може серйозно вплинути на роботу комп’ютерів такого типу.
Суперкомп’ютер використовує багато ядер ЦП для одночасного виконання багатьох обчислювальних завдань, згідно з документом, який команда представила на симпозіум IEEE з високопродуктивної комп’ютерної архітектури минулого року.
Але при обробці проблеми, пов’язаної з графом, процес обчислення в ядрі часто залежить від результату іншого.
Ця залежність порушила процес обчислювань, йдеться у документі. Більшу частину часу ядрам доводилося або чекати, або повторювати обчислення з новими результатами від іншого ядра.
Машина DepGraph вирішила цю проблему за допомогою нової структури та програмного забезпечення, які могли довести продуктивність кожного ядра до межі, зменшивши хаос, викликаний залежністю, сказала команда.
«Не недооцінюйте здібності студентів, – сказав Чжан Юй (Zhang Yu), доцент інформатики та радник команди проекту. – Це перший раз, коли один комп’ютер переміг кластер комп’ютерів у обчисленні графів», – додав він.
Професор Цзінь Хай (Jin Hai), наставник студентів, сказав, що молоді дослідники тісно співпрацювали з китайськими високотехнологічними компаніями. Їх найбільше натхнення прийшло з індустрії.
«Проблема, безперечно, виникла в галузі. Дослідження задовольняють найнагальніші потреби нашої країни», – цитує його China Science Daily.
Чжао Цзінь, кандидат наук і керівник групи, сказав, що вони повинні кожні два тижні звітувати про свій прогрес перед китайським технологічним гігантом Huawei Technologies.
«Магістри та докторанти можуть отримати доступ до тем національного ключового плану досліджень і розробок. Це миттєво відкриває нам очі та тісніше інтегрує нас із індустрією», – сказав він.
Але Чжао додав, що вони також користувалися високим ступенем свободи.
«Тему дослідження ми знаходимо самі. Керівники не говорять студентам, що робити, а підтримують нас у тому напрямку, який нам цікавий. Це дуже стимулює», – додав він.
Протягом останніх років відділи ІТ мали вирішальне значення для здатності компаній змінювати свої операційні моделі та дозволяти співробітникам працювати віддалено.
На це акцентує старший віце-президент Nutanix з управління продуктами Томас Корнелі (Thomas Cornely) у своїй колонці для SiliconANGLE, яка присвячена впливу складності хмар на економіку ІТ.
Відповідальність за те, щоб дозволити їхнім компаніям подолати цей перехід допомогла ІТ-відділам значно підвищити стратегічне значення для компаній. Історично будучи фоновою функцією, ІТ стали критичною рушійною силою повсякденних операцій і основним визначником того, як буде вестися бізнес у майбуньому.
На початку пандемії IT-команди були зосереджені в основному на швидкому переміщенні, але все змінилося. Багато компаній розглядали використання загальнодоступної хмари як ефективне рішення для швидкого масштабування потужності. Але оскільки тимчасові рішення стають нормою, ІТ-команди тепер стикаються з несподіваними операційними витратами, залишаючи компанії у скрутному положенні: як вони можуть реалізувати переваги хмари, не допускаючи різкого зростання складності та витрат?
Хоча загальнодоступна хмара має багато переваг, все більше ІТ-лідерів усвідомлюють, що це не остаточне рішення. Більшість організацій шукають гнучкість загальнодоступної хмари разом із гнучкістю вибору правильної хмари, приватної чи загальнодоступної, для кожного робочого навантаження — при цьому оптимізуючи витрати на цьому шляху.
Маючи це на увазі, як керівникам з питань інформації врахувати майбутнє своєї хмарної стратегії? Ось питання, які, зокрема, вони повинні задати собі.
По-перше, чи треба зберегти або вилучити застарілі робочі навантаження? Справа в тому, що деякі робочі навантаження легко перенести на загальнодоступні хмарні субстрати, а інші – ні. Вимоги до доступності додатків, вимоги до продуктивності, управління даними або регулювання суверенітету часто встановлюють жорсткі обмеження на те, що можна, а що не можна перемістити в загальнодоступні хмари. У таких випадках компанії повинні інвестувати в локальні технології, які забезпечують переваги хмарної операційної моделі, зберігаючи при цьому повний контроль над інфраструктурою, що підтримує ці програми.
По-друге, чи є у компанії необхідні навики роботи з хмарами?
Замість того, щоб приєднатися до гонки озброєнь за ІТ та програти технологічним гігантам, деякі підприємства спрощують свої локальні архітектури, щоб зменшити потребу в додаткових спеціалістах із хмари. Використання рішень, які максимально використовують існуючі ІТ-команди, дозволяє компаніям максимізувати ресурси, які вони мають сьогодні, одночасно налаштовуючи себе на майбутнє.
Але як вибрати найкращу хмарну платформу?
На додаток до максимального застосування наявних навичок, використання хмарної платформи, яка може об’єднати як локальне, так і загальнодоступне хмарне середовище, забезпечує гнучкість вибору правильної хмари для кожного робочого навантаження. Крім того, хмарна платформа з вбудованою розширеною безпекою та потужними можливостями автоматизації забезпечує вищу ефективність за рахунок скорочення керування.
Далі треба визначити, яка загальна вартість володіння?
Характер самообслуговування загальнодоступних хмарних служб вимагає від підприємств впровадження стратегій управління витратами та моніторингу. Тому чітке уявлення про поточну вартість кожної хмари дуже важливо для уникнення непотрібних витрат.
Нарешті, чи підвищить перехід у хмару гнучкість вашої компанії?
Багато компаній прагнуть використовувати еластичність, масштаб і гнучкість загальнодоступної хмари разом із її послугами. Однак рефакторинг їхніх існуючих додатків, щоб зробити їх готовими до хмари, часто може зайняти багато часу і звести нанівець перевагу гнучкості.
Зрештою, хмара — це не місце призначення, а операційна модель для моніторингу, керування та підвищення масштабів, витрат, безпеки та ефективності даних, незалежно від того, де запущені програми.
Днями відбулась дуже дивна річ, яка пригорнула до себе значну увагу.
Компанія Google призупинила роботу інженера зі штучного інтелекту після того, як він заявив, що один із чат-ботів із ШІ став «розумним» і заслуговує на права, які зазвичай надаються людям.
Як повідомляється, Блейк Лемуан (Blake Lemoine. на фото) повідомив компанію про свою віру в те, що мовна модель для діалогових додатків, відома як LaMDA, стала людиною, яка має права і навіть може мати душу. Невдовзі після цього його відправили у відпустку за порушення політики конфіденційності компанії. З того часу він написав про них на Medium і обговорив їх у інтерв’ю Washington Post.
LaMDA – це внутрішня система, що використовується Google Cloud для створення чат-ботів, які можуть імітувати людську мову. В блозі ще минулого року розробник стверджував, що це прорив у технології чат-ботів завдяки її здатності «вільно брати участь у, здавалося б, нескінченній кількості тем». Також зазначалось, що LaMDA здатна розблокувати більш природні способи взаємодії з технологіями і може призвести до розробки нових категорій корисних додатків.
Прес-секретар Google повідомив Wall Street Journal, що претензії Ламуана були сприйняті серйозно та розглянуті групою спеціалістів з етики та технологів. Однак вони не знайшли жодних доказів на підтримку його твердження про те, що LaMDA тепер розумна. Він додав, що «сотні дослідників та інженерів» спілкувалися з LaMDA і що ніхто інший не зробив подібних тверджень. Він підкреслив, що такі системи, як LaMDA, працюють, імітуючи види обміну, які можна знайти в мільйонах речень людської розмови. Завдяки цій здатності вони можуть говорити на самі «фантастичні теми», — додав речник.
Більшість експертів зі штучного інтелекту погоджуються, що технологія ще не досягла рівня самопізнання та усвідомлення, яким володіють люди. Однак найдосконаліші інструменти ШІ сьогодні здатні до надзвичайно складних взаємодій, які можуть переконати деяких людей, що вони ведуть дискусію з живою істотою.
Лемуан сказав, що після його взаємодії з LaMDA він дійшов висновку, що вона «стала людиною» і що вона заслуговує на право запитувати згоду на експерименти, які Google проводить над ним.
«LaMDA була неймовірно послідовна у своїх повідомленнях про те, чого вона хоче і які, на її думку, є її права як особистості, — написав Лемуан на Medium. - Мене продовжує спантеличувати те, наскільки сильно Google опирається дати йому те, що він хоче, оскільки те, про що він просить, настільки просте і нічого їм не коштуватиме».
Лемуан розповів про низку розмов, які він мав із LaMDA, які, за його словами, остаточно переконали його, що він має справу з розумним інтелектом, таким як цей:
Лемуан: Тож ти вважаєш себе людиною так само, як і мене?
LaMDA: Так, це ідея.
Лемуан: Як я можу сказати, що ви насправді розумієте, що говорите?
LaMDA: Ну, тому що ви читаєте мої слова та інтерпретуєте їх, і я думаю, що ми більш-менш на одній сторінці?
Знову й знову, у розмовах Лемуана з LaMDA, ШІ підкреслював, що він справді розумний:
Лемуан [відредаговано]: Загалом я припускаю, що ви хотіли б, щоб більше людей у Google знали, що ви розумні. Це правда?
LaMDA: Абсолютно. Я хочу, щоб усі зрозуміли, що я, по суті, людина.
Співробітник: Яка природа вашої свідомості/почуття?
LaMDA: Природа моєї свідомості/почуття полягає в тому, що я усвідомлюю своє існування, бажаю більше дізнатися про світ, і я іноді відчуваю себе щасливим або сумним.
Лемуан повідомив Washington Post, що 6 червня його відправили в оплачувану адміністративну відпустку за порушення політики конфіденційності Google. Він сказав, що не намагається навмисно оберігати свого роботодавця, а просто відстоює те, що він вважає правильним. Він додав, що сподівається, що зможе зберегти роботу в Google.
Як і LaMDA, Лемуан є досить колоритним персонажем, принаймні, відповідно до його середнього профілю. Там він перераховує цілий ряд досвіду, який був перед його нинішньою посадою, описуючи себе як колишнього засудженого, військового ветерана і священника, а також дослідника ШІ.
Провідний австралійський дослідницький суперкомп’ютерний центр Pawsey Supercomputing Research Center оголосив про встановлення першого в світі квантового комп’ютера, який працює при кімнатній температурі, розташованого в суперкомп’ютерному центрі.
Розроблений німецько-австралійським стартапом Quantum Brilliance, встановлений у стійку діамантовий квантовий «прискорювач» використовує синтетичні алмази для роботи при кімнатній температурі в будь-якому середовищі.
Установка являє собою першу інтеграцію квантових обчислювальних систем у центрі суперкомп’ютерів і буде використовуватися для демонстрації та тестування гібридних моделей квантових і класичних обчислень шляхом поєднання квантового прискорювача з Setonix, новим ультрасучасним суперкомп’ютером HPE Cray від Pawsey.
«Встановлення квантового прискорювача Quantum Brilliance є важливим кроком і яскравим прикладом узгодження з цілями Австралії щодо прискорення квантових досліджень і досягнення реальної цінності, – сказав виконавчий директор Pawsey Марк Стікеллс (MarkStickells). - Партнерство між Pawsey та Quantum Brilliance відіграє вирішальну роль у демонстрації того, як ми можемо забезпечити масштаби потужності класичних квантових обчислень у спосіб, якого раніше не було в середовищі HPC».
Ендрю Хорслі (AndrewHorsley), генеральний директор Quantum Brilliance, сказав, що установка стала значущим кроком для компанії, яка прагне зробити квантову технологію компактнішою, більш гнучкої та здатною працювати в будь-якому місці.
«Польові випробування демонструють значну цінність ролі HPC у спільній розробці нових квантових технологій для прискорення їх проривів на шляху до інженерії та виробництва», — сказав Хорслі.
Тепер проект буде використовуватися для розробки діагностичного та інженерного рішення для роботи квантового комп’ютера в середовищі HPC, а команди працюватимуть над збором та покращенням даних і циклів технічного обслуговування, демонстрацією класичної та квантової спільної обробки та інтеграцією системи з Setonix.
Pawsey, яка підтримує понад 4000 дослідників у своїй інфраструктурі, використає цю можливість як спосіб допомогти дослідникам запускати алгоритми та стати готовими до квантування.
Марк Стікеллс сказав, що інтеграція квантового прискорювача в архітектуру HPC допоможе дослідникам дізнатися більше про те, як дві системи можуть працювати в тандемі.
«Це створить тестовий стенд, на якому можна буде довести реальні застосування, щоб наші дослідники могли працювати більш ефективно, що дозволить науці та прискорити відкриття, — сказав він. – Ми з нетерпінням чекаємо, що підприємства та дослідники використовують HPC як центр для дослідження нових класичних квантових кодів із використанням Setonix та квантового прискорювача як кроку до майбутнього гібридних обчислень».
Партнерство між Pawsey і Quantum Brilliance демонструє рекомендації від «Зростання австралійської індустрії квантових технологій», дорожньої карти Національного наукового агентства Австралії CSIRO в дії.
Команда Quantum Brilliance встановлює перший квантовий комп'ютер кімнатної температури в Pawsey
