• 资讯
  • News
  • 行业资讯
  • IndustryNews
  • 跟量子计算比起来,AI和机器学习弱爆了!

    跟量子计算比起来,AI和机器学习弱爆了!
           量子计算:密码学、比特币和黑客的革命性应用
     
      量子计算基于物理学,使用不同的体系结构,不仅运算速度更快,而且还能完成更复杂的渲染,生成更细微的结果。普通计算机将信息存储为 1 或 0,而量子计算机却是使用量子纠缠和叠加(quantum entanglement and superposition),以不同的方式来处理信息。
     
      例如,量子计算不仅能生成二进制输出,而且可以进行更多的定性分析。它可以为同一个问题提供多个答案,例如,将概率分配给不同的结果,而不是只提供单一的解决方案。
     
      此外,量子计算使得包括机器学习在内的人工智能应用速度显著提升。许多科技巨头如微软和谷歌等对量子计算长期项目投资感兴趣背后的重要原因,是建立一个全新基础架构的潜力。量子计算让之前不切实际的计算和计算机思维变得可能,可以同时执行比“可观测宇宙中的原子数量”更多的计算。
     
      在量子计算中,每一个二进制数据都是唯一、自包含和编码的。目前,数字计算只能有两种状态,开 / 关或是 / 否。
     
      伯恩斯坦表示,由于量子计算可能成为高级密码学的“游戏规则改变者”,因此阿伦·图灵(Alan Turing)终于找到了旗鼓相当的伙伴,解决以前无法破解的难题。
     
      尽管报告中没有具体提到比特币,作为新架构强大功能的例证,用现在的数字计算机可以在很短时间内解决这种密码难题。对于从事数字安全领域的人来说,他们也有必要了解量子计算可以用来破解基于数学的数字安全协议这一事实。
     
      伯恩斯坦的报告关注的是量子计算对社会具有积极影响的一面,例如量子计算机可以帮助确定癌症病变,以及通过望远镜和深空应用收集的数据来发现类地行星。
     
      随着量子计算技术的发展,人工智能和机器学习改变技术格局的影响会越来越明显,但是谁能从中受益,以及如何实现这一目标,则可能会使这一领域获得投资变得困难。
     
      量子计算:对现有架构不造成威胁
     
      大公司可能会涉足量子计算,但不会很快影响他们的基础业务。
     
      伯恩斯坦认为,那些正在开发量子计算环境和软件的公司可能会占有优势,但是这些投资可能需要耐心才能得到回报。
     
      由于量子计算机使用的事“完全不同的”计算机体系结构,因此需要完全不同的开发范例。这可能会给软件公司创造“巨大的机会”,但是大家关注的焦点仍然还是是否有进展。量子计算不太可能替代现有的数字计算机体系结构,而是被用于那些不需要对目前采用的整个基础结构进行重新编程,比较前沿的新型应用程序。
     
      现有的企业管理应用程序(ERP)不太可能受到影响,因为给“完全不同”的架构编写解决方案的成本,不会带来相应的投资回报,除非计算速度快到足以带来快速的回报。预计将会产生变个性影响的应用程序将是与人工智能、物联网和大数据分析等前沿领域领的程序。
     
      虽然这些技术可能需要时间才能够变现,但一旦开始,竞争将会变得激烈,供应链中将出现早期的应用。
     
      科技巨头之间的量子计算之争
     
      科技巨头是前沿科技的领跑者,在量子计算这一技术上也一样。IBM、谷歌、Intel 和旧金山的一家创业公司 Rigetti 正在竞相建立各自的量子系统。这些机器利用量子物理学的违反直觉的特性,以与传统计算机不同的方式处理信息。
     
      今年 11 月,IBM 树立了计算领域的一个里程碑,宣布建成一台能够处理 50 量子比特或量子位的量子计算机。该公司还在其云计算平台上线了一个 20 量子比特的系统。
     
      IBM 研究量子计算由来已久,该公司的研究人员创建了量子信息处理领域,并在该领域进行了几十年的基础研究。在可用性量子系统方面,IBM 也取得了重大进展,首先是实现云计算可以访问量子计算机,开发相关的软件工具,其次是证明一个简单的机器可以在化学等领域的用途。
     
      近年来,谷歌对量子计算的兴趣也大增。2017 年 10 月 24 日,继开源 tensorflow、caffe 等深度学习开发框架后,谷歌在自己的官方博客上宣布,开源量子计算软件 OpenFermion,从而让科学家更方便的使用量子计算机。
     
      谷歌称,这次开放的是 OpenFermion 的源代码,可供用户免费使用,化学家和材料学家可以利用谷歌软件改编算法和方程,使之能在量子计算机上运行。事实上,谷歌开源的做法也是量子计算机领域目前的趋势,IBM、英特尔、微软和 D-Wave 等公司都曾宣布开放自己的量子计算平台,使之能促进量子计算的商业化运行。
     
      另外,在一篇发布于 Nature 的文章中,Google 发表了一份关于量子优越性(quantum supremacy)的声明,公开了 Google 对于证明量子计算机拥有超越传统计算机任务执行能力的计划。计划的关键点是建立 50 量子比特的量子计算器(50-qubit processors)来解决量子采样问题。
     
      据《新科学人》(News Scientist)报道,Google 已经成功地模拟 9 量子比特(9-qubit quantum)量子计算机实现了量子采样,目前正在积极打造一个 50 量子比特的量子计算机。 主要挑战在于,随着量子比特数目的增加,如何能够保持低误码率(error rate),这是也量子可扩展性的主要问题。 谷歌的工程师 Alan Ho 解释说,谷歌目前正在建立一个量子系统,预计能够在年底前达到至少 99.7%的双量子保真度(two-qubit fidelity)。
     
      尽管 IBM 已经建成一台能够处理 50 量子比特的量子计算机,但这并不意味着量子计算已经可以被普遍采用。因为 IBM 开发的系统仍然和其他公司构建的系统一样非常挑剔且具有挑战法也将日益改善,迈向完全自主。
     
      就像自驾汽车产业一样,机器人新创公司也採取了不同的策略:有些公司看好人类和机器人之间的合作,专注于 level 3 的研发;有些公司则相信,机器终将实现真正的完全自主,于是他们跳过 level 3,直接着眼于 level 4、甚至到 level 5。
     
      这也是为什么我们很难评估现在产业自主程度的原因之一。
     
      新创公司有可能自称致力于研究 level 3/4 的自主系统,但实际上却是大量委外,以人工远端操控机器。在无法了解其内部软体及 AI 产品发展程度的前提下,光从机器外观看不出远端操控和自主学习的差别。另一方面,目标为 level 4/5 的新创公司,万一无法在短时间取得理想结果,可能反而降低了客户的早期採用意愿、并导致早期阶段的资料搜集更加困难。
     
      在本文的后半部分,我将进一步讨论新创公司的不同的商业策略思考。
     
      AI 机器人的崛起:运用范围不再侷限于仓储管理
     
      有趣的是,机器人的人工智慧应用潜能甚至高于无人车,因为机器人有各式各样的应用与产业,因此从某种意义上说,机器人理当比汽车更容易实现 level 4 目标。
     
      AI 机器手臂开始在仓库中被採用,就是最好的例子。因为仓库属于「半受控」的环境,不确定性相对低。另外,拣货作业虽然关键、但能容许错误。
     
      至于自主居家型或手术机器人,则要等到更遥远的未来才能实现;毕竟相关环境的变数更多,且有些任务具备不可逆性,以及一定程度的危险性。但是,可以预见的是,随着技术精度、准确性、可靠性的与时俱进,我们将看到更多产业採用 AI 机器人。
     
      许多产业还没有使用机械手臂,主要原因在于传统机器人和电脑视觉的限制。
     
      目前世界上只有大约 300 万台机器手臂,其中大多数从事搬运、焊接、装配等任务。到目前为止,除了汽车业和电子业以外,仓储、农业和其他产业,几乎都还没有开始使用机械手臂;主要原因,就在于上述传统机器人和电脑视觉的限制。
     
      在接下来的几十年中,随着深度学习(DL)、强化学习(RL)、以及云端技术释放出的机器人潜力,我们将看到新一代机器人带来的爆炸式增长、并改变产业格局。其中,AI 机器人的成长契机有哪些?新创公司和现有业者,又採取了哪些不同的方法和商业模式,来因应新科技带来的变化?
     
      新世代 AI 机器人新创公司产业概况
     
      接下来,我会介绍不同市场区隔中的几间范例公司。这样的概略介绍,当然无法涵盖所有企业的状况;欢迎你提供其他公司及应用案例,一起让内容更加完备。
     
     AI/Robotics 新创公司市场概况
     
      研究新世代机器人新创产业结构,可以看到两种截然不同的商业模式:垂直应用与水平应用。
     
      1. 垂直应用
     
      第一种是垂直应用:硅谷当地多数的新创公司,专注于为特定的垂直市场开发解决方案;如电子商务物流、制造业、农业等等。
     
      这种提供完整解决方案的作法相当合理,毕竟相关技术还处于萌芽阶段;公司不依赖他人提供关键模组或元件,而是建构端对端的解决方案。这种垂直整合的解决方案能更快进入市场,也能确保公司更全面掌握终端使用者的案例与效能表现。
     
      但是,要找到像「仓库分拣」这样相对容易实现的应用案例,则没有那么容易。仓库拣货是相对简单的工作,客户的投资意愿与技术可行性都较高,而且每个仓库几乎都有相同的拣货需求。
     
      但在其他产业(如制造业)中,装配任务可能因工厂而各不相同;另外,在制造业中执行的任务,也需要更高的精度和速度,技术上相对困难。
     
      目前具有学习能力的机器人,仍无法达到与封闭迴路机器人相同的精度。
     
      尽管机器学习能让机器人与时俱进,但目前透过机器学习运作的机器人,仍无法达到与封闭迴路机器人相同的精度,因为它需要累积尝试错误的经验,从错误中学习,逐渐进步。
     
      这点说明了为什么 Mujin 和 CapSen 机器人这样的新创公司,并未採用深度强化学习,反而选择使用传统电脑视觉。
     
      然而,传统电脑视觉要求每个物件都要事先登录,终究还是缺乏扩充和适应变化的能力。一旦深度强化学习(DRL)达到了效能门槛、逐步成为产业主流,这种传统方法终究会变得无用武之地。
     
      此外,这些新创公司的另一个问题,在于它们的价值往往遭到高估。我们经常看到,新创公司在硅谷筹集了数千万美元资金,却无法承诺创造出任何真正具体的收入流。
     
      对于创业者来说,「描绘」深度强化学习的美好未来,再容易也不过了;但现实则是,我们还需要数年的时间才能达到如此的成果。尽管这些公司离创造获利还有一段距离,硅谷的创投仍愿意继续押宝在这些人才优秀、技术先进的团队上。
     
      2. 水平应用
     
      另一方面,水平应用则是更实用、却比较罕见的模式。我们可以简单将机器人技术简化为感测(输入)、处理、驱动(输出)三个部分;除此之外,还有开发工具。(这里使用的「处理」一词,同时概略涵盖了控制器、机器学习、作业系统和机器人模组等等,各种不属于感测或驱动的其他项目。)
     
      我认为未来,这个领域将最具增长潜力。对于机器人的用户来说,破碎而零细的市场是棘手的问题;因为所有的机器人制造商,都各自推展自家开发的语言和介面,使得系统整合商与终端使用者,都很难将机器人与相关系统进行整合。
     
      随着产业的逐渐成熟,有越来越多机器人应用到了汽车和电子厂以外的领域;因此我们更加需要标准的作业系统、通讯协定、介面,从而提高效率、并缩短上市时间。
     
      举例来说,美国波士顿的几家新创公司正在研究相关的模组;例如 Veo Robotics 公司开发的安全模组,能让工业机器人更安全地和人类协同工作;Realtime Robotics 公司则提供加速了机械手臂路径的解决方案。
    声明:凡资讯来源注明为其他媒体来源的信息,均为转载自其他媒体,并不代表本网站赞同其观点,也不代表本网站对其真实性负责。您若对该文章内容有任何疑问或质疑,请立即与中国机器人网(www.robot-china.com)联系,本网站将迅速给您回应并做处理。
    电话:021-39553798-8007

    相关阅读 :

    [打印文本] [ ]
    
    全部评论(0
    
    TOP Bookmark