Dr Eng Lim Goh- Visepresident og Chief Technologist for High Performance Computing and
Tildelt NASA-medaljen for eksepsjonellfremskritt innen teknologi som hovedetterforsker av et eksperiment ombord ISS for drift av autonome superdatamaskiner i utvidede romoppdrag. I tillegg til å co-opprette blockchain-baserte søk etter applikasjoner for sverm, overvåker han distribusjonen av AI i Formel 1-løp, industrialiserer teknologien bak mesterens pokerbot, og designer i fellesskap systemer for å simulere en biologisk detaljert pattedyrhjerne. Har seks amerikanske patenter, ytterligere fem verserer.
HPE (Hewlett Packard Enterprise)er et amerikansk IT-selskap grunnlagt i 2015år sammen med HP Inc. etter delingen av Hewlett-Packard Corporation. Arvet virksomheten i bedriftsklientsegmentet - den produserer servere, superdatamaskiner, datalagringssystemer, lagringsnettverk, nettverksutstyr, konvergerende systemer, og er også involvert i å bygge skyinfrastrukturer.
"Skyen vil forbli viktig i verden av big data"
- Skyteknologier har lenge gått utover innovasjon til moderne IT-standarder. Hvilken rolle spiller de i dag for å utvikle nye produkter?
- Hos HPE fokuserte vi databehandlingen vårutvikling som en del av trenden "perifer til sky", hovedsakelig fordi de fleste dataene går til periferien først. Vi må overføre alle dataene fra periferien til skyen, for eksempel dataene fra supermarkeder, biler, hvis vi snakker om en tilkoblet bil (en bil som kan veirettet kommunikere med andre systemer - HiTech), luftfartsindustrien og sykehus. I mange tilfeller overfører vi data til skyen for deretter å analysere dataene og sende resultatet tilbake til periferien.
Cloud computing er viktig fordi det tillater detbruk all datakraften konsentrert i skyen, mens den i periferien vanligvis er mindre. Den tradisjonelle måten er først å samle inn data på periferien, og deretter konfigurere smarte periferiutstyr for bare å sende nødvendig informasjon til skyen. Skyen har alle databehandlingsressursene for å utføre maskinlæring, gjøre analyse, få resultater som vil bli sendt tilbake til periferien. Det er grunnen til at vi tror at skyen vil forbli viktig i verden av big data.
- Hvorfor bruke kunstig intelligens for å lage nye datasentre? Hva er hovedformålet i denne sammenhengen?
- Datasentre (DPC) er i ferd med å blimer komplekse og krevende brukere. Når det gjelder kompleksiteten til datasenteret, har du i dag et stort antall sentrale (CPU) og grafiske (GPU) prosessorer for AI, som har mange kjerner. Det er også store strømmer av data, som lagring og bevegelse må organiseres. Alt dette bruker mye energi og øker kompleksiteten til datasentre.
GPU (grafikkbehandlingsenhet)- grafikkprosessor, spesialiserten enhet for å behandle grafikk og visuelle effekter. I motsetning til CPU (sentral prosesseringsenhet), er GPU-arkitekturen bedre egnet for parallell databehandling og har mye raskere minne. Moderne GPUer kan brukes ikke bare til grafikkbehandling, men også til lignende matematiske beregninger, for hvilke prosesseringshastighet er viktigere. Samtidig kan databehandlingshastigheten til GPUen sammenlignet med CPUen være tusenvis av ganger høyere.
Prosessorkjerner- uavhengige prosessorer samlet på énfysisk brikke. Denne metoden gjør det mulig å redusere den fysiske størrelsen på brikken, dens strømforbruk og varmespredning, og også øke ytelsen betydelig uten å endre prosessorarkitekturen.
Når det gjelder brukere, er kravene deres ogsåøkt kraftig. I det siste kjøpte de utstyr, lanserte det, og mens systemet fungerte, var brukerne fornøyde. Men i dag spør de: "Fungerer applikasjonene mine optimalt?" - siden ikke alltid en direkte økning i datakraft gir en proporsjonal økning i produktivitet.
Som et resultat har du brukerkrav,kompleksiteten til datasentre, noe som betyr at du må implementere mer AI, som vil se dataene og bidra til å ta bedre beslutninger. Problemet er at vi ikke har nok data til å hjelpe AI å lære. Rundt 10 tusen kunder gikk inn i prosjektet vårt og sendte dataene sine på datasenteret til skyen. Nå sender vi resultatene fra behandlingen av AI-data tilbake til hvert av disse datasentrene for å optimalisere arbeidet.
- Brukes AI for tiden aktivt i å lage utstyr for bedriftskunder? Hvor snart bør du forvente lignende teknologier i kontor- og hjemmeprodukter?
- Hvis du mener evnen til å giprognoser basert på historie, så er den allerede veldig mye brukt nå. I dag brukes det på mange områder: innen finans, for å forutsi verdien av aksjer, når man skal selge og kjøpe, i prissetting av derivater i finansmarkedene, eller til å beregne avvik i røntgenstråler i medisinen. Det er biler som er smarte nok til å forstå at for eksempel vibrasjoner i en støtdemper betyr noe dårlig, og sender informasjon om det til sjåføren. Å lære gjennom historien for å kunne ta beslutninger og spådommer har blitt en realitet. Men dristigere spådommer om at en supermann vil dukke opp er fremdeles science fiction. Imidlertid er det viktig å begynne å tenke på det nå.
“Kvantedatamaskiner, ved å bruke optimaliseringsmetoden, vil få datamaskinen med AI til å lære raskere”
- Det er vanskelig for vanlige mennesker å forstå nøyaktig hva kvantecomputere er, hvorav det blir sagt så mye i dag. Hvordan definerer du dem selv?
- Til å begynne med forstår jeg ikke kvantitetmekanikken. Jeg forstår ikke sammenfiltringen av kvantetilstander, superposisjonen og måling av kollaps til den klassiske staten. Men det spiller ingen rolle. Jeg godtar alle disse tre konseptene. Jeg innrømmer at de eksisterer. Siden jeg er ingeniør ved å trene, bruker jeg bare det jeg forstår mer. For eksempel forskjellige energinivåer av elektroner i et atom: lavt, høyt og veldig høyt. Videre er sammenfiltring når to atomer kommer så nært at de begynner å vikle seg sammen. Vi snakket også om kollaps av en funksjon når et opprinnelig usikkert system "velger" en av de tillatelige tilstandene som et resultat av måling. Jeg innrømmer eksistensen av disse tre konseptene, som lar meg fra et teknisk synspunkt kombinere alle de forskjellige kvantesystemene som for tiden er utviklet for kvanteinformasjonsbehandling.
- Nylig laget Google mye støy og kunngjorde oppnåelsen av "kvanteoverlegenhet." Bruker du kvanteteknologier i designene dine?
- Jeg tror vi vil få den analoge teknologienmålinger i kvanteberegning de neste ti årene. Men i digital forstand, for en kvantecomputer å fungere som dagens maskin, vil det ta mer enn ti år. Et av de største problemene er hvordan man skal holde sammenfiltring og superposisjon stabilt lenge nok til å gjøre beregninger. I dag har de mange feil, og korreksjonen deres krever mye mer qubits for å støtte en beregningskvbit. Derfor argumenterer jeg for at det vil ta mer enn ti år å nå et punkt hvor en kvantecomputer vil bli bedre enn klassiske datamaskiner. Derfor er det fortsatt tid, men når det vises, kan vi radikalt endre tingenes rekkefølge.
Kvanteoverlegenhet– evnen til kvanteberegningsenheterløse problemer som klassiske datamaskiner praktisk talt ikke er i stand til å løse. Google hadde tidligere annonsert planer om å demonstrere kvanteoverlegenhet før slutten av 2017 ved å bruke en rekke av 49 superledende qubits, men den faktiske oppnåelsen av et slikt resultat ble først annonsert 23. oktober 2019 som et resultat av samarbeid med NASA. I følge Google ble "kvanteoverlegenhet oppnådd på en rekke av 54 qubits, hvorav 53 var funksjonelle og ble brukt til å utføre beregninger på 200 sekunder som ville ta en konvensjonell superdatamaskin omtrent 10 000 år."
Qubit (fra kvantebit)- kvanteutslipp eller minste element forlagring av informasjon i en kvantedatamaskin. Som litt tillater en qubit to egentilstander, betegnet 0|1, men den kan også være i deres "superposisjon", det vil si i begge tilstander samtidig. Hver gang tilstanden til en qubit måles, går den tilfeldig over i en av sine egne tilstander. Qubits kan "vikles inn" med hverandre, det vil si at en uobserverbar forbindelse kan pålegges dem, uttrykt i det faktum at med enhver endring i en av flere qubits, endres resten i samsvar med den.
- Hvordan er en kvantecomputer relatert til kunstig intelligens?
- AI bruker maskinlæring, lærer den medbruker historien. Dette skjer ved prøving og feiling, han prøver en historie, spår feil, korrigerer, så en annen historie - for å forutsi, hvis ikke, så korriger. Og så tusen forsøk. Ti tusen forsøk. Hundretusen. En million eller ti millioner. Han må gjøre mange forsøk på å stille inn, til han viser riktig algoritme for prognosene. Jeg tror at kvantecomputere, ved å bruke optimaliseringsmetoden, vil få datamaskinen med AI til å lære raskere. Slik at han ikke trenger å gjøre så mange forsøk og prøve en million ganger for å oppnå riktig resultat. En kvantecomputer vil la den raskt oppnå et godt nivå av spådommer.
Blockchain og sverm etterretning
— Hvordan brukes blokkjedeteknologier på tvers av bedrifter?
- AI og blockchain er veldig nært beslektet. Vi tror at ikke selve blockchainen, men teknologien som ligger til grunn for det vil være viktig for eksterne enheter. Siden dataene vil gå til periferien, vil du gjøre så mye som mulig for å spare datakraften til skyen. Se for deg at du har en million HD-kameraer med høy definisjon. Du kan ikke sende datastrøm fra en million kameraer til skyen. Du må sette datamaskiner i periferien som er smarte nok til å bestemme: “Jeg trenger ikke sende dette. Jeg vil bare sende dette. ” Men da trenger du smarte datamaskiner. Vi tror at muligheten til å kombinere mange perifere datamaskiner i en gruppe, en “sverm” for svermtrening, vil bli viktig. Dette skyldes svermintelligens - de er begge sammenkoblet.
Den nøyaktige definisjonen av svermintelligens er det fortsatt ikkeformulert. Swarm intelligence (Swarm intelligence) beskriver den kollektive oppførselen til et desentralisert, selvorganiserende system. RI-systemer, som regel, består av mange agenter (boids), lokalt samvirker med hverandre og med miljøet. Ideer om atferd kommer vanligvis fra naturen, spesielt fra biologiske systemer. Hver boyd følger veldig enkle regler. Til tross for at det ikke er et sentralisert system for atferdshåndtering som skulle indikere for hver enkelt av dem hva de skal gjøre, fører lokale og noe tilfeldige interaksjoner til fremveksten av intelligent gruppeatferd som ikke er kontrollert av individuelle Boyids. Generelt sett bør RI være et multi-agent-system, som ville ha selvorganiserende atferd, som totalt sett bør utvise en viss fornuftig oppførsel.
Hvis vi snakker om vår metode for svermetrening, dahan er sånn. Anta at ett sykehus gir opplæring, isolerer dataene, deler ikke data, og deler bare resultatene av opplæringen. Det samme er de andre sykehusene. Hele overføringsprosessen blir koordinert gjennom blockchain-teknologi. Vi er sikre på at det er nødvendig fordi vi ønsker at alle perifere enheter skal fungere, om enn uavhengig, men som en helhet.
Vi ønsker ikke å ha sentralisert ledelse,for i svermen er det ikke det. En sverm av bier har en dronningbi i bikuben. Men hun gir ingen instruksjoner mens svermen flyr. Biene koordinerer seg. Og først når de kommer tilbake til bikuben, kommuniserer de med dronningbien, serverer den og så videre. Men når de er inne i svermen, blir de trent, må de koordinere handlinger seg imellom. Og slik lever svermen. Men hvordan koordinere det uten en leder? Blokcheyn. Derfor er blockchain viktig for periferien. Hvis det bare er en leder som koordinerer svermen, og han dropper ut, fungerer ikke hele svermen. Bier må se etter en annen leder. Det er ingen leder i blockchain.
- Hva kan du si om RI-teknologier? Er analogien med nevrale nettverk passende her?
"Roy er akkurat som et nevralt nettverk." Hver individuelle bie eller server på periferien har sitt eget nevrale nettverk. Hvert sykehus har, som en sverm, sitt eget separate nevrale treningsnettverk. Men blockchain gjør at denne opplæringen kan deles på tvers av alle sykehus. Derfor har hver bi, sykehus eller datamaskin i periferien sitt eget nevrale nettverk. Men når de deler læringen fra bi til bi, bruker de blockchain. Som et resultat bruker de både nevrale nettverk og blockchain. Nevralt nettverk brukes til selvstudium, og blockchain brukes til å dele med andre.
“Jordansvar tiltrekker unge ingeniører”
- I dag legger selskaper spesielt vekt på miljøpleie. Hva slags tiltak gjør HPE i arbeidet med å ta vare på miljøet?
– Dette er et viktig tema.For det første er vi som selskap ansvarlige for Jorden. For det andre ønsker mange unge ingeniører å bli med i et selskap som føler et slikt ansvar. Ja, jeg tror i denne nye generasjonen er det en trend mot større bevissthet. Vi ønsker å tiltrekke oss unge ingeniører. Og for det tredje er dette de riktige tingene.
Vi har to store utvinningssentre iUSA og Skottland. I følge grove anslag kjøpte, bearbeidet og solgte vi det siste året 99% av det restaurerte gamle utstyret, til sammen $ 3 millioner. Fra restene trekker vi ut mesteparten av råvarene: sølv, gull - og gjenbruker dem. Og bare en veldig liten prosentdel, omtrent 0,3%, blir kastet.
Det andre området er kundeinteraksjon iområder med miljøbeskyttelse. Et av favoritteksemplene mine er en applikasjon fra vår klient, selskapet Salling Group, designet for å bekjempe den irrasjonelle bruken av mat. I dag er rundt 2000 supermarkeder koblet til dem. For eksempel har butikker tenkt å kaste ut 26 912 matvarer fordi de er utløpt. Ved å selge slike produkter med stor rabatt, kan forhandlere øke fortjenesten med 10%, og kundene kan få varer til en lav pris.
Et annet område er ren energi. En enorm mengde karbondioksid produseres i verden, fordi folk trenger energi. Vi jobber veldig tett med ITER (International Experimental Nuclear Reactor) -prosjektet for å prøve å bruke atomfusjon for energiproduksjon. Kompleksiteten ved kjernefusjon er å holde plasmaet i et magnetfelt som kretser rundt TOKAMAK (et toroidkammer med magnetiske spoler - “HiTech”). Vi tilbyr en superdatamaskin for å beregne den optimale strukturen til TOKAMAK magnetfelt for å holde plasmaet stabilt.