Dr. Eng Lim Goh- Viceprezidents un galvenais tehnoloģiju direktors, augstas veiktspējas skaitļošana un
Apbalvota ar NASA medaļu par izcilusasniegumi tehnoloģijā kā galvenā pētnieka eksperimentam uz ISS autonomu superdatoru darbībai paplašinātās kosmosa misijās Papildus bloķēšanas ķēdes balstītu spieta apguves programmu radīšanai viņš pārrauga AI izvietošanu Formula 1 sacīkstēs, industrializē čempiona pokera robotprogrammatūras tehnoloģiju un kopīgi izstrādā sistēmas bioloģiski sīku zīdītāju smadzeņu simulēšanai. Ieguvuši sešus ASV patentus, vēl pieci vēl tiek gaidīti.
HPE (Hewlett Packard Enterprise)ir amerikāņu IT uzņēmums, kas izveidots 2015. gadā kopā ar HP Inc.pēc Hewlett-Packard Corporation sadalīšanas.Mantojis biznesu korporatīvo klientu segmentā - ražoserveriem, superdatoriem, datu glabāšanas sistēmām, uzglabāšanas tīkliem, tīkla iekārtām, konverģētām sistēmām, kā arī nodarbojas ar mākoņa infrastruktūru izveidi.
“Mākonis joprojām būs svarīgs lielo datu pasaulē”
- Mākoņu tehnoloģijas jau sen pārsniedz inovācijas mūsdienu IT standartos. Kādu lomu viņi šodien spēlē jaunu produktu izstrādē?
- HPE centrā mēs koncentrējāmies uz skaitļošanuattīstību kā daļu no perifērijas līdz mākonim, galvenokārt tāpēc, ka lielākā daļa datu vispirms nonāk perifērijā. Mums ir jāpārsūta visi dati no perifērijas uz mākoni, piemēram, lielveikalu, automašīnu dati, ja mēs runājam par savienotu automašīnu (automašīnu, kas divvirzienu var sazināties ar citām sistēmām - HiTech), aviācijas nozari un slimnīcām. Daudzos gadījumos mēs pārsūtām datus uz mākoni, lai pēc tam analizētu datus un nosūtītu rezultātu atpakaļ uz perifēriju.
Mākonis skaitļošana ir svarīga, jo tā ļaujizmantojiet visu skaitļošanas jaudu, kas koncentrēta mākonī, savukārt perifērijā tā parasti ir mazāka. Tradicionālais veids ir vispirms savākt datus par perifēriju un pēc tam konfigurēt viedās perifērijas ierīces, lai mākonim nosūtītu tikai nepieciešamo informāciju. Mākonim ir visi skaitļošanas resursi, lai vadītu mašīnmācību, veiktu analīzi un iegūtu rezultātus, kas tiks nosūtīti atpakaļ uz perifēriju. Tāpēc mēs uzskatām, ka mākonis joprojām būs svarīgs lielo datu pasaulē.
- Kāpēc jaunu datu centru izveidošanai jāizmanto mākslīgais intelekts? Kāds ir tās galvenais mērķis šajā kontekstā?
- Datu centri (DPC) kļūstsarežģītāki un prasīgāki. Kas attiecas uz datu centra sarežģītību, šodien jums ir daudz AI centrālo (CPU) un grafisko (GPU) procesoru, kuriem ir daudz kodolu. Pastāv arī lielas datu plūsmas, kuru glabāšana un pārvietošana ir jāorganizē. Tas viss patērē daudz enerģijas un palielina datu centru sarežģītību.
GPU (grafikas apstrādes bloks)ir grafikas apstrādes iekārta, specializēta ierīce grafikas un vizuālo efektu apstrādei.Atšķirībā no CPU (centrālā procesora bloka), GPU arhitektūra ir labāk piemērota paralēlai skaitļošanai, un tai irMūsdienu GPU var izmantot ne tikai grafikas apstrādei, bet arī tāda paša veida matemātiskiem aprēķiniem, kurus vairāk interesē apstrādes ātrums.Tajā pašā laikā GPU apstrādes ātrums salīdzinājumā ar CPU varjābūt tūkstošiem reižu lielākam.
Procesora serdeņi— neatkarīgi procesori, kas samontēti vienā fiziskā mikroshēmā.Samaziniet mikroshēmas fizisko izmēru, enerģijas patēriņu un siltuma izkliedi un ievērojami palieliniet veiktspēju, nemainot procesora arhitektūru.
Lietotājiem ir arī viņu prasībasievērojami palielinājies. Agrāk viņi iegādājās aprīkojumu, to palaida tirgū, un, kamēr sistēma darbojās, lietotāji bija apmierināti. Bet šodien viņi jautā: "Vai manas lietojumprogrammas darbojas optimāli?" - tā kā ne vienmēr tiešs skaitļošanas jaudas palielinājums rada proporcionālu produktivitātes pieaugumu.
Tā rezultātā jums ir lietotāja prasības,datu centru sarežģītība, kas nozīmē, ka jums jāievieš vairāk AI, kas apskatītu datus un palīdzētu pieņemt labākus lēmumus. Problēma ir tā, ka mums nav pietiekami daudz datu, lai palīdzētu AI mācīties. Apmēram 10 tūkstoši klientu ienāca mūsu projektā un nosūtīja savus datus datu centrā uz mākoni. Tagad mēs nosūtām AI datu apstrādes rezultātus atpakaļ uz katru no šiem datu centriem, lai optimizētu viņu darbu.
- Vai AI šobrīd aktīvi izmanto, lai radītu aprīkojumu korporatīvajiem klientiem? Cik drīz jums vajadzētu sagaidīt līdzīgas tehnoloģijas biroja un mājas izstrādājumos?
- Ja jūs domājat spēju dotprognozes, kas balstītas uz vēsturi, tad to jau tagad izmanto ļoti plaši. Mūsdienās to izmanto daudzās jomās: finansēs, lai prognozētu krājumu vērtību, kad tos pārdot un pirkt, cenu atvasinātajos finanšu tirgos vai lai aprēķinātu rentgenstaru anomālijas medicīnā. Ir automašīnas, kas ir pietiekami gudras, lai saprastu, ka, piemēram, vibrācija amortizatorā nozīmē kaut ko sliktu, un nosūta vadītājam informāciju par to. Mācīšanās vēstures laikā, lai varētu pieņemt lēmumus un paredzēt, ir kļuvusi par realitāti. Bet drosmīgākas prognozes, ka parādīsies supermens, joprojām ir zinātniskā fantastika. Tomēr ir svarīgi sākt domāt par to tagad.
“Kvantu datori, izmantojot optimizācijas metodi, padarīs datoru ar AI ātrāku mācīšanos”
- Parastiem cilvēkiem ir grūti saprast, kas īsti ir kvantu datori, par kuriem viņi šodien tik daudz runā. Kā jūs tos definējat sev?
- Sākumā es nesaprotu kvantumehānika. Es nesaprotu kvantu stāvokļu sapīšanos, sabrukuma superpozīciju un mērīšanu līdz klasiskajam stāvoklim. Bet tam nav nozīmes. Es piekrītu visiem trim šiem jēdzieniem. Es atzīstu, ka viņi pastāv. Tā kā apmācībā esmu inženieris, izmantoju tikai to, ko vairāk saprotu. Piemēram, dažādi elektronu enerģijas līmeņi atomā: zems, augsts un ļoti augsts. Turklāt sapīšanās notiek tad, kad divi atomi ir pietuvojušies tiktāl, ka sāk sapīties. Mēs runājām arī par funkcijas sabrukumu, kad sākotnēji neskaidrā sistēma mērīšanas rezultātā “izvēlas” vienu no pieļaujamajiem stāvokļiem. Es atzīstu šo trīs jēdzienu esamību, kas ļauj man no inženiertehniskā viedokļa apvienot visas dažādās kvantu sistēmas, kuras pašlaik tiek izstrādātas kvantu informācijas apstrādei.
- Pavisam nesen Google radīja lielu troksni, paziņojot par “kvantu pārākuma” sasniegšanu. Vai jūs izmantojat kvantu tehnoloģijas savos dizainos?
- Es domāju, ka mēs iegūsim analogo tehnoloģijumērījumi kvantu skaitļošanā nākamajos desmit gados. Bet digitālā nozīmē, lai kvantu dators darbotos kā mūsdienu mašīna, būs nepieciešami vairāk nekā desmit gadi. Viena no lielākajām problēmām ir tas, kā pietiekami ilgi noturēt sapīšanos un superpozīciju, lai veiktu aprēķinus. Mūsdienās viņiem ir daudz kļūdu, un, lai atbalstītu vienu skaitļošanas kvadrātu, to labošanai ir nepieciešams daudz vairāk kvitu. Tāpēc es apgalvoju, ka būs nepieciešami vairāk nekā desmit gadi, lai sasniegtu punktu, kurā kvantu dators kļūs labāks par klasiskajiem datoriem. Tāpēc vēl ir laiks, bet, kad tas parādās, mēs varam radikāli mainīt lietu kārtību.
Kvantu pārākumsKvantu skaitļošanas ierīču spēja atrisināt problēmas, kuras klasiskie datori praktiski nespēj atrisinātAtrisināt. Google iepriekš bija paziņojis par plāniem līdz 2017. gada beigām demonstrēt kvantu pārākumu, izmantojot 49 supravadītāju qubitu masīvu, taču tā rezultātā tas faktiski netika paziņots līdz 2019. gada 23. oktobrimSaskaņā ar Google teikto, "kvantu pārākums tika sasniegts ar 54 qubitu masīvu, no kuriem 53 bija funkcionāli un tika izmantoti, lai veiktu aprēķinus 200 sekundēs, kas parastam superdatoram prasītu apmēram 10 000 gadu."
Qubit (no kvantu bita)ir kvantu izlāde jeb mazākais elements informācijas glabāšanai kvantu datorā.Tāpat kā mazliet, qubit ļauj divus eigenstates, kas apzīmēti ar 0|1, bet varbūt viņu "superpozīcijā", tas ir, abās valstīs vienlaicīgi.Jebkurā qubit stāvokļa mērījumā tas nejauši pāriet vienā no saviem stāvokļiem.Qubits var būt "sapinušies" viens ar otru, tas ir, tie var būtTiek uzspiestas nenovērojamas attiecības, kurās katru reizi, kad mainās viens no vairākiem qubitiem, pārējie mainās kopā ar to.
- Kā kvantu dators ir saistīts ar mākslīgo intelektu?
- AI izmanto mašīnmācīšanos, tā mācās arizmantojot stāstu. Tas notiek ar izmēģinājumu un kļūdu, viņš mēģina vienu stāstu, prognozē nepareizi, labo, tad citu stāstu - lai paredzētu, ja nē, tad labotu. Un tātad tūkstoš mēģinājumu. Desmit tūkstoši mēģinājumu. Simt tūkstoši. Miljons vai desmit miljoni. Viņam ir jāveic daudzi mēģinājumi noskaņoties, līdz viņš parāda pareizo prognožu algoritmu. Es uzskatu, ka kvantu datori, izmantojot optimizācijas metodi, padarīs datoru ar AI ātrāku mācīšanos. Lai viņam nebūtu jāveic tik daudz mēģinājumu un jāmēģina miljons reizes, lai sasniegtu pareizo rezultātu. Kvantu dators ļaus tam ļoti ātri sasniegt labu prognožu līmeni.
Blockchain un spieta intelekts
— Kā blokķēdes tehnoloģijas tiek izmantotas uzņēmumos?
- AI un blockchain ir ļoti cieši saistīti. Mēs uzskatām, ka perifēriskajām ierīcēm svarīga būs nevis pati ķēdes ķēde, bet tehnoloģija, kas ir tās pamatā. Tā kā dati nonāks perifērijā, jūs vēlēsities darīt visu iespējamo, lai ietaupītu mākoņa skaitļošanas jaudu. Iedomājieties, ka jums ir miljons augstas izšķirtspējas HD kameru. Jūs nevarat nosūtīt datu plūsmu no miljona kameru uz mākoni. Jums perifērijā būs jāievieto pietiekami gudri datori, lai izlemtu: “Man tas nav jānosūta. Es nosūtīšu tikai šo. ” Bet tad jums ir nepieciešami viedie datori. Mēs uzskatām, ka spēja apvienot daudzus perifērijas datorus vienā grupā, viena “spieda” spieķu apmācībai, būs svarīga. Tas ir saistīts ar spieta intelektu - viņi abi ir savstarpēji saistīti.
Precīza spiegu intelekta definīcija joprojām nav noteiktaformulēts. Spieta intelekts (spieta intelekts) raksturo decentralizētas, pašorganizējošas sistēmas kolektīvo izturēšanos. RI sistēmas, kā likums, sastāv no daudziem aģentiem (blokiem), kas lokāli mijiedarbojas savā starpā un ar vidi. Uzvedības idejas parasti nāk no dabas, it īpaši no bioloģiskajām sistēmām. Katrs zēns ievēro ļoti vienkāršus noteikumus. Neskatoties uz to, ka nav centralizētas uzvedības vadības sistēmas, kas katram no viņiem norādītu, kā rīkoties, lokāla un nedaudz nejauša mijiedarbība rada inteliģentu grupas uzvedību, kuru nekontrolē atsevišķi puiši. Parasti RI vajadzētu būt vairāku aģentu sistēmai, kurai būtu pašorganizējoša uzvedība, kurai kopumā vajadzētu būt zināmai saprātīgai rīcībai.
Ja mēs runājam par mūsu metodi spieta treniņam, tadviņš ir tāds. Pieņemsim, ka viena slimnīca nodrošina apmācību, izolējot savus datus, tā nedalās ar datiem un dalās tikai ar apmācības rezultātiem. Tāpat kā citas slimnīcas. Viss pārsūtīšanas process tiek koordinēts, izmantojot blockchain tehnoloģiju. Mēs esam pārliecināti, ka tas ir vajadzīgs, jo mēs vēlamies, lai visas perifērijas ierīces darbotos, kaut arī neatkarīgi, bet kopumā kā spiets.
Mēs nevēlamies centralizētu pārvaldību,jo bars tā nav. Bišu barā stropā ir bišu karaliene. Bet viņa nedod norādījumus, kamēr bars lido. Bites koordinē sevi. Un tikai tad, kad viņi atgriežas stropā, viņi sazinās ar bišu karalieni, kalpo tai utt. Bet, atrodoties spieta iekšienē, viņi tiek apmācīti, viņiem savā starpā jāsaskaņo darbības. Un tā bars dzīvo. Bet kā to koordinēt bez vadītāja? Blokķēde Tāpēc blokķēde ir svarīga perifērijai. Ja ir tikai viens vadonis, kurš koordinē spietu un viņš izkrīt, tad viss bars nedarbojas. Bites ir jāmeklē cits vadītājs. Blokķēdē nav līdera.
- Ko jūs varat teikt par RI tehnoloģijām? Vai šeit ir piemērota analoģija ar neironu tīkliem?
"Roy ir tieši tāds kā neironu tīkls." Katrai perifērijas bitei vai serverim ir savs neironu tīkls. Katrai slimnīcai, tāpat kā spieķim, ir savs atsevišķs apmācības neironu tīkls. Bet blockchain ļauj šo apmācību dalīt visās slimnīcās. Tāpēc katrai perifērijas bitei, slimnīcai vai datoram ir savs neironu tīkls. Bet, kad viņi dalās mācībās no bišu uz bišu, viņi izmanto blockchain. Rezultātā viņi izmanto gan neironu tīklus, gan blokķēdi. Neironu tīkls tiek izmantots pašmācībai, un blockchain tiek izmantots, lai dalītos ar citiem.
“Zemes atbildība piesaista jaunos inženierus”
- Mūsdienās korporācijas īpašu uzmanību pievērš vides aprūpei. Kādus pasākumus HPE veic, rūpējoties par vidi?
– Šī ir svarīga tēma.Pirmkārt, mēs kā uzņēmums esam atbildīgi par Zemi. Otrkārt, daudzi jauni inženieri vēlas pievienoties uzņēmumam, kas izjūt šādu atbildību. Jā, es domāju, ka šajā jaunajā paaudzē ir tendence uz lielāku apziņu. Mēs vēlamies piesaistīt jaunus inženierus. Un, treškārt, tās ir pareizās lietas.
Mums ir divi lieli reģenerācijas centriASV un Skotija. Pēc aptuveniem aprēķiniem, pēdējā gada laikā mēs iegādājāmies, apstrādājām un pārdevām 99% atjaunoto veco iekārtu, par kopējo summu 3 miljoni USD. No atlikumiem mēs iegūstam lielāko daļu izejvielu: sudrabu, zeltu un atkārtoti izmantojam tos. Un tiek izmests tikai ļoti mazs procents, apmēram 0,3%.
Otra joma ir klientu mijiedarbībavides aizsardzības jomas. Viens no maniem iecienītākajiem piemēriem ir mūsu klienta Salling Group lietojumprogramma, kas izstrādāta, lai apkarotu neracionālu pārtikas lietošanu. Mūsdienās ar tiem ir saistīti apmēram 2000 lielveikalu. Piemēram, veikali plāno izmest 26 912 pārtikas preces, jo tām ir beidzies derīguma termiņš. Pārdodot šādus produktus ar lielu atlaidi, mazumtirdzniecības ķēdes var palielināt savu peļņu par 10%, un klienti var iegādāties preces par zemu cenu.
Vēl viena joma ir tīra enerģija. Pasaulē tiek saražots milzīgs daudzums oglekļa dioksīda, jo cilvēkiem ir nepieciešama enerģija. Mēs ļoti cieši sadarbojamies ar ITER (Starptautiskais eksperimentālais kodolreaktors) projektu, lai mēģinātu enerģijas ražošanā izmantot kodolsintēzi. Kodolsintēzes sarežģītība ir saglabāt plazmu magnētiskajā laukā, kas griežas ap TOKAMAK (toroidālo kameru ar magnētiskajām spolēm - “HiTech”). Mēs nodrošinām superdatoru, lai aprēķinātu TOKAMAK magnētiskā lauka optimālo struktūru, lai plazma būtu stabila.