Dr. Eng Lim Goh- Vicepræsident og Chief Technologist for High Performance Computing og
Tildelt NASA-medaljen for eneståendefremskridt inden for teknologi som den vigtigste efterforsker af et eksperiment ombord ISS til drift af autonome supercomputere i udvidede rummissioner. Ud over at co-skabe blockchain-baserede applikationer til sværmindlæring overvåger han implementeringen af AI i Formel 1-løb, industrialiserer teknologien bag mesterens pokerbot og designer i fællesskab systemer til simulering af en biologisk detaljeret pattedyrhjerne. Har seks amerikanske patenter, endnu fem er verserende.
HPE (Hewlett Packard Enterprise)er en amerikansk it-virksomhed grundlagt i 2015år sammen med HP Inc. efter opdelingen af Hewlett-Packard Corporation. Har arvet forretningen i erhvervskundesegmentet - den producerer servere, supercomputere, datalagringssystemer, lagernetværk, netværksudstyr, konvergente systemer og er også involveret i opbygning af cloud-infrastrukturer.
“Skyen vil forblive vigtig i verdenen af big data”
- Cloud-teknologier er længe gået ud over innovation til moderne it-standarder. Hvilken rolle spiller de i dag i udviklingen af nye produkter?
- Hos HPE fokuserede vi vores computingudvikling som en del af trenden "perifer til sky", hovedsageligt fordi de fleste af dataene først går til periferien. Vi er nødt til at overføre alle data fra periferien til skyen, for eksempel data fra supermarkeder, biler, hvis vi taler om en tilsluttet bil (en bil, der kan bidirectionalt kommunikere med andre systemer - HiTech), luftfartsindustrien og hospitaler. I mange tilfælde overfører vi data til skyen for derefter at analysere dataene og sende resultatet tilbage til periferien.
Cloud computing er vigtigt, fordi det tillader detbrug al den computerkraft, der er koncentreret i skyen, mens den i periferien normalt er mindre. Den traditionelle måde er først at indsamle data om periferien og derefter konfigurere smarte perifere enheder til kun at sende de nødvendige oplysninger til skyen. Skyen har alle computerressourcer til at udføre maskinlæring, foretage analyse, få resultater, der vil blive sendt tilbage til periferien. Derfor tror vi, at skyen vil forblive vigtig i verdenen af big data.
- Hvorfor bruge kunstig intelligens til at oprette nye datacentre? Hvad er dets hovedformål i denne sammenhæng?
- Datacentre (DPC) er ved at blivemere kompleks og krævende brugere. Med hensyn til datacenters kompleksitet har du i dag et stort antal centrale (CPU) og grafiske (GPU) processorer til AI, som har mange kerner. Der er også store datastrømme, hvis lagring og bevægelse skal organiseres. Alt dette bruger meget energi og øger datacentrenes kompleksitet.
GPU (grafikbehandlingsenhed)- grafikprocessor, specialisereten enhed til behandling af grafik og visuelle effekter. I modsætning til CPU'en (central processing unit) er GPU-arkitekturen bedre egnet til parallel computing og har meget hurtigere hukommelse. Moderne GPU'er kan ikke kun bruges til grafikbehandling, men også til lignende matematiske beregninger, for hvilke behandlingshastigheden er vigtigere. Samtidig kan databehandlingshastigheden for GPU'en sammenlignet med CPU'en være tusindvis af gange højere.
Processorkerner- uafhængige processorer samlet på énfysisk chip. Denne metode gør det muligt at reducere den fysiske størrelse af chippen, dens strømforbrug og varmeafledning og også øge ydeevnen markant uden at ændre processorarkitekturen.
Hvad angår brugere, er deres krav ogsåsteget kraftigt. Tidligere købte de udstyr, lancerede det, og mens systemet fungerede, var brugerne tilfredse. Men i dag spørger de: "Arbejder mine applikationer optimalt?" - da ikke altid en direkte stigning i computerkraft giver en forholdsmæssig stigning i produktiviteten.
Som et resultat har du brugerkrav,kompleksiteten af datacentre, hvilket betyder, at du er nødt til at implementere mere AI, som vil se dataene og hjælpe med at træffe bedre beslutninger. Problemet er, at vi ikke har nok data til at hjælpe AI med at lære. Cirka 10 tusinde kunder kom ind i vores projekt og sendte deres data på datacentret til skyen. Nu sender vi resultaterne af behandlingen af AI-data tilbage til hvert af disse datacentre for at optimere deres arbejde.
- Bruges AI i øjeblikket aktivt til at skabe udstyr til erhvervskunder? Hvor hurtigt skal du forvente lignende teknologier i kontor- og hjemmeprodukter?
- Hvis du mener evnen til at giveprognoser baseret på historien, så er de allerede meget udbredt nu. I dag bruges det på mange områder: inden for finansiering, til at forudsige værdien af lagre, hvornår man skal sælge og købe, til prisfastsættelse af derivater på finansielle markeder eller til at beregne afvigelser i røntgenstråler i medicinen. Der er biler, der er smarte nok til at forstå, at for eksempel vibrationer i en støddæmper betyder noget dårligt, og sender information om det til chaufføren. At lære gennem historien for at være i stand til at tage beslutninger og forudsigelser er blevet en realitet. Men dristige forudsigelser om, at en supermann vil dukke op, er stadig science fiction. Det er dog vigtigt at begynde at tænke over det nu.
“Kvantecomputere ved hjælp af optimeringsmetoden får computeren med AI til at lære hurtigere”
- Det er vanskeligt for almindelige mennesker at forstå nøjagtigt, hvad kvantecomputere er, hvoraf der bliver sagt så meget i dag. Hvordan definerer du dem for dig selv?
- Til at begynde med forstår jeg ikke kvantemekanikeren. Jeg forstår ikke sammenfiltringen af kvantetilstander, superpositionen og måling af sammenbrud til den klassiske tilstand. Men det betyder ikke noget. Jeg accepterer alle disse tre begreber. Jeg indrømmer, at de findes. Da jeg er uddannet ingeniør, bruger jeg kun det, jeg forstår mere. For eksempel forskellige energiniveauer af elektroner i et atom: lavt, højt og meget højt. Endvidere er sammenfiltring, når to atomer kommer så tæt på, at de begynder at blive sammenfiltret. Vi talte også om sammenbruddet af en funktion, når et oprindeligt usikkert system "vælger" en af de tilladte tilstande som et resultat af måling. Jeg indrømmer eksistensen af disse tre koncepter, som tillader mig fra et teknisk synspunkt at kombinere alle de forskellige kvantesystemer, der i øjeblikket er under udvikling til kvanteinformation.
- For nylig lavede Google en masse støj og annoncerede opnåelsen af "kvanteoverlegenhed." Bruger du kvanteteknologier i dine designs?
- Jeg tror, vi får den analoge teknologimålinger i kvanteberegning i de næste ti år. Men i digital forstand vil det for en kvantecomputer fungere som nutidens maskine tage mere end ti år. Et af de største problemer er, hvordan man holder sammenfiltring og superposition stabil nok længe til at foretage beregninger. I dag har de mange fejl, og deres korrektion kræver meget flere qubits for at understøtte en beregningskvbit. Derfor hævder jeg, at det vil tage mere end ti år at nå det punkt, hvor en kvantecomputer bliver bedre end klassiske computere. Derfor er der stadig tid, men når det vises, kan vi radikalt ændre rækkefølgen af ting.
Kvanteoverlegenhed– evnen til kvantecomputereløse problemer, som klassiske computere praktisk talt ikke er i stand til at løse. Google havde tidligere annonceret planer om at demonstrere kvanteoverherredømme inden udgangen af 2017 ved hjælp af en række af 49 superledende qubits, men den faktiske opnåelse af et sådant resultat blev først annonceret den 23. oktober 2019 som et resultat af samarbejdet med NASA. Ifølge Google blev "kvanteoverherredømme opnået på en række af 54 qubits, hvoraf 53 var funktionelle og blev brugt til at udføre beregninger på 200 sekunder, der ville tage en konventionel supercomputer omkring 10.000 år."
Qubit (fra kvantebit)- kvanteudladning eller mindste element tillagring af information i en kvantecomputer. Som lidt tillader en qubit to egentilstande, betegnet 0|1, men den kan også være i deres "superposition", det vil sige i begge tilstande samtidigt. Når en qubits tilstand måles, går den tilfældigt over i en af sine egne tilstande. Qubits kan være "viklet ind" med hinanden, det vil sige, at en uobserverbar forbindelse kan pålægges dem, udtrykt i det faktum, at med enhver ændring i en af flere qubits, ændres resten i overensstemmelse med den.
- Hvordan er en kvantecomputer relateret til kunstig intelligens?
- AI bruger maskinlæring, den lærer medved hjælp af historien. Dette sker ved prøve og fejl, han prøver en historie, forudsiger forkert, korrigerer, derefter en anden historie - for at forudsige, hvis ikke, så rigtigt. Og så tusind forsøg. Ti tusind forsøg. Hundrede tusind. En million eller ti millioner. Han er nødt til at gøre mange forsøg på at indstille sig, indtil han viser den rigtige algoritme til prognoserne. Jeg tror, at kvantecomputere ved hjælp af optimeringsmetoden vil få computeren med AI til at lære hurtigere. Så at han ikke behøver at gøre så mange forsøg og prøve en million gange for at opnå det rigtige resultat. En kvantecomputer tillader den meget hurtigt at opnå et godt niveau af forudsigelser.
Blockchain og sverm efterretning
— Hvordan bruges blockchain-teknologier på tværs af virksomheder?
- AI og blockchain hænger meget tæt sammen. Vi mener, at ikke selve blockchainen, men teknologien, der ligger til grund for den, vil være vigtig for perifere enheder. Da dataene vil strømme til periferien, vil du gøre så meget som muligt for at gemme computerkraften i skyen. Forestil dig, at du har en million HD-kameraer med høj opløsning. Du kan ikke sende datastrøm fra en million kameraer til skyen. Du bliver nødt til at sætte computere på periferien, der er smarte nok til at bestemme: ”Jeg har ikke brug for at sende dette. Jeg sender kun dette. ” Men så har du brug for smarte computere. Vi mener, at muligheden for at forbinde flere perifere computere i en gruppe, en "sværm" til sværmetræning vil blive vigtig. Dette skyldes sværmens intelligens - de er begge sammenkoblet.
Den nøjagtige definition af svermintelligens er stadig ikkeformuleres. Swarm intelligence (Swarm intelligence) beskriver den kollektive opførsel af et decentraliseret, selvorganiserende system. RI-systemer består som regel af mange agenter (boids), der lokalt interagerer med hinanden og med miljøet. Ideer om adfærd kommer normalt fra naturen, især fra biologiske systemer. Hver boyd følger meget enkle regler. På trods af det faktum, at der ikke er et centralt system for adfærdsstyring, der indikerer for hver af dem, hvad de skal gøre, fører lokale og noget tilfældige interaktioner til fremkomsten af intelligent gruppeatfærd, der ikke kontrolleres af individuelle Boyids. Generelt bør RI være et multi-agent-system, der ville have selvorganiserende opførsel, som i alt skal udvise en vis rimelig opførsel.
Hvis vi taler om vores metode til sværmetræning, såhan er sådan. Antag, at et hospital giver træning, isolerer dets data, det deler ikke data, og deler kun resultaterne af dets træning. Det samme er de andre hospitaler. Hele denne overførselsproces koordineres gennem blockchain-teknologi. Vi er sikre på, at det er nødvendigt, fordi vi ønsker, at alle perifere enheder skal fungere, omend uafhængigt, men som en helhed.
Vi ønsker ikke at have centraliseret ledelse,for i sværmen er det ikke det. En sverm af bier har en dronningbi i bikuben. Men hun giver ingen instruktioner, mens sværmen flyver. Bierne koordinerer sig selv. Og først når de vender tilbage til bikuben, kommunikerer de med dronningbien, serverer den og så videre. Men når de er inde i sværmen, trænes de, er de nødt til at koordinere handlinger indbyrdes. Og så lever sværmen. Men hvordan koordineres det uden en leder? Blokcheyn. Derfor er blockchain vigtigt for periferien. Hvis der kun er en leder, der koordinerer sværmen, og han falder ud, fungerer hele sværmen ikke. Bier skal se efter en anden leder. Der er ingen leder i blockchain.
- Hvad kan du sige om RI-teknologier? Er analogien med neurale netværk passende her?
“Roy er nøjagtigt som et neuralt netværk.” Hver individuelle bi eller server på periferien har sit eget neurale netværk. Hvert hospital har ligesom en sverm sit eget separate træningsnetværk. Men blockchain gør det muligt at dele denne træning på tværs af alle hospitaler. Derfor har hvert bi, hospital eller computer på periferien sit eget neurale netværk. Men når de deler deres læring fra bi til bi, bruger de blockchain. Som et resultat bruger de både neurale netværk og blockchain. Neuralnetværket bruges til selvstudie, og blockchain bruges til at dele med andre.
“Jordansvar tiltrækker unge ingeniører”
- I dag lægger virksomheder særlig vægt på miljøpleje. Hvilken type foranstaltninger træffer HPE i sit arbejde for at tage sig af miljøet?
- Det er et vigtigt emne.For det første er vi som virksomhed ansvarlige for Jorden. For det andet ønsker mange unge ingeniører at blive en del af en virksomhed, der føler et sådant ansvar. Ja, jeg tror, at der i denne nye generation er en tendens til større bevidsthed. Vi vil tiltrække unge ingeniører. Og for det tredje er det de rigtige ting.
Vi har to store gendannelsescentre iUSA og Skotland. I henhold til grove skøn har vi i det forløbne år købt, forarbejdet og solgt 99% af det restaurerede gamle udstyr, i alt $ 3 millioner. Fra resterne udvinder vi det meste af råmaterialerne: sølv, guld - og genbruger dem. Og kun en meget lille procentdel, ca. 0,3%, smides væk.
Det andet område er kundeinteraktion iområder med miljøbeskyttelse. Et af mine yndlingseksempler er en applikation fra vores klient, Salling Group, designet til at bekæmpe den irrationelle brug af mad. I dag er omkring 2.000 supermarkeder forbundet til dem. For eksempel agter butikkerne at smide 26.912 fødevarer ud, fordi de er udløbet. Ved at sælge sådanne produkter med stor rabat kan detailkæder øge deres overskud med 10%, og kunderne kan få varer til en lav pris.
Et andet område er ren energi. En enorm mængde kuldioxid produceres i verden, fordi mennesker har brug for energi. Vi arbejder meget tæt med ITER-projektet (International Experimental Nuclear Reactor) for at forsøge at bruge kernefusion til energiproduktion. Kompleksiteten ved nuklear fusion er at holde plasmaet i et magnetfelt, der kredser om TOKAMAK (et toroidekammer med magnetiske spoler - “HiTech”). Vi leverer en supercomputer til beregning af den optimale struktur af TOKAMAK magnetfelt for at holde plasmaet stabilt.