Dr Eng Lim Goh- Vice VD och chefstekniker för högpresterande datorer och
Tilldelades NASA-medaljen för exceptionellttekniska framsteg som huvudutredare för ett experiment ombord på ISS för drift av autonoma superdatorer i utökade rymduppdrag. Förutom att samskapande blockchainbaserade applikationer för svärmutforskning övervakar han installationen av AI i Formel 1-lopp, industrialiserar tekniken bakom mästare pokerboten och designar tillsammans system för att simulera en biologiskt detaljerad däggdjurshjärna. Har sex amerikanska patent, ytterligare fem väntar.
HPE (Hewlett Packard Enterprise)är ett amerikanskt IT-företag som grundades 2015år tillsammans med HP Inc. efter uppdelningen av Hewlett-Packard Corporation. Ärvde verksamheten i företagsklientsegmentet - den producerar servrar, superdatorer, datalagringssystem, lagringsnätverk, nätverksutrustning, konvergenta system och är också involverad i att bygga molninfrastrukturer.
"Molnet kommer att förbli viktigt i världen av big data"
- Molnteknologier har länge gått utöver innovation till moderna IT-standarder. Vilken roll spelar de idag för att utveckla nya produkter?
- På HPE fokuserade vi vår datoranvändningutveckling som en del av "perifera till moln" -trenden, främst för att de flesta av uppgifterna går först till periferin. Vi måste överföra all data från periferin till molnet, till exempel information om stormarknader, bilar, om vi talar om en ansluten bil (en bil som kan kommunicera i två riktningar med andra system - HiTech), flygindustrin och sjukhus. I många fall överför vi data till molnet, sedan för att analysera data och skicka resultatet tillbaka till periferin.
Cloud computing är viktigt eftersom det tillåteranvänd all datorkraft koncentrerad i molnet, medan den i periferin vanligtvis är mindre. Det traditionella sättet är att först samla in data om periferin och sedan konfigurera smarta kringutrustning för att bara skicka nödvändig information till molnet. Molnet har alla datorresurser för att utföra maskininlärning, göra analyser, få resultat som kommer att skickas tillbaka till periferin. Det är därför vi tror att molnet kommer att förbli viktigt i världen av big data.
- Varför använda konstgjord intelligens för att skapa nya datacenter? Vad är dess huvudsakliga syfte i detta sammanhang?
- Datacenter (DPC) håller på att blimer komplexa och krävande användare. När det gäller datacentrets komplexitet har du idag ett stort antal centrala (CPU) och grafiska (GPU) processorer för AI, som har många kärnor. Det finns också stora dataflöden vars lagring och rörelse måste organiseras. Allt detta förbrukar mycket energi och ökar komplexiteten hos datacentra.
GPU (grafikbearbetningsenhet)- grafikprocessor, specialiseraden enhet för bearbetning av grafik och visuella effekter. Till skillnad från CPU (central processing unit) är GPU-arkitekturen bättre lämpad för parallell beräkning och har mycket snabbare minne. Moderna GPU:er kan användas inte bara för grafikbearbetning, utan också för liknande matematiska beräkningar, för vilka bearbetningshastigheten är viktigare. Samtidigt kan databehandlingshastigheten för GPU:n jämfört med CPU:n vara tusentals gånger högre.
Processorkärnor- Oberoende processorer samlade på enfysiskt chip. Denna metod gör det möjligt att minska den fysiska storleken på chippet, dess strömförbrukning och värmeavledning, och även avsevärt öka prestandan utan att ändra processorarkitekturen.
Vad gäller användare är deras krav ocksåökade kraftigt. Tidigare köpte de utrustning, lanserade den, och medan systemet fungerade var användarna nöjda. Men idag frågar de: "Fungerar mina applikationer optimalt?" - eftersom inte alltid en direkt ökning av datorkraften ger en proportionell ökning av produktiviteten.
Som ett resultat har du användarkrav,komplexiteten hos datacentra, vilket innebär att du måste implementera mer AI, vilket skulle kunna se uppgifterna och hjälpa till att fatta bättre beslut. Problemet är att vi inte har tillräckligt med data för att hjälpa AI att lära sig. Cirka 10 tusen kunder kom in i vårt projekt och skickade sina data på datacentret till molnet. Nu skickar vi resultaten av bearbetning av AI-data till var och en av dessa datacenter för att optimera deras arbete.
- Används AI för närvarande aktivt för att skapa utrustning för företagskunder? Hur snart ska du förvänta dig liknande teknik inom kontor och hemmaprodukter?
- Om du menar förmågan att geprognoser baserade på historia, då är det redan mycket använt nu. Idag används det på många områden: inom finansiering, för att förutsäga värdet på aktier, när man ska sälja och köpa, i prissättning derivat på finansiella marknader, eller för att beräkna avvikelser i röntgenstrålar i medicinen. Det finns bilar som är tillräckligt smarta för att förstå att till exempel vibrationer i en stötdämpare betyder något dåligt och skicka information om det till föraren. Att lära sig genom historien för att kunna fatta beslut och förutsägelser har blivit verklighet. Men djärvare förutsägelser om att en superman kommer att dyka upp är fortfarande science fiction. Det är dock viktigt att börja tänka på det nu.
"Kvantdatorer, med hjälp av optimeringsmetoden, kommer att göra att datorn med AI lär sig snabbare"
- Det är svårt för vanliga människor att förstå vad kvantdatorer exakt är som de pratar så mycket idag. Hur definierar du dem själv?
- Till att börja med förstår jag inte kvantitetmekaniken. Jag förstår inte viklingen av kvanttillstånd, superpositionen och mätningen av kollaps till det klassiska tillståndet. Men det spelar ingen roll. Jag accepterar alla dessa tre begrepp. Jag medger att de finns. Eftersom jag utbildar ingenjör använder jag bara det jag förstår mer. Till exempel olika energinivåer av elektroner i en atom: låg, hög och mycket hög. Vidare är intrassling när två atomer kommer så nära att de börjar trassla in sig. Vi talade också om kollaps av en funktion när ett ursprungligt osäkert system "väljer" ett av de tillåtna tillstånden som ett resultat av mätning. Jag medger att dessa tre koncept finns, vilket gör det möjligt för mig från en teknisk synvinkel att kombinera alla de olika kvantsystem som för närvarande utvecklas för kvantinformation.
- På senare tid gjorde Google mycket buller och tillkännagav uppnåendet av "kvantöverlägsenhet." Använder du kvantteknologier i dina mönster?
- Jag tror att vi kommer att få den analoga teknikenmätningar i kvantberäkning under de kommande tio åren. Men i digital bemärkelse kommer det att ta mer än tio år för en kvantdator att fungera som dagens maskin. Ett av de största problemen är hur man håller förvirring och superposition stabil tillräckligt länge för att göra beräkningar. Idag har de många fel, och deras korrigering kräver mycket fler qubits för att stödja en beräkningskvbit. Därför hävdar jag att det kommer att ta mer än tio år att nå den punkt där en kvantdator blir bättre än klassiska datorer. Därför finns det fortfarande tid, men när det dyker upp kan vi radikalt ändra saker och ting.
Kvantöverlägsenhet– förmågan hos kvantberäkningsenheterlösa problem som klassiska datorer praktiskt taget inte kan lösa. Google hade tidigare tillkännagett planer på att demonstrera kvantöverlägsenhet före slutet av 2017 med hjälp av en uppsättning av 49 supraledande qubits, men det faktiska uppnåendet av ett sådant resultat tillkännagavs först den 23 oktober 2019 som ett resultat av samarbetet med NASA. Enligt Google uppnåddes "kvantöverlägsenhet på en uppsättning av 54 qubits, varav 53 var funktionella och användes för att utföra beräkningar på 200 sekunder som skulle ta en konventionell superdator cirka 10 000 år."
Qubit (från kvantbit)- kvanturladdning eller minsta element förlagra information i en kvantdator. Som en bit tillåter en qubit två egentillstånd, betecknade 0|1, men den kan också vara i sin "superposition", det vill säga i båda tillstånden samtidigt. Närhelst tillståndet för en qubit mäts övergår den slumpmässigt till ett av sina egna tillstånd. Qubits kan "trasslas ihop" med varandra, det vill säga en oobserverbar koppling kan påtvingas dem, uttryckt i det faktum att med varje förändring över en av flera qubits, ändras resten i samklang med den.
- Hur är en kvantdator relaterad till artificiell intelligens?
- AI använder maskininlärning, det lär sig medanvänder historien. Detta händer med prövning och fel, han försöker en berättelse, förutsäger felaktigt, korrigerar, sedan en annan historia - för att förutsäga, om inte, sedan korrigera. Och så tusen försök. Tiotusen försök. Hundra tusen. En miljon eller tio miljoner. Han måste göra många försök att stämma in tills han visar rätt algoritm för prognoserna. Jag tror att kvantdatorer med hjälp av optimeringsmetoden kommer att få datorn med AI att lära sig snabbare. Så att han inte behöver göra så många försök och försöka en miljon gånger för att uppnå rätt resultat. En kvantdator låter den mycket snabbt uppnå en bra nivå av förutsägelser.
Blockchain och svärm intelligens
— Hur används blockkedjeteknologier över företag?
- AI och blockchain är väldigt nära besläktade. Vi tror att inte blockchainen själv, utan tekniken som ligger till grund för den kommer att vara viktig för kringutrustning. Eftersom informationen går till periferin, vill du göra så mycket som möjligt för att spara molnens datakraft. Föreställ dig att du har en miljon HD-kameror med hög upplösning. Du kan inte skicka dataström från en miljon kameror till molnet. Du måste sätta datorer i periferin som är tillräckligt smarta för att bestämma: ”Jag behöver inte skicka det här. Jag skickar bara detta. ” Men då behöver du smarta datorer. Vi tror att förmågan att kombinera många perifera datorer i en grupp, en "svärm" för svärmträning kommer att bli viktig. Detta beror på svärmens intelligens - de är båda sammankopplade.
Den exakta definitionen av svärmens intelligens är fortfarande inteformuleras. Swarm intelligence beskriver det kollektiva beteendet hos ett decentraliserat, självorganiserande system. RI-system består som regel av många agenter (boids), lokalt interagerar med varandra och med miljön. Idéer om beteende kommer vanligtvis från naturen, särskilt från biologiska system. Varje boyd följer mycket enkla regler. Trots det faktum att det inte finns något centraliserat system för beteendehantering som skulle indikera för var och en av dem vad de ska göra leder lokala och något slumpmässiga interaktioner till uppkomsten av intelligent gruppbeteende som inte kontrolleras av enskilda Boyids. I allmänhet bör RI vara ett system med flera medel, som skulle ha självorganiserande beteende, som totalt bör uppvisa ett visst rimligt beteende.
Om vi pratar om vår metod för svärmeträning, dåhan är så. Anta att ett sjukhus tillhandahåller utbildning, isolerar sina uppgifter, delar inte uppgifter och delar bara resultaten av sin utbildning. Så är de andra sjukhusen. Hela överföringsprocessen koordineras genom blockchain-teknik. Vi är säkra på att det behövs, eftersom vi vill att alla kringutrustning ska fungera, om än oberoende, men som en helhet som en svärm.
Vi vill inte ha centraliserad hantering,för i svärmen är det inte. En svärm av bin har en drottningbi i bikupan. Men hon ger inga instruktioner medan svärmen flyger. Bin koordinerar sig själva. Och först när de återvänder till bikupan kommunicerar de med drottningbiet, serverar det och så vidare. Men när de är inne i svärmen, tränas de, måste de samordna åtgärderna varandra. Och så svärmen lever. Men hur kan man samordna det utan en ledare? Blokcheyn. Därför är blockchain viktigt för periferin. Om det bara finns en ledare som koordinerar svärmen, och han tappar bort, fungerar inte hela svärmen. Bin måste leta efter en annan ledare. Det finns ingen ledare i blockchainen.
- Vad kan du säga om RI-teknologier? Är analogin med neurala nätverk lämplig här?
"Roy är exakt som ett neuralt nätverk." Varje bi eller server på periferin har sitt eget neurala nätverk. Varje sjukhus har, som en svärm, sitt eget separata neurala nätverk. Men blockchain tillåter att denna utbildning delas över alla sjukhus. Därför har varje bi, sjukhus eller dator i periferin sitt eget neurala nätverk. Men när de delar sitt lärande från bi till bi, använder de blockchain. Som ett resultat använder de både neurala nätverk och blockchain. Neuralnätverket används för självstudier och blockchain används för att dela med andra.
"Jordansvar lockar unga ingenjörer"
- I dag ägnar företag särskild uppmärksamhet åt miljövård. Vilken typ av åtgärder vidtar HPE i sitt arbete för att ta hand om miljön?
– Det här är ett viktigt ämne.För det första är vi som företag ansvariga för jorden. För det andra vill många unga ingenjörer gå med i ett företag som känner ett sådant ansvar. Ja, jag tror att det i denna nya generation finns en trend mot större medvetenhet. Vi vill attrahera unga ingenjörer. Och för det tredje är det här de rätta sakerna.
Vi har två stora återhämtningscentra iUSA och Skottland. Enligt grova uppskattningar köpte, bearbetade och sålde vi under det senaste året 99% av den restaurerade gamla utrustningen, totalt 3 miljoner dollar. Från resterna extraherar vi de flesta råvaror: silver, guld - och återanvänder dem. Och bara en mycket liten procentandel, cirka 0,3%, kastas bort.
Det andra området är kundinteraktion imiljöskyddsområden. Ett av mina favoritexempel är en applikation från vår klient, Salling Group, utformad för att bekämpa den irrationella användningen av mat. Idag är cirka 2 000 stormarknader anslutna till dem. Till exempel avser butiker att slänga ut 26 912 matvaror eftersom de har gått ut. Genom att sälja sådana produkter till stor rabatt kan detaljhandelskedjor öka sin vinst med 10% och kunderna kan få varor till ett lågt pris.
Ett annat område är ren energi. En enorm mängd koldioxid produceras i världen eftersom människor behöver energi. Vi arbetar mycket nära ITER-projektet (International Experimental Nuclear Reactor) för att försöka använda kärnfusion för energiproduktion. Komplexiteten med kärnfusion är att hålla plasma i ett magnetfält som kretsar kring TOKAMAK (en toroidkammare med magnetiska spolar - "HiTech"). Vi tillhandahåller en superdator för att beräkna den optimala strukturen i TOKAMAK magnetfält för att hålla plasmaet stabilt.