จะเกิดอะไรขึ้นถ้าเรามีโปรแกรมการออกแบบโดยใช้คอมพิวเตอร์ช่วยสำหรับคอมพิวเตอร์ควอนตัม

จะเกิดอะไรขึ้นถ้าเรามีโปรแกรมการออกแบบโดยใช้คอมพิวเตอร์ช่วยสำหรับคอมพิวเตอร์ควอนตัม

เครดิตฟรี

การออกแบบอุปกรณ์ควอนตัมเป็นรากฐานของโลกคอมพิวเตอร์ควอนตัม แต่นี่เป็นกระบวนการที่ยุ่งยากและมีหลายขั้นตอนที่ซับซ้อนกว่าขั้นตอนการออกแบบของชิปทั่วไป นักออกแบบฮาร์ดแวร์ควอนตัมต้องทำงานในโลกที่ไม่ได้เชื่อมต่อกันตามปกติ พัฒนาและเปรียบเทียบชิปคอมพิวเตอร์ที่รวมชิ้นส่วนโลหะที่มีตัวนำยิ่งยวดและปฏิบัติตามกฎของควอนตัมอิเล็กโทรไดนามิกส์ (QED) สิ่งนี้ต้องการชุดของเทคนิคการพัฒนาและการวิเคราะห์ที่ไม่มีแอนะล็อกแบบคลาสสิก แต่ถ้าเราต้องการสร้างและใช้อุปกรณ์ที่น่าทึ่งเหล่านี้จริงๆ เราต้องหาวิธีที่จะทำให้กระบวนการนี้ง่ายขึ้น

สล็อต

บนพื้นผิว การออกแบบชิปควอนตัมควรจะเหมือนกับการออกแบบวงจรรวมอื่นๆ แต่วงจรรวมทั่วไปต้องผ่านกระบวนการออกแบบซึ่งมีค่าควรแก่การปรับแต่งมาหลายทศวรรษ เนื่องจากชิปได้ขยายจำนวนทรานซิสเตอร์ตามขั้นตอนของกฎของมัวร์ เครื่องมือออกแบบจึงเติบโตเต็มที่และกลายเป็นแบบอัตโนมัติ ทุกวันนี้ ลำดับของโปรแกรมทำให้นักออกแบบชิปสามารถคิดแบบโมดูลเกี่ยวกับวงจรรวมที่มีทรานซิสเตอร์หลายพันล้านตัว ในกระบวนการที่ค่อนข้างจะสร้างและทดสอบการออกแบบได้อย่างราบรื่น จากนั้นจึงย้ายไปยังขั้นตอนการผลิต
แม้ว่าคอมพิวเตอร์ควอนตัมจะไม่เหมือนกับไมโครโปรเซสเซอร์ของคอมพิวเตอร์ในปัจจุบัน ควอนตัมบิตมีขนาดใหญ่กว่าทรานซิสเตอร์มาก และต้องใช้วงจรตัวนำยิ่งยวดที่ซับซ้อนมากขึ้น ซอฟต์แวร์ระบบอัตโนมัติสำหรับการออกแบบทางอิเล็กทรอนิกส์ที่ใช้คอมพิวเตอร์ช่วยครอบคลุมเฉพาะบางส่วนของกระบวนการประดิษฐ์ที่ซับซ้อนนี้ และการใช้ชุดซอฟต์แวร์เหล่านี้เพื่อออกแบบคอมพิวเตอร์ควอนตัมมีอุปสรรคในการเข้าสู่ระดับสูง
หากเราต้องการให้คอมพิวเตอร์ควอนตัมมีขนาดหนึ่งวันและเติบโตในลักษณะเดียวกับที่คอมพิวเตอร์คลาสสิกมี เราจะต้องเริ่มคิดเกี่ยวกับเครื่องมือการออกแบบควอนตัมอิเล็กทรอนิกส์อัตโนมัติ (EDA) ในลักษณะเดียวกัน ในขณะเดียวกัน ภายในชุมชนของเราเอง เราต้องการเร่งและลดอุปสรรคในการสร้างสรรค์นวัตกรรมบนอุปกรณ์ควอนตัม ทีม IBM Quantum จึงเริ่มคิดว่า EDA อาจมีหน้าตาเป็นอย่างไรสำหรับโปรเซสเซอร์ควอนตัม และหวังว่าชุมชนจะเริ่มคิดถึงเรื่องนี้เช่นกัน วันนี้ที่งานประชุม IEEE Quantum Week Conference ทีมงานได้พูดคุยถึงวิสัยทัศน์ของพวกเขาสำหรับโครงการที่ไม่เคยมีมาก่อนนี้ นำโดยนักฟิสิกส์ควอนตัม Zlatko Minev และพัฒนาร่วมกับสมาชิกทีม IBM Quantum คนอื่นๆ โครงการนี้มีไว้สำหรับผู้ที่สนใจในการออกแบบฮาร์ดแวร์ควอนตัม: ชุดเครื่องมือออกแบบอัตโนมัติที่สามารถใช้ในการประดิษฐ์และวิเคราะห์อุปกรณ์ตัวนำยิ่งยวด โดยมุ่งเน้นที่ความสามารถในการรวมเครื่องมือที่ดีที่สุดเข้ากับเวิร์กโฟลว์ของนักออกแบบฮาร์ดแวร์ควอนตัม เราได้ตั้งชื่อโครงการว่า Qiskit Metal
เราหวังว่าในฐานะชุมชน เราอาจสร้างกระบวนการหาปริมาณ โดยเชื่อมช่องว่างระหว่างชิ้นส่วนของโลหะตัวนำยิ่งยวดบนชิปควอนตัมด้วยคณิตศาสตร์เชิงคำนวณของพื้นที่แฮมิลตันและฮิลเบิร์ต ซึ่งทุกคนมีความคิดอยากรู้อยากเห็นและแล็ปท็อป เราต้องการทำให้การออกแบบอุปกรณ์ควอนตัมเป็นกระบวนการที่คล่องตัวซึ่งทำงานที่ลำบากโดยอัตโนมัติเช่นเดียวกับการออกแบบอุปกรณ์อิเล็กทรอนิกส์ทั่วไป เรากำลังเขียนซอฟต์แวร์ด้วยแนวทางปฏิบัติที่ดีที่สุดและเทคนิคการวิเคราะห์ควอนตัมที่ทันสมัย ​​ทั้งหมดนี้ในขณะที่ใช้ประโยชน์จากพลังของเครื่องมือ EDA แบบเดิมได้อย่างราบรื่น เป้าหมายของ Qiskit Metal คือการอนุญาตให้สร้างแบบจำลองฮาร์ดแวร์ควอนตัมได้ง่าย โดยลดข้อผิดพลาดที่เกี่ยวข้องกับการออกแบบและเพิ่มความเร็ว
เราได้เริ่มทดสอบเทคนิคการวิเคราะห์ของโปรแกรมเป็นการภายในแล้ว และในสิ่งพิมพ์ที่กำลังจะเผยแพร่เร็วๆ นี้ Zlatko Minev, Thomas McConkey และ Jay Gambetta จะแบ่งปันผลลัพธ์ในช่วงแรกๆ ที่แสดงให้เห็นข้อตกลงระดับเปอร์เซ็นต์ระหว่างการวิเคราะห์การออกแบบและฮาร์ดแวร์ทดลอง โปรเจ็กต์นี้เป็นงานที่น่าตื่นเต้นที่อยู่ระหว่างการพัฒนาในระยะเริ่มต้น และอาจไม่คงอยู่ใน “Qiskit Metal” ได้นาน เราหวังว่าเราจะสามารถกระตุ้นชุมชนให้เริ่มคิดเกี่ยวกับการออกแบบอัตโนมัติสำหรับคอมพิวเตอร์ควอนตัม และดึงผู้เชี่ยวชาญในสาขาคอมพิวเตอร์คลาสสิกมาช่วย ดังนั้นจึงเป็นเรื่องสำคัญที่เราต้องรักษาโอเพ่นซอร์สของโครงการนี้ไว้ เพื่อให้วิศวกรทั่วโลกสามารถช่วยแก้ปัญหาที่กำลังจะเกิดขึ้นนี้ได้
เรารู้สึกตื่นเต้นที่ได้ขอให้ชุมชนทำงานอย่างใกล้ชิดกับเราในการพัฒนา Qiskit Metal ผ่านโปรแกรมทดลองใช้ก่อนเปิดตัว โดยเริ่มในเดือนพฤศจิกายน หากต้องการขอการเข้าถึงล่วงหน้าหรือเรียนรู้เพิ่มเติม
เป็นเวลากว่าเจ็ดสิบปีแล้วที่ IBM Research ได้คิดค้น สำรวจ และจินตนาการถึงอนาคต เราเป็นผู้บุกเบิกด้านปัญญาประดิษฐ์ (AI) ตั้งแต่เริ่มก่อตั้ง เราอยู่ที่นั่นตอนเปิดตัวสนามที่เวิร์กช็อป Dartmouth ที่มีชื่อเสียงในปี 1956 เพียงสามปีต่อมา Arthur Samuel ผู้บุกเบิกคอมพิวเตอร์ IBMer และผู้บุกเบิกยุคแรกๆ ได้บัญญัติศัพท์คำว่าแมชชีนเลิร์นนิง นับตั้งแต่นั้นมา เราก็ได้เพ่งเล็งอยู่เสมอว่าภาคต่อไปจะเป็นอย่างไร และเราจะไปที่นั่นได้อย่างไร
วันนี้เราได้เปิดตัวย้อนหลังปี 2018 ที่ให้การแอบมองอนาคตของ AI เราได้รวบรวมเอกสาร IBM Research AI จำนวนหนึ่งร้อยฉบับที่เราเผยแพร่ในปีนี้ ซึ่งเขียนโดยนักวิจัยและนักวิทยาศาสตร์ที่มีความสามารถจากห้องปฏิบัติการ 12 แห่งทั่วโลกของเรา ความก้าวหน้าทางวิทยาศาสตร์เหล่านี้เป็นแกนหลักในภารกิจของเราในการประดิษฐ์ชุดเทคโนโลยี AI พื้นฐานชุดต่อไป ซึ่งจะนำเราจาก AI ที่ “แคบ” ในปัจจุบันไปสู่ยุคใหม่ของ AI ที่ “กว้าง” ซึ่งสามารถปลดล็อกศักยภาพของเทคโนโลยีได้จากนักพัฒนา AI ผู้ใช้องค์กรและผู้ใช้ปลายทาง AI แบบกว้างจะมีลักษณะเฉพาะด้วยความสามารถในการเรียนรู้และให้เหตุผลในวงกว้างมากขึ้นในงานต่างๆ เพื่อผสานรวมข้อมูลจากหลากหลายรูปแบบและโดเมน ทั้งหมดนี้สามารถอธิบายได้ชัดเจน ปลอดภัย ยุติธรรม ตรวจสอบได้ และปรับขนาดได้
ในที่นี้ เราเน้นย้ำถึงงานบางส่วนในปีนี้ใน 3 ด้านหลัก ได้แก่ ความก้าวหน้า การปรับขนาด และความไว้วางใจ AI และในขณะที่เรามุ่งเน้นไปที่อนาคต เราคาดการณ์สองสามเรื่องเกี่ยวกับสิ่งที่จะเกิดขึ้น

สล็อตออนไลน์

ความก้าวหน้า AI
ผู้อภิปรายโครงการจาก IBM Research AIAI ที่ได้ยินสิ่งที่คุณพูดจริงๆ: IBM Research AI นำเสนอความสามารถ Machine Listening Comprehension สำหรับเนื้อหาที่มีการโต้แย้ง สืบเนื่องมาจากงานของเราใน Project Debater ฟังก์ชันนี้ขยายขีดความสามารถในการเข้าใจคำพูดของ AI ในปัจจุบัน นอกเหนือไปจากงานตอบคำถามง่ายๆ ซึ่งช่วยให้เครื่องเข้าใจได้ดีขึ้นเมื่อมีคนทะเลาะกัน
หากคุณเคยเห็นมา คุณเคยเห็นมาหมดแล้ววิธีการของ AI ในปัจจุบันมักต้องการรูปภาพที่มีป้ายกำกับเป็นพันหรือล้านภาพเพื่อฝึกโมเดลการรู้จำภาพอย่างแม่นยำ IBM Research AI ได้พัฒนาวิธีการเรียนรู้แบบใหม่ที่สามารถจดจำได้อย่างแม่นยำ ออบเจ็กต์ใหม่จากตัวอย่างเพียงตัวอย่างเดียว โดยไม่ต้องมีข้อมูลหรือป้ายกำกับเพิ่มเติม ความสามารถนี้ขยายการบังคับใช้ของ AI กับโดเมนที่จำกัดข้อมูล
นักเรียนกลายเป็นผู้เชี่ยวชาญ:สองหัวมักจะดีกว่าหัวเดียว และตัวแทน AI ก็สามารถพูดได้เหมือนกัน ในปีนี้ นักวิจัยของ IBM ได้นำเสนอเฟรมเวิร์กและอัลกอริธึมที่ไม่เคยมีมาก่อน เพื่อให้เจ้าหน้าที่ AI สามารถเรียนรู้ที่จะสอนซึ่งกันและกันและทำงานเป็นทีมได้ ด้วยการแลกเปลี่ยนความรู้ เจ้าหน้าที่สามารถเรียนรู้ได้เร็วกว่าวิธีการก่อนหน้านี้อย่างมาก และในบางกรณี พวกเขาสามารถเรียนรู้ที่จะประสานงานในกรณีที่วิธีการที่มีอยู่ล้มเหลว
คำถามและคำตอบ: IBM Research AI ให้รายละเอียดการปรับปรุงที่สำคัญของวิธีการตอบคำถามแบบเปิดในโดเมน (QA) ด้วยวิธีการใหม่ที่จัดลำดับใหม่และรวบรวมหลักฐานจากข้อความต่างๆ เพื่อสร้างคำตอบที่แม่นยำยิ่งขึ้น ทีมงานได้รับการปรับปรุงอย่างมากจากแนวทางที่ล้ำสมัยก่อนหน้าในชุดข้อมูล QA ที่เป็นโดเมนสาธารณะแบบเปิด
วางใจ AI
การต่อสู้เพื่อขจัดอคติ:เนื่องจากระบบ AI ถูกนำมาใช้เพื่อสนับสนุนการตัดสินใจมากขึ้น จึงจำเป็นที่ระบบ AI จะต้องยุติธรรมและเป็นกลาง อย่างไรก็ตาม การขจัดอคติเป็นสิ่งที่ท้าทาย เนื่องจากข้อมูลที่ใช้ในการฝึกอบรมระบบ AI มักจะมีอคติทางสังคมและสถาบันภายในและความสัมพันธ์ที่วิธีการเรียนรู้ทางสถิติรวบรวมและสรุป การวิจัย AI ของ IBM ได้สรุปแนวทางใหม่ในการต่อสู้กับอคติ โดยข้อมูลการฝึกอบรมจะถูกแปลงเพื่อลดอคติให้เหลือน้อยที่สุด โดยอัลกอริธึม AI ใดๆ ที่เรียนรู้ในภายหลังจะทำให้เกิดความไม่เท่าเทียมกันน้อยที่สุดเท่าที่จะเป็นไปได้ ในการใช้วิธีนี้กับชุดข้อมูลสาธารณะขนาดใหญ่สองชุด ทีมงานของเราสามารถลดการเลือกปฏิบัติกลุ่มที่ไม่ต้องการได้อย่างมาก โดยไม่ลดความแม่นยำของระบบลงอย่างมีนัยสำคัญ
การแยก “กล่องดำ”:โครงข่ายประสาทเทียมในหลายๆ ด้านเป็นกล่องดำ แม้ว่าเครือข่ายจะมีการตัดสินใจที่ถูกต้อง แต่ก็มักจะเข้าใจได้ยากว่าทำไมการตัดสินใจนั้นจึงเกิดขึ้น การขาดความสามารถในการอธิบายโดยธรรมชาตินี้เป็นอุปสรรคต่อความไว้วางใจของผู้ใช้ในระบบ AI และทำให้ยากต่อการให้เหตุผลเกี่ยวกับโหมดความล้มเหลวที่อาจเกิดขึ้น เพื่อแก้ไขปัญหาเหล่านี้ นักวิทยาศาสตร์ของ IBM Research AI ได้พัฒนาวิธีการเรียนรู้ด้วยเครื่องใหม่เรียกว่า ProfWeight ซึ่งตรวจสอบเครือข่ายลึกและสร้างแบบจำลองที่เรียบง่ายขึ้นซึ่งสามารถเข้าถึงประสิทธิภาพที่ใกล้เคียงกับเครือข่ายดั้งเดิม โดยอาศัยความซับซ้อนที่ลดลง โมเดลที่ง่ายกว่าเหล่านี้สามารถให้ข้อมูลเชิงลึกว่าเครือข่ายเดิมทำงานอย่างไร และเหตุใดจึงตัดสินใจแบบหนึ่งกับอีกแบบหนึ่ง ในการทดสอบวิธีการนี้กับชุดข้อมูลขนาดใหญ่สองชุด โมเดล ProfWeight สามารถสร้างการตัดสินใจที่อธิบายได้มากขึ้น ในขณะที่ยังคงรักษาระดับความแม่นยำไว้สูง
การคาดคะเนการโจมตีของฝ่ายตรงข้าม:โมเดลการเรียนรู้ของเครื่องที่ล้ำสมัยในปัจจุบันสามารถบรรลุความแม่นยำในการทำนายที่ไม่เคยมีมาก่อน แต่ก็มีความเสี่ยงที่จะถูกหลอกโดยอินพุตที่เป็นอันตรายที่สร้างขึ้นมาอย่างดีซึ่งเรียกว่า “ตัวอย่างจากฝ่ายตรงข้าม” ตัวอย่างเช่น แฮ็กเกอร์สามารถปรับเปลี่ยนภาพได้โดยไม่รู้ตัว ซึ่งทำให้โมเดลการเรียนรู้เชิงลึกถูกหลอกให้จำแนกเป็นหมวดหมู่ใดๆ ที่ผู้โจมตีต้องการ การโจมตีรูปแบบใหม่นี้ได้รับการพัฒนาทุกวันในหลากหลายงาน ตั้งแต่การรู้จำคำพูดไปจนถึงการประมวลผลภาษาธรรมชาติ เป็นขั้นตอนสำคัญในการป้องกันการโจมตีเหล่านี้ IBM Research AI ได้เสนอมาตรการป้องกันการโจมตีที่ไม่เชื่อเรื่องพระเจ้าและได้รับการรับรองที่เรียกว่า CLEVER (Cross Lipschitz Extreme Value for nEtwork Robustness) ที่สามารถใช้ในการประเมินความทนทานของโครงข่ายประสาทเทียมต่อการโจมตี คะแนน CLEVER ประเมิน “ความแรง” ของการโจมตีขั้นต่ำที่จำเป็นสำหรับการโจมตีเพื่อให้ประสบความสำเร็จในการหลอกโมเดลเครือข่ายลึกที่กำหนด ทำให้ง่ายต่อการให้เหตุผลเกี่ยวกับความปลอดภัยของแบบจำลอง AI และให้แนวทางในการตรวจจับและป้องกันการโจมตีในระบบที่ปรับใช้
[NPC4]สเกล AI
ความแม่นยำ8 บิตช่วยเร่งความเร็วการฝึกอบรม:โมเดลการเรียนรู้เชิงลึกนั้นทรงพลังอย่างยิ่ง แต่การฝึกอบรมต้องใช้ทรัพยากรการคำนวณมหาศาล ในปี 2015 IBM ได้นำเสนอเอกสารสำคัญที่อธิบายวิธีฝึกโมเดลการเรียนรู้เชิงลึกโดยใช้ความแม่นยำ 16 บิต (ซึ่งปกติใช้ความแม่นยำ 32 บิตมากกว่าครึ่งหนึ่ง) โดยไม่สูญเสียความแม่นยำ นักวิจัยของ IBM ได้แสดงให้เห็นแล้วว่าเป็นครั้งแรกที่ความสามารถในการฝึกโมเดลการเรียนรู้เชิงลึกด้วยความแม่นยำเพียง 8 บิต ในขณะเดียวกันก็รักษาความถูกต้องของแบบจำลองได้อย่างเต็มที่ในหมวดหมู่ชุดข้อมูล AI หลักทั้งหมด รวมถึงรูปภาพ คำพูด และข้อความ เทคนิคเหล่านี้ช่วยเร่งเวลาการฝึกอบรมสำหรับเครือข่ายประสาทเทียมระดับลึกขึ้น 2-4 เท่า เมื่อเทียบกับระบบ 16 บิตในปัจจุบัน แม้ว่าก่อนหน้านี้จะถือว่าเป็นไปไม่ได้ที่จะลดความแม่นยำในการฝึกอบรมลงเพิ่มเติม แต่เราคาดว่าแพลตฟอร์มการฝึกอบรม 8 บิตของเราจะกลายเป็นมาตรฐานอุตสาหกรรมที่ได้รับการยอมรับอย่างกว้างขวางในอีกไม่กี่ปีข้างหน้า
แนวทางใหม่เกี่ยวกับโครงข่ายประสาทเทียมบน Block: BlockDrop วิธีใหม่ในการเพิ่มความเร็วการอนุมานในโครงข่ายประสาทเทียมที่ลึกมาก เรียนรู้ที่จะเลือกเลเยอร์หรือ “บล็อก” ของเครือข่ายลึกที่จะข้ามไป ลดการคำนวณทั้งหมดโดยที่ยังคงความแม่นยำไว้ การใช้ BlockDrop ทำให้การอนุมานเร็วขึ้น 20 เปอร์เซ็นต์โดยเฉลี่ย สูงถึง 36 เปอร์เซ็นต์สำหรับอินพุตบางรายการ ในขณะที่ยังคงความแม่นยำระดับบนสุดบน ImageNet ไว้
การออกแบบที่เอื้อมถึง:นักวิจัยของ IBM ได้พัฒนาเทคนิคการค้นหาสถาปัตยกรรมประสาทใหม่ที่ช่วยลดภาระงานหนักที่จำเป็นในการออกแบบโครงข่ายประสาทเทียม วิธีการนี้กำหนดรูปแบบสถาปัตยกรรมประสาทที่ทำซ้ำซึ่งเรียกว่า “เซลล์ประสาท” ซึ่งได้รับการปรับปรุงในภายหลังผ่านกระบวนการวิวัฒนาการ วิวัฒนาการนี้สามารถออกแบบสถาปัตยกรรมประสาทที่บรรลุความแม่นยำในการทำนายอันล้ำสมัยในงานจำแนกประเภทภาพ โดยปราศจากการแทรกแซงของมนุษย์ ในบางกรณีสามารถบรรลุความเร็วได้ถึง 50,000 เท่า เมื่อเทียบกับวิธีการก่อนหน้าสำหรับการค้นหาสถาปัตยกรรมประสาท
[NPC5]เท่าที่เราได้เห็นความก้าวหน้าครั้งสำคัญในปี 2018 เรารู้ว่าปีหน้าจะนำความก้าวหน้ามาสู่อุตสาหกรรม AI มากยิ่งขึ้น ต่อไปนี้คือแนวโน้มสามประการที่เรากำลังจับตามอง:
เวรกรรมจะเข้ามาแทนที่ความสัมพันธ์มากขึ้น:ทุกคนรู้ว่าเสียงไก่ขันในยามรุ่งสางไม่ได้ “ทำให้” พระอาทิตย์ขึ้น และในทางกลับกัน การพลิกสวิตช์จะทำให้ไฟเปิดขึ้น ในขณะที่สัญชาตญาณดังกล่าวเกี่ยวกับโครงสร้างเชิงสาเหตุของโลกนั้นเป็นส่วนสำคัญในการกระทำและการตัดสินของเราในแต่ละวัน แต่วิธีการ AI ส่วนใหญ่ของเราในปัจจุบันมีพื้นฐานมาจากความสัมพันธ์และขาดความเข้าใจอย่างลึกซึ้งถึงความเป็นเหตุเป็นผล วิธีการอนุมานเชิงสาเหตุที่เกิดขึ้นใหม่ช่วยให้เราสามารถอนุมานโครงสร้างเชิงสาเหตุจากข้อมูล เพื่อเลือกการแทรกแซงอย่างมีประสิทธิภาพเพื่อทดสอบความสัมพันธ์เชิงสาเหตุเชิงสมมุติ และเพื่อการตัดสินใจที่ดีขึ้นโดยใช้ประโยชน์จากความรู้เกี่ยวกับโครงสร้างเชิงสาเหตุ ในปี 2019 คาดว่าเทคนิคการสร้างแบบจำลองเชิงสาเหตุจะกลายเป็นผู้เล่นหลักในโลกของ AI
AI ที่เชื่อถือได้จะเป็นเวทีหลัก: ในปีนี้ องค์กรจำนวนหนึ่งตอบสนองต่อการละเมิดข้อมูลและข้อกังวลด้านความเป็นส่วนตัวของผู้บริโภคโดยการจัดตั้งคณะกรรมการที่ปรึกษาด้านจริยธรรม และเราได้เห็นการลงทุนด้านการวิจัยที่เพิ่มขึ้นใน “เสาหลักแห่งความไว้วางใจ” (ความเป็นธรรมเกี่ยวกับอัลกอริทึม การอธิบายได้ ความทนทาน ความโปร่งใส) พร้อมกับความพยายามที่เพิ่มขึ้นในการปรับใช้ AI เพื่อประโยชน์ทางสังคม ในปี 2019 เราจะเริ่มเห็นว่าความพยายามเหล่านี้กลายเป็นหัวใจสำคัญของวิธีที่บริษัทต่างๆ สร้าง ฝึกอบรม และปรับใช้เทคโนโลยี AI เราคาดหวังว่าจะได้เห็นการมุ่งเน้นเป็นพิเศษในการถ่ายโอนความก้าวหน้าด้านการวิจัยในพื้นที่นี้ไปสู่ผลิตภัณฑ์และแพลตฟอร์มจริง พร้อมกับเน้นที่การสนับสนุนความหลากหลายและการรวมทีมเทคนิค เพื่อให้แน่ใจว่าความคิดเห็นและมุมมองมากมายจะชี้นำความก้าวหน้าทางเทคโนโลยี
ควอนตัมสามารถช่วย AI ได้:ในปี 2019 เราจะเห็นการทดลองและการวิจัยควอนตัมแรงฉุดอย่างรวดเร็ว และการวิจัยใหม่เกี่ยวกับวิธีที่คอมพิวเตอร์ควอนตัมอาจมีบทบาทในการฝึกฝนและใช้งานโมเดล AI องค์ประกอบหลักของอัลกอริธึมควอนตัมคือการใช้ประโยชน์จากพื้นที่สถานะควอนตัมขนาดใหญ่แบบทวีคูณผ่านการพัวพันและการแทรกแซงที่ควบคุมได้ เมื่อความซับซ้อนของปัญหา AI เพิ่มขึ้น การคำนวณควอนตัม ซึ่งองค์กรหลายพันแห่งเข้าถึงอยู่แล้วผ่านบริการคลาวด์ควอนตัมของไอบีเอ็ม อาจเปลี่ยนวิธีที่เราจัดการกับงานคอมพิวเตอร์ AI