Google-sjef Sundar Pichai om å oppnå kvanteoverlegenhet

Fotografi av Sundar Pichai stående ved siden av en kvantedatamaskin hos Google Google for MIT Technology Review

I en papir i dag i Nature , og et firmablogginnlegg , hevder Google-forskere å ha oppnådd kvanteoverlegenhet for første gang. Deres 53-bits kvantedatamaskin, kalt Sycamore, tok 200 sekunder å utføre en beregning som ifølge Google ville tatt verdens raskeste superdatamaskin 10 000 år. (Et utkast til papiret ble lekket på nettet forrige måned.)

Regnestykket har nesten ingen praktisk nytte – det spytter ut en rekke tilfeldige tall. Det ble valgt bare for å vise at Sycamore faktisk kan fungere slik en kvantedatamaskin skal. Nyttige kvantemaskiner er mange år unna, de tekniske hindringene er enorme, og selv da vil de sannsynligvis slå klassiske datamaskiner bare ved visse oppgaver. (Se Her er hva kvanteoverlegenhet betyr – og ikke – betyr for databehandling.)

Men det er likevel en viktig milepæl – en som Sundar Pichai, Googles administrerende direktør, sammenligner med Wright-brødrenes første flytur på 12 sekunder. Jeg snakket med ham for å forstå hvorfor Google allerede har brukt 13 år på et prosjekt som kan ta ytterligere ti år eller mer å lønne seg.

Intervjuet er komprimert og redigert for klarhet. (Det ble også registrert før IBM publiserte et papir som bestrider Googles krav om kvanteoverherredømme.)

MIT TR: Du har en kvantedatamaskin til å utføre en veldig smal, spesifikk oppgave. Hva skal til for å få en bredere demonstrasjon av kvanteoverlegenhet?

Sundar Pichai: Du må bygge en feiltolerant kvantedatamaskin med flere qubits slik at du kan generalisere den bedre, kjøre den over lengre perioder og dermed kunne kjøre mer komplekse algoritmer. Men du vet, hvis du har et gjennombrudd innen et felt, starter du et sted. For å låne en analogi - Wright-brødrene. Det første flyet fløy bare i 12 sekunder, så det er ingen praktisk anvendelse av det. Men det viste muligheten for at et fly kunne fly.

En rekke selskaper har kvantedatamaskiner. IBM, for eksempel, har en haug av dem på nettet som folk kan bruke i skyen. Hvorfor kan ikke maskinene deres gjøre det Google har gjort?

Det viktigste jeg vil kommentere er hvorfor Google, teamet, har vært i stand til å gjøre det. Det krever mye systemutvikling – evnen til å jobbe på alle lag av stabelen. Dette er så komplisert som det blir fra et systemteknisk perspektiv. Du begynner bokstavelig talt med en wafer, og det er et team som bokstavelig talt etser portene, lager portene og deretter [opparbeider] lag av stabelen hele veien for å kunne bruke AI til å simulere og forstå det beste resultatet.

Den siste setningen i artikkelen sier at vi bare er én kreativ algoritme unna verdifulle applikasjoner på kort sikt. Noen gjetninger på hva de kan være?

Den virkelige spenningen med kvante er at universet fundamentalt fungerer på en kvante måte, slik at du vil være i stand til å forstå naturen bedre. Det er tidlige dager, men hvor kvantemekanikken skinner er evnen til å simulere molekyler, molekylære prosesser, og jeg tror det er der den vil være sterkest. Oppdagelse av narkotika er et godt eksempel. Eller gjødsel – Haber-prosessen produserer 2 % av karbon [utslippene] i verden [ se note 1 ]. I naturen gjøres den samme prosessen mer effektivt.

Merknad 1: Haber-prosessen

• De Haber-Bosch-prosessen , som lager ammoniakk til gjødsel ved å kombinere nitrogen fra luften med hydrogen fra naturgass og damp, produserer anslagsvis 1,44 % av de globale karbondioksidutslippene og litt over 1 % av de totale klimagassutslippene.

Så hvor langt unna tror du en applikasjon som å forbedre Haber-prosessen kan være?

Jeg vil tro et tiår unna. Vi er fortsatt noen år unna å skalere opp og bygge kvantedatamaskiner som vil fungere godt nok. Andre potensielle bruksområder [kan inkludere] å designe bedre batterier. Uansett, du har med kjemi å gjøre. Å prøve å forstå det bedre er der jeg ville lagt pengene mine på.

Selv folk som bryr seg om dem sier at kvantedatamaskiner kan være som kjernefysisk fusjon: rett rundt hjørnet i de neste 50 årene. Det virker nærmest som et esoterisk forskningsprosjekt. Hvorfor er administrerende direktør i Google så begeistret for dette?

Google ville ikke vært her i dag hvis det ikke var for utviklingen vi har sett innen databehandling gjennom årene. Moores lov har tillatt oss å skalere opp vår beregningskapasitet for å betjene milliarder av brukere på tvers av mange produkter i stor skala. Så innerst inne ser vi på oss selv som et dyptgående informatikkselskap. Moores lov er, avhengig av hvordan du tenker om det, på slutten av syklusen. Kvantedatabehandling er en av de mange komponentene som vi vil fortsette å gjøre fremskritt innen databehandling.

Den andre grunnen til at vi er begeistret er - ta et enkelt molekyl. Koffein har 243 tilstander eller noe sånt [ faktisk 1048—se note 2 ]. Vi vet at vi ikke engang kan forstå den grunnleggende strukturen til molekyler i dag med klassisk databehandling. Så når jeg ser på klimaendringer, når jeg ser på medisiner, er det derfor jeg er sikker på at kvantedatabehandling en dag vil drive fremgang der.

Merknad 2: Koffein

• Koffein, med 24 atomer, kan eksistere i 10⁴⁸distinkte kvantetilstander, dvs. konfigurasjoner av disse atomene. Det betyr at for at en klassisk datamaskin skal representere koffein perfekt, vil det kreve 10⁴⁸biter - nær antall atomer i hele jorden (10⁴⁹eller 10^femti). En 1-gigabyte minnebrikke har omtrent 10¹⁰biter.

  
  
  

TIL profilen til deg i Fast Company beskrev deg som en følelse av forutanelse da du så en AI lære å identifisere kattebilder helt av seg selv, tilbake i 2012. [Denne tingen skulle oppskaleres og kanskje avsløre måten universet fungerer på, er Pichai sitert på å si. Dette vil være det viktigste vi jobber med som menneskehet.] Føles kvantedatabehandling like viktig?

Absolutt. Å være i stand til å være i laboratoriet og faktisk fysisk manipulere qubiten og å kunne sette den i en superposisjonstilstand var et like dyptgående øyeblikk for meg fordi, til mitt tidligere poeng, er det hvordan naturen fungerer. Det åpner for en helt ny rekke muligheter som ikke eksisterte før i dag.

Det kan ta veldig lang tid å komme til kvantesystemer som kan gjøre noe alvorlig. Hvordan håndterer du tålmodighet i et selskap som er vant til veldig rask fremgang?

Du vet, jeg tilbrakte tid med Hartmut [Neven], som leder kvanteteamet sammen med John Martinis, maskinvareforskeren. Og jeg nevnte at jeg droppet ut av doktorgraden min i materialvitenskap, og folk rundt meg jobbet med høytemperatur-superledere. Dette var for 26 år siden, og jeg satt på laboratoriet og jeg er som, Wow, dette kommer til å trenge mye tålmodighet for å gå gjennom. Og jeg følte at jeg ikke hadde den typen tålmodighet. Jeg har dyp respekt for menneskene i teamet som har vært på denne reisen i lang tid. Men stort sett alle grunnleggende gjennombrudd fungerer på den måten, og du trenger en slik langsiktig visjon for å bygge den.

Grunnen til at jeg er begeistret for en milepæl som denne er at selv om ting tar lang tid, er det disse milepælene som driver fremgang i feltet. Da Deep Blue slo Garry Kasparov, var det 1997. Spol frem til da AlphaGo slo [Lee Sedol i 2016] – du kan se på det og si, Wow, det er mye tid. Men hver milepæl belønner menneskene som jobber med den og tiltrekker seg en helt ny generasjon til feltet. Det er slik menneskeheten gjør fremskritt.

Og til mitt tidligere systemutviklingspunkt – vi presser på mange lag av stabelen. Så vi driver fremgang som vil bli brukt på mange, mange forskjellige måter. For eksempel er det at vi bygger våre egne datasentre, det som tillot oss å bygge noe som TPUer [tensorbehandlingsenheter, spesialiserte brikker for Googles dyplæringsrammeverk, TensorFlow], som får algoritmene våre til å gå raskere. Så det er en god syklus. En av de flotte tingene med å jobbe med månebilder er at til og med feilene dine langs siden er verdt noe, og selv midlertidige milepæler har andre applikasjoner. Så ja, du har rett, vi må være tålmodige. Men det er mye ekte glede underveis.

Hvor mye investerer du i kvanteberegning for øyeblikket?

Det er et relativt lite lag. Men det bygger på alle investeringene vi har gjort i mange år på ulike lag av Google. Det er bygget på selskapets år med forskning og det anvendte arbeidet vi har gjort på toppen av det.

Kan du snakke om forskjellen i tilnærming mellom Google og IBM? For det første har IBM en haug med kvantemaskiner som den plasserer i skyen for folk å programmere, mens du gjør det som et internt forskningsprosjekt [ se note 3 ].

Merknad 3: IBM om kvanteoverlegenhet

• 21. oktober publiserte IBM-forskere en artikkel som bestrider Googles påstand om å ha oppnådd kvanteoverlegenhet. De hevdet at ved å bruke en modifisert form for Googles teknikk, burde det være mulig å simulere Sycamores beregning på et klassisk system på bare to og en halv dag i stedet for 10 000 år. En Google-talsperson sier: 'Vi tar gjerne imot forslag om å fremme simuleringsteknikker, selv om det er avgjørende å teste dem på en faktisk superdatamaskin, slik vi har gjort.' Han bemerket også at siden kompleksiteten til kvantedatamaskiner øker eksponentielt, vil det å legge til noen flere qubits sette oppgaven definitivt utenfor grensene til en klassisk maskin.

Det er flott at IBM tilbyr det som et skyanlegg og tiltrekker seg andre utviklere. Jeg tror vi som et team har vært fokusert på å sørge for at vi beviser for oss selv og for samfunnet at du kan krysse denne viktige milepælen med kvanteoverlegenhet.

IBM sier også at begrepet kvanteoverherredømme er misvisende, fordi det antyder at kvantedatamaskiner til slutt vil gjøre alt bedre enn klassiske datamaskiner, når de faktisk alltid vil måtte jobbe sammen om ulike deler av et problem. De anklager deg for å overhype dette.

Mitt svar på det vil være at det er et teknisk begrep for kunst. Folk i samfunnet forstår nøyaktig hva milepælen betyr.

Men påstanden er at publikum kan se det som et tegn på at kvantedatamaskiner nå har beseiret klassiske datamaskiner.

Jeg mener, det er ikke forskjellig fra når vi alle feirer AI. Det er folk som blander det sammen med generell kunstig intelligens. Derfor synes jeg det er viktig at vi publiserer. Det er viktig at folk som forklarer disse tingene hjelper publikum å forstå hvor vi er, hvor tidlig det er, og hvordan du alltid kommer til å bruke klassisk databehandling på de fleste problemene du trenger i verden. Det vil fortsatt være sant i fremtiden.

AI genererer virksomhet for Google på veldig mange nivåer. Det er i tjenester som Oversett og Søk. Du gir AI-verktøy til folk gjennom skyen din. Du gir et AI-rammeverk, TensorFlow, som lar folk bygge sine egne verktøy. Og du gir spesialiserte brikker [TPU-ene nevnt ovenfor] som folk deretter kan bruke til å kjøre verktøyene sine på. Tenker du på at kvantedatabehandling til slutt blir så gjennomgripende for Google?

Det gjør jeg absolutt. Og hvis du går tilbake, investerte vi i AI og utviklet AI før vi visste at det ville fungere for oss på tvers av alle lag av stabelen.

Nedover linjen, på alle de praktiske applikasjonene du snakket om – vi bruker ikke AI-teknologi bare for oss selv; vi gir det til kunder over hele verden. Vi bryr oss om å demokratisere AI-tilgang. Det samme ville være sant for kvanteberegning også.

Hva tror du kvantedatabehandling kan bety for AI selv? Kan det hjelpe oss å låse opp barrieren for kunstig generell intelligens, for eksempel hvis du kombinerer kvantedatabehandling og AI?

Jeg tror det vil være en veldig kraftig symbiotisk ting. Begge feltene er i tidlig fase. Det er spennende arbeid innen AI med tanke på å bygge større modeller, mer generaliserbare modeller, og hva slags dataressurser du trenger for å komme dit. Jeg tror AI kan akselerere kvanteberegning og kvanteberegning kan akselerere AI. Og samlet tror jeg det er det vi trenger for å løse noen av de mest vanskelige problemene vi står overfor, som klimaendringer.

Du nevnte å demokratisere teknologien. Google har støtt på noen etiske kontroverser rundt AI – hvem som skal ha tilgang til disse verktøyene og hvordan de skal brukes. Hva har du lært av å håndtere disse problemene, og hvordan informerer det tankegangen din om kvanteteknologi, som er mye tidligere i utviklingen?

Å publisere og engasjere seg i det akademiske miljøet på disse stadiene er svært viktig. Vi jobber hardt for å engasjere. Vi har publisert vår omfattende AI-prinsipper . Hvis du tar et område som AI-bias, tror jeg vi har publisert over 75 forskningsartikler de siste årene. Så, kodifisere etikken vår og engasjere proaktivt.

Jeg tror det er områder hvor regulering kan være fornuftig. Vi ønsker å delta konstruktivt og bidra til å få riktig regelverk. Og til slutt er det en prosess med å engasjere seg eksternt og få tilbakemeldinger. Dette er alle teknologier som vil påvirke samfunnet. Det er ingen selskap som kan finne ut hva som er riktig. Det er ingen sølvkule, men dette er tidlig nok til at vi i løpet av de neste 10 årene må engasjere oss og jobbe sammen om alt dette.

Er det ikke litt motsetning mellom på den ene siden å si at du ikke vil utvikle AI for visse formål [i henhold til AI-prinsippene] og på den andre siden å lage en plattform som gjør det mulig for folk å bruke AI til hva som helst formål de ønsker?

AI-sikkerhet er et av våre viktigste etiske prinsipper. Du ønsker å bygge og teste systemer for sikkerhet. Det er iboende i vår utvikling. Hvis du er bekymret for at kvantesystemer bryter kryptografi over tid, vil du utvikle bedre kvantekrypteringsteknologier. Da vi bygde søk, måtte vi løse for spam.

Innsatsen er klart høyere med disse teknologiene, men en del av det er den tekniske tilnærmingen du tar, og en del av det, over tid, er global styring og etiske avtaler. Du må komme frem til globale rammeverk som resulterer i resultater vi ønsker. Vi er forpliktet til å gjøre det vi kan for å bidra til å utvikle [teknologien], ikke bare ansvarlig, men å bruke den til å ivareta sikkerhet, demokrati osv. Og vi ville gjort det i fellesskap med institusjonene.

Er det noen annen teknologi du også er veldig begeistret for akkurat nå?

For meg, akkurat som person, har radikalt bedre måter å generere ren fornybar energi mye potensial på. Men jeg er begeistret over kombinasjonene av alt dette og hvordan vi praktisk bruker det. I helsevesenet tror jeg vi er på randen av gjennombrudd i løpet av det neste tiåret eller så som vil være dyptgripende. Men jeg vil også si selve AI – neste generasjon av AI-gjennombrudd, nye algoritmer, bedre generaliserbare modeller, overføringslæring osv. er like spennende for meg.

gjemme seg