Энг Лим Го, HPE — о роевом интеллекте, квантовом превосходстве и облаках
Доктор Энг Лим Го (Eng Lim Goh) — вице-президент и главный технолог по высокопроизводительным вычислениям и искусственному интеллекту в Hewlett Packard Enterprise. 27 лет работал техническим директором в Silicon Graphics. Его исследовательские интересы включают дифференциацию человечества по мере того, как мы продвигаемся от аналитики к индуктивному машинному обучению, дедуктивному мышлению и искусственному специфическому для общего интеллекта. Продолжает свои исследования человеческого восприятия виртуальной и дополненной реальности.
Награжден медалью НАСА за исключительные достижения в области технологий в качестве главного исследователя эксперимента на борту МКС для работы автономных суперкомпьютеров в длительных космических полетах. В дополнение к совместному созданию приложений для изучения роя на основе блокчейна он курирует развертывание ИИ в гонках «Формулы-1», занимается промышленным применением технологий, стоящих за покерным ботом-чемпионом, и совместно разрабатывает архитектуру систем для моделирования биологически детализированного мозга млекопитающих. Получил шесть патентов США, еще пять находятся на рассмотрении.
HPE (Hewlett Packard Enterprise) — американская ИТ-компания, созданная в 2015 году вместе с HP Inc. после раздела корпорации Hewlett-Packard. Унаследовала бизнес в сегменте корпоративных клиентов — производит серверы, суперкомпьютеры, системы хранения данных, сети хранения данных, сетевое оборудование, конвергентные системы, а также занимается построением облачных инфраструктур.
«Облако останется важным в мире больших данных»
— Облачные технологии уже давно вышли за рамки инновации в сторону современных стандартов ИТ. Какую роль сегодня они играют при разработке новых продуктов?
— В HPE мы сосредоточили наши вычислительные разработки в рамках тенденции «с периферии в облако», в основном потому что большинство данных сперва поступает на периферию. Нам приходится переносить все данные с периферии в облако, например, данные супермаркетов, автомобилей, если речь идет о сonnected car (автомобиль, который может двунаправленно общаться с другими системами — «Хайтек»), авиационной промышленности и больниц. Во многих случаях мы переносим данные в облако, чтобы затем провести анализ данных и отправить результат обратно на периферию.
Облачные вычисления важны, потому что позволяют использовать всю вычислительную мощность, сосредоточенную в облаке, в то время как у периферии она обычно меньше. Традиционный путь — это сначала собрать данные на периферии, а затем настроить умные периферийные устройства, чтобы отправлять в облако только нужную информацию. В облаке же есть все вычислительные ресурсы, чтобы провести машинное обучение, сделать анализ, получить результаты, которые будут отправлены обратно на периферию. Именно поэтому мы верим в то, что облако останется важным в мире больших данных.
— Зачем применяют искусственный интеллект при создании новых ЦОДов? В чем его основное назначение в этом контексте?
— Центры обработки данных (ЦОД) становятся всё более сложными, а пользователи — требовательными. Что касается сложности ЦОД, сегодня у вас есть большое количество центральных (CPU) и графических (GPU) процессоров для ИИ, у которых много ядер. Также имеются большие потоки данных, хранение и перемещение которых нужно организовывать. Всё это потребляет много энергии и увеличивает сложность центров обработки данных.
GPU (graphics processing unit) — графический процессор, специализированное устройство для обработки графики и визуальных эффектов. В отличие от CPU (центрального процессора), архитектура GPU лучше приспособлена для параллельных вычислений и обладает гораздо более быстрой памятью. Современные GPU могут использоваться не только для обработки графики, но и для однотипных математических вычислений, которым больше важна скорость обработки. При этом скорость обработки данных GPU по сравнению с CPU может быть в тысячи раз выше.
Процессорные ядра — самостоятельные процессоры, собранные на одном физическом чипе. Такой метод позволяет уменьшить физические размеры чипа, его энергопотребление и тепловыделение, а также существенно увеличить производительность без изменения архитектуры процессоров.
Что касается пользователей, их требования также сильно возросли. В прошлом они покупали оборудование, запускали его, и пока система работала, пользователи были довольны. Но сегодня они спрашивают: «Оптимально ли работают ли мои приложения?» — поскольку не всегда прямое увеличение вычислительной мощности дает пропорциональное увеличение производительности.
В итоге у вас есть требования пользователей, сложность центров обработки данных, а значит, нужно больше внедрять ИИ, который бы просматривал данные и помогал принимать лучшие решения. Проблема в том, что у нас недостаточно данных, с помощью которых ИИ мог бы обучаться. Около 10 тыс. клиентов вступили в наш проект и отправили свои данные по ЦОД в облако. Сейчас мы отправляем результаты обработки данных ИИ обратно в каждый из этих ЦОД, чтобы оптимизировать их работу.
— ИИ на нынешнем этапе уже активно используется в создании оборудования для корпоративных клиентов? Как скоро стоит ожидать подобных технологий в продуктах для офиса и дома?
— Если вы имеете в виду способность давать прогнозы, основанные на истории, тогда это уже сейчас очень широко используется. Сегодня это применяется во многих сферах: в финансах для предсказания стоимости акций, когда продавать и покупать, в ценообразовании производных инструментов на финансовых рынках или чтобы вычислять аномалии в рентгеновских снимках в медицине. Есть автомобили, которые достаточно умны, чтобы понять, что, например, вибрация в амортизаторе значит что-то нехорошее, и отправить информацию об этом водителю. Обучение с помощью истории, чтобы суметь принимать решения и прогнозы, стало реальностью. Но более смелые прогнозы о том, что появится суперчеловек, пока являются научной фантастикой. Однако важно уже сейчас начать думать об этом.
«Квантовые компьютеры, используя метод оптимизации, заставят компьютер с ИИ обучаться быстрее»
— Обывателям трудно понять, что именно из себя представляют квантовые компьютеры, о которых так много говорят сегодня. А как вы для себя их определяете?
— Начну с того, что и я не понимаю квантовую механику. Не понимаю запутанность квантовых состояний, суперпозицию и измерение коллапса к классическому состоянию. Но это неважно. Я принимаю все эти три понятия. Я допускаю, что они существуют. Поскольку я по образованию инженер, то использую лишь то, что мне более понятно. Например, разные энергетические уровни электронов в атоме: низкий, высокий и очень высокий. Далее запутанность — это когда два атома сближаются настолько, что начинают запутываться. Также мы говорили о коллапсе функции, когда изначально неопределенная система в результате измерения «выбирает» одно из допустимых состояний. Я допускаю существование этих трех понятий, что позволяет мне с инженерной точки зрения объединить все разные квантовые системы, которые сегодня разрабатываются для квантовой обработки информации.
— Совсем недавно Google наделала немало шума, заявив о достижении «квантового превосходства». Используете ли вы квантовые технологии в своих разработках?
— Думаю, мы получим технологию аналогового измерения в квантовых вычислениях в ближайшие десять лет. Но в цифровом понимании, чтобы квантовый компьютер работал как сегодняшняя машина, понадобится больше десяти лет. Одна из наибольших проблем — как сохранить запутанность и суперпозицию стабильными достаточно долгое время, чтобы произвести вычисления. Сегодня в них много ошибок, а их исправление требует намного больше кубитов, чтобы поддерживать один вычислительный кубит. Поэтому я и утверждаю, что потребуется больше десяти лет, чтобы достичь того уровня, когда квантовый компьютер станет лучше, чем классические компьютеры. Поэтому время еще есть, но, когда он появится, мы сможем кардинально изменить порядок вещей.
Квантовое превосходство — способность квантовых вычислительных устройств решать проблемы, которые классические компьютеры практически не могут решить. Google ранее объявила о планах продемонстрировать квантовое превосходство до конца 2017 года, используя массив из 49 сверхпроводящих кубитов, но реально о достижении подобного результата было объявлено только 23 октября 2019 года как результат сотрудничества с НАСА. По заявлению Google, «квантовое превосходство было достигнуто на массиве из 54 кубитов, из которых 53 были функциональными и использовались для выполнения вычислений за 200 секунд, на что обычному суперкомпьютеру потребовалось бы около 10 тыс лет».
Кубит (от quantum bit) — квантовый разряд или наименьший элемент для хранения информации в квантовом компьютере. Как и бит, кубит допускает два собственных состояния, обозначаемых 0|1, но при этом может находиться и в их «суперпозиции», то есть одновременно в обоих состояниях. При любом измерении состояния кубита он случайно переходит в одно из своих собственных состояний. Кубиты могут быть «запутаны» друг с другом, то есть на них может быть наложена ненаблюдаемая связь, выражающаяся в том, что при всяком изменении над одним из нескольких кубитов остальные меняются согласованно с ним.
— Как квантовый компьютер связан с искусственным интеллектом?
— ИИ использует машинное обучение, он обучается с помощью истории. Это происходит методом проб и ошибок, он пробует одну историю, прогнозирует неверно, корректирует, потом другую историю — предсказать, если неверно, то скорректировать. И так тысячу попыток. Десять тысяч попыток. Сто тысяч. Миллион или десять миллионов. Ему нужно совершить множество попыток, чтобы настроиться, пока он не выведет правильный алгоритм для прогнозов. Я считаю, что квантовые компьютеры, используя метод оптимизации, заставят компьютер с ИИ обучаться быстрее. Чтобы ему не приходилось делать так много попыток и пробовать по миллиону раз, чтобы добиться правильного результата. Квантовый компьютер позволит ему очень быстро достичь хорошего уровня прогнозов.
Блокчейн и роевой интеллект
— Как используются блокчейн-технологии в масштабах предприятий?
— ИИ и блокчейн очень тесно связаны. Мы верим, что не сам блокчейн, а технология, которая лежит в его основе, будет важна для периферийных устройств. Поскольку данные будут поступать на периферию, вы захотите сделать как можно больше, чтобы сэкономить вычислительную мощность облака. Представьте, что у вас миллион HD-камер с высоким разрешением. Вы не можете отправить поток данных с миллиона камер в облако. Вам придется поставить на периферии компьютеры, которые будут достаточно умны, чтобы решать: «Это мне не нужно отправлять. Я отправлю только вот это». Но тогда вам нужны умные компьютеры. Мы считаем, что возможность соединить множество периферийных компьютеров в одну группу, один «рой» для роевого обучения станет важной. Это связано с роевым интеллектом — оба они взаимосвязаны.
Точное определение роевого интеллекта всё еще не сформулировано. Роевой интеллект (РИ) (Swarm intelligence) описывает коллективное поведение децентрализованной самоорганизующейся системы. Системы РИ, как правило, состоят из множества агентов (боидов), локально взаимодействующих между собой и с окружающей средой. Идеи поведения обычно исходят от природы, в особенности от биологических систем. Каждый боид следует очень простым правилам. Несмотря на то, что нет какой-то централизованной системы управления поведения, которая бы указывала каждому из них на то, что следует делать, локальные и в некоторой степени случайные взаимодействия приводят к возникновению интеллектуального группового поведения, неконтролируемого отдельными боидами. В целом РИ должен представлять собой многоагентную систему, которая бы обладала самоорганизующимся поведением, которое суммарно должно проявлять некоторое разумное поведение.
Если говорить о нашем методе роевого обучения, то он таков. Допустим, одна больница проводит обучение, изолируя свои данные, она не делится данными, а делится только результатами своего обучения. Так же и остальные больницы. Весь этот процесс передачи координируется посредством технологии блокчейн. Мы уверены, что она нужна, поскольку хотим, чтобы все периферийные устройства работали хотя и независимо, но в целом как рой.
Мы не хотим иметь централизованное управление, ведь в рое его нет. У роя пчел есть пчела-матка в улье. Но она не дает указаний, пока рой летит. Пчелы сами координируют себя. И лишь когда возвращаются в улей, они общаются с пчелой-маткой, обслуживают ее и так далее. Но когда они находятся внутри роя, обучаются, приходится самим согласовывать действия между собой. Так и живет рой. А как координировать его без лидера? Блокчейн. Поэтому блокчейн важен для периферии. Если есть только один лидер, координирующий рой, и он выпадает, то весь рой не работает. Пчелам приходится искать другого лидера. В блокчейне же нет лидера.
— А что вы скажете о РИ-технологиях? Уместна ли здесь аналогия с нейросетями?
— Рой в точности похож на нейросеть. Каждая отдельная пчела или сервер на периферии имеют свою нейросеть. Каждая больница, как и рой, имеет свою собственную отдельную обучающую нейросеть. Но блокчейн позволяет этим обучением делиться по всем больницам. Поэтому каждая пчела, больница или компьютер на периферии имеют свою собственную нейросеть. Но когда они делятся своим обучением от пчелы к пчеле, то применяют блокчейн. В итоге используют как нейросети, так и блокчейн. Нейросеть используется для самостоятельного обучения, а блокчейн — чтобы делиться с другими.
«Ответственность за Землю привлекает молодых инженеров»
— Сегодня корпорации уделяют особое внимание заботе об экологии. Какие именно меры предпринимает HPE в своей работе, чтобы позаботиться о сохранности окружающей среды?
— Это важная тема. Во-первых, мы как компания несем ответственность за Землю. Во-вторых, многие молодые инженеры хотят устроиться в компанию, которая чувствует такую ответственность. Да, думаю, в этом новом поколении прослеживается тенденция к большей сознательности. Мы же хотим привлечь молодых инженеров. И, в-третьих, это правильные вещи.
У нас есть два больших центра по восстановлению в США и Шотландии. По грубым подсчетам, за прошлый год мы выкупили, переработали и продали 99% восстановленного старого оборудования, на $3 млн в целом. Из остатков мы извлекаем большую часть сырья: серебро, золото — и повторно используем их. И лишь совсем небольшой процент, порядка 0,3%, выбрасывается.
Вторая сфера — взаимодействие с клиентами в области защиты окружающей среды. Один из моих любимых примеров — приложение от нашего клиента, компании Salling Group, предназначенное для борьбы с нерациональным использованием еды. Сегодня к ним подключены около 2000 супермаркетов. Например, магазины собираются выбросить 26 912 единиц продуктов питания, потому что у тех вышел срок годности. Продавая такие продукты с большой скидкой, торговые сети могут увеличить свою прибыль на 10%, а покупатели — получить товар по низкой цене.
Другая область — это чистая энергетика. В мире вырабатывается огромное количество углекислого газа, потому что людям нужна энергия. Мы очень плотно взаимодействуем с проектом ITER (международный экспериментальный ядерный реактор), чтобы попытаться использовать ядерный синтез для производства энергии. Сложность ядерного синтеза в том, чтобы удержать плазму в магнитном поле, которое вращается вокруг ТОКАМАКа (тороидальной камеры с магнитными катушками — «Хайтек»). Мы предоставляем суперкомпьютер для вычисления оптимальной структуры магнитного поля ТОКАМАКа, чтобы сохранить плазму устойчивой.