هوش مصنوعی و چشم اندازی از آینده پیش رو — آنچه باید دانست

روزی روزگاری «هوش مصنوعی» (Artificial Intelligence | AI) آینده موعود بود، اما امروز، بشر قصد دارد فراتر از این آینده را شاهد باشد. این مقاله در تلاش است تا دیدگاه پژوهشگران گوناگون پیرامون هوش مصنوعی در آینده را طی پنج سال آینده این علم بر اساس گرایش‌های روز در حال ظهور و توسعه‌های انجام شده در حوزه‌های «اینترنت اشیا» (The Internet of Things | IoT)، «رباتیک» (Robotic)، «نانوتکنولوژی» (Nanotechnology) و «یادگیری ماشین» (Machine Learning) تشریح کند.

چشم انداز کلی هوش مصنوعی در آینده

در مطالب پیشین منتشر شده پیرامون هوش مصنوعی در وبلاگ فرادرس، برخی مباحث مرتبط با آن تشریح شدند. احتمالا در این لحظه، تاثیر خارق‌العاده‌ای که هوش مصنوعی طی سال‌های گذشته بر جهان و زندگی انسان‌ها داشته بر کسی پوشیده نیست. اکنون زمان آن رسیده تا به این مساله پرداخته شود که هوش مصنوعی طی پنج سال آینده در چه نقطه‌ای قرار خواهد داشت.

از همین‌رو، در این مطلب برخی گرایش‌های مرتبط با هوش مصنوعی که طی سال‌های اخیر ظهور کرده‌اند و بشر از وجود آن‌ها آگاه است و پیش‌بینی‌هایی که پیرامون توسعه‌های آتی یادگیری ماشین انجام شده مورد بررسی قرار گرفته‌اند. لیستی که در ادامه ارائه شده جامع و یا سنگ‌بنای آینده این علم نیست اما دیدگاه‌های بسیاری از افراد پیرامون تاثیر هوش مصنوعی بر آینده جهان و روند تکامل آن را به تصویر خواهد کشید.

۱۳ پیش‌بینی برای هوش مصنوعی در آینده

در ادامه لیستی شامل ۱۳ پیش‌بینی برای هوش مصنوعی در آینده به همراه توضیحات اجمالی پیرامون هر یک از آن‌ها ارائه شده است. همانطور که پیش‌تر گفته شد این لیست با این هدف تهیه نشده که یک زیرساخت علمی و مستحکم برای پژوهش‌های آتی فراهم کند و صرفا تداعی‌گر نظرات برخی پژوهشگران درباره هوش مصنوعی در آینده (طی پنج سال آینده) است.

۱. هوش مصنوعی در آینده پیش رو به داده‌های کمتری برای تحلیل نیاز خواهد داشت: شرکت‌هایی مانند «ویکاریوس» (Vicarious) و «ژئومتریک اینتلیجنس» (Geometric Intelligence) در تلاش برای کاهش بار داده‌های مورد نیاز جهت آموزش دادن «شبکه‌های عصبی» (Neural Networks) هستند. حجم داده‌هایی که امروزه برای هوش مصنوعی مورد نیاز است مانعی اساسی برای گسترش این علم (و مزایای رقابتی آن) محسوب می‌شود.

بر همین اساس، استفاده از «استقرای احتمالی» (Probabilistic Induction) که در مقاله «برندن لیک» (Brenden Lake) و همکاران با عنوان «یادگیری مفهوم در سطح انسانی از طریق استقرای برنامه احتمالی» (Human-level concept learning through probabilistic program induction) به آن پرداخته شده و در سال ۲۰۱۵ انتشار یافت، می‌تواند مساله اصلی در توسعه «هوش مصنوعی عمومی» (Artificial general intelligence | AGI) را حل کند. ممکن است الگوریتم‌هایی که کمتر متمرکز-بر-داده (data-intensive) هستند در نهایت از مفاهیم یادگرفته شده استفاده و آن‌ها را به شکل غنی‌تری به منظور «اقدام» (Actions)، «تخیل» (Imagination) یا «اکتشاف» (exploration) با یکدیگر تلفیق کنند.

۲. انواع جدید روش‌های یادگیری ماشین، دروازه‌ای به سوی هوش مصنوعی در آینده هستند: روش «یادگیری افزایشی» (Incremental learning) توسعه داده شده توسط «دیپ‌مایند» (DeepMind) با نام «یادگیری انتقال» (Transfer Learning) این امکان را فراهم می‌کند تا یک «سیستم یادگیری تقویتی استاندارد» (Standard Reinforcement Learning) بر فراز دانشی که پیش‌تر اکتساب شده ساخته شود (کاری که انسان‌ها بدون تلاش خاصی انجام می‌دهند).

در عوض، «متامایند» (MetaMind) بر اساس «یادگیری چند وظیفه‌ای» (Multitask Learning) کار می‌کند که در آن «شبکه عصبی مصنوعی» (Artificial Neural Network | ANN) مشابهی برای حل دسته‌های مختلفی از مسائل مورد استفاده قرار گرفته و بهتر شدن ANN برای انجام یک وظیفه موجب بهتر شدن عملکرد آن در مسائل دیگر نیز می‌شود. در عین حال، توسعه‌های بعدی MetaMind منجر به معرفی مفهوم «شبکه حافظه پویا» (Dynamic Memory Network | DMN) شد که می‌تواند پاسخگوی پرسش‌ها و استنتاج ارتباط منطقی بین مجموعه‌ای از عبارت‌ها باشد.

۳. هوش مصنوعی سوگیری‌های انسانی را حذف و بشر را «مصنوعی‌تر» می‌کند: ماهیت انسان‌ها به خاطر هوش مصنوعی تغییر خواهد کرد. «هربرت سایمون» (Herbert A. Simon)، پدر هوش مصنوعی، در مقاله‌ای با عنوان «یک مدل رفتاری برای انتخاب منطقی» (A Behavioral Model of Rational Choice) که در سال ۱۹۵۵ در «The Quarterly Journal of Economics» انتشار یافت، چنین استدلال می‌کند که انسان‌ها تصمیم‌گیری‌های کاملا عقلانی انجام نمی‌دهند زیرا بهینه‌سازی دارای هزینه است.

«آندرو لو» (Andrew Lo) در مقاله دیگری با عنوان «فرضیه بازارهای سازگار: کارایی بازار از منظر تکاملی» (the Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective) که در سال ۲۰۰۴ منتشر شد محدودیت بشر در توانایی‌های محاسباتی را دلیل دیگری برای آنچه بیان شد برمی‌شمارد. بنابراین کاری که نوع بشر انجام می‌دهد «رضایتمندی» است، یعنی انتخاب کردن چیزی که دستکم برای آن‌ها رضایت‌بخش باشد.

با ورود هوش مصنوعی به زندگی روزمره انسان‌ها احتمالا این جریان پایان خواهد یافت. ایده اینکه بشر یک‌بار برای همیشه به لحاظ تلاش‌های محاسباتی مستقل شود (computationally-effort-independent) سرانجام به این پرسش پاسخ خواهد داد که آیا سوگیری‌های رفتاری وجود داشته و جزو ذات بشر هستند یا تنها میانبرهایی برای اتخاذ تصمیمات در محیط اطلاعاتی محدود شده یا «مسائل محدودیت» (constrained problems) محسوب می‌شوند.

آندرو لو در مقاله‌ای که پیش‌تر به آن اشاره شد چنین بیان می‌کند که نقطه قوت رضایت‌بخشی از طریق تکامل آزمون و خطا و انتخاب طبیعی (افراد انتخابی برپایه داده‌های گذشته انجام داده، تجربه می‌کنند و آن‌ها را به بهترین حدس‌ها مبدل می‌سازند) به دست می‌آید. انسان‌ها با دریافت بازخوردهای مثبت/منفی یاد می‌گیرند و اکتشافاتی (heuristics) انجام می‌دهند تا چنین مسائلی را به سرعت حل کنند. اگرچه، هنگامی که محیط تغییر می‌کند، تاخیر/کندی در انطباق به وقوع می‌پیوندد و عادت‌های قدیمی مناسب تغییرات جدید نیستند (این موارد سوگیری‌های رفتاری محسوب می‌شوند).

هوش مصنوعی این زمان‌های تاخیر را به صفر رسانده و به طور مجازی هر سوگیری رفتاری را حذف می‌کند. علاوه بر این، با یادگیری بر اساس تجربه در طول زمان، هوش مصنوعی به عنوان یک ابزار تکاملی جدید راه‌اندازی می‌شود. انسان‌ها اغلب همه جایگزین‌ها را مورد ارزیابی قرار نمی‌دهند زیرا نمی‌توانند همه آن‌ها را ببینند (فضای دانش انسان محدود است).

۴. هوش مصنوعی می‌تواند فریب بخورد: هوش مصنوعی هنوز فاصله زیادی تا کامل شدن دارد و بسیاری از افراد بر این بحث تمرکز کرده‌اند که چگونه ممکن است هوش مصنوعی اغوا شود و فریب بخورد. اخیرا، روش ابداعی برای گمراه کردن «بینایی ماشین» (computer vision) طی مقالاتی جداگانه در سال ۲۰۱۶ توسط «پیپرنات» (Papernot) و همکاران (Practical black-box attacks against deep learning systems using adversarial examples) و «کوراکین» (Kurakin) و همکاران (Adversarial Examples in the Physical World) معرفی شد که به آن «نمونه‌های محوری» (adversarial examples) گفته می‌شود.

در واقع، نرم‌افزار بازشناسی تصویر هوشمند با انجام اصلاحات ظریفی در تصویر به شکلی فریب می‌خورد که نرم‌افزار هوش مصنوعی نقاط داده را متعلق به دسته دیگری (غیر از دسته واقعی آن نقاط داده) تشخیص داده و دسته‌بندی می‌کند. مساله جالب دیگر در این رابطه آن است که چنین روش‌هایی توانایی فریب دادن مغز انسان را ندارند. برای آشنایی بیشتر با این روش، مطالعه بخش هشتم از آموزش یادگیری ماشین با مثال‌های کاربردی که در آن به ترفندهایی در شبکه‌های عصبی و شیوه دور زدن آن‌ها پرداخته شده توصیه می‌شود.

۵. خطراتی مرتبط با هوش مصنوعی وجود دارد: نگاه کردن به هوش مصنوعی به چشم فاجعه‌ای که در آینده به وقوع خواهد پیوست تبدیل به یک جریان فکری شده است. اگر (یا هنگامی که) یک «اَبَرهوش مصنوعی» (Artificial SuperIntelligence | ASI) ساخته شود، هوشمندی عامل‌های هوشمند تا حد بسیار زیادی از هوشمندی انسان تجاوز کرده و عامل‌های هوشمند قادر به فکر کردن به چیزها و انجام دادن کارهایی هستند که نوع بشر در حال حاضر از پیش‌بینی آن‌ها قاصر است.

با این وجود، بشر باور دارد که خطرات اندکی در رابطه با هوش مصنوعی افزون بر تهدیدهای ترسناک ذاتی آن وجود دارد. خطری که انسان از فهم و درک جامع آن ناتوان محسوب می‌شود این است که اَبَرهوش مصنوعی مستقل از مثبت یا منفی بودن آن برای نژاد انسانی، چگونه ساخته خواهد شد. همچنین، در دوران گذار از هوش مصنوعی ناقص به هوش مصنوعی عمومی/اَبَرهوش مصنوعی، یک خطر مسئولیت ذاتی ایجاد خواهد شد و آن این است که در صورت وقوع خطا یا ناکارآمدی چه کسی پاسخگو خواهد بود؟

علاوه بر این، این خطر نیز وجود دارد که چه کسی قدرت هوش مصنوعی را متوقف خواهد کرد و چگونه از این قدرت استفاده خواهد شد. در این وضعیت، برخی پژوهشگران حقیقتا بر این باور هستند که هوش مصنوعی باید به عنوان یک ابزار (یک خدمت اجتماعی برای همگان) اجرا شود و درجاتی از قدرت تصمیم‌گیری پیرامون آن به انسان سپرده شود تا به سیستم در مدیریت استثناهای نادر کمک کند.

۶. هوش مصنوعی عمومی واقعی احتمالا یک «هوش جمعی» (Collective Intelligence | CI) است: «لوئیس رُزنبرگ» (Louis Rosenberg) در مقاله‌ای با عنوان «ازدحام‌های انسانی، یک روش زمان واقعی برای هوش جمعی» (Human Swarms, a real-time method for collective intelligence) اذعان می‌کند که این احتمال به شدت وجود دارد که اَبَرهوش مصنوعی یک ترمینال منفرد که توانایی تصمیم‌سازی‌های پیچیده را دارد نبوده، بلکه یک هوش جمعی باشد. یک «هوش ازدحامی» (swarm intelligence) یا تجمعی را می‌توان به عنوان «مغز مغزها» تعریف کرد.

تاکنون، به سادگی از افراد درخواست می‌شد که ورودی‌ها را فراهم کنند و سپس ورودی‌ها به شکل «هوش احساسات میانگین» (average sentiment intelligence) تجمیع می‌شدند. مطابق آنچه روزنبرگ بیان کرده، روش‌های موجود برای شکل دادن هوش جمعی انسانی به کاربران این امکان را نمی‌دهد که یکدیگر را تحت تاثیر قرار دهند، و هنگامی که آن‌ها چنین کاری را انجام می‌دهند تنها تاثیری که به صورت ناهمگام اتفاق افتاده را می‌پذیرند که موجب تجمیع سوگیری‌ها می‌شود.

از سوی دیگر یک هوش مصنوعی قادر خواهد بود شکاف‌های ارتباطی برای ساخت هوش جمعی یکپارچه را پُر کند که این امر بسیار مشابه مواردی است که دیگر گونه‌ها دارند. یک مثال الهام‌بخش خوب از این مورد در جهان طبیعی زنبورهای عسل هستند که فرآیند تصمیم‌سازی آن‌ها بسیار شبیه روش عصبی انسان است. هر دو این موارد از جمعیت‌های بالایی از واحدهای تحریک‌پذیر ساده تشکیل شده‌اند که به طور موازی برای ادغام کردن شواهد دارای نویز، جایگزینی‌های وزن و در نهایت رسیدن به یک تصمیم مشخص استفاده می‌کنند.

مطابق آنچه روزنبرگ بیان کرده، این تصمیم از طریق یک رقابت حلقه بسته زمان واقعی در میان زیر جمعیت‌های واحدهای تحریک‌پذیر توزیع شده حاصل می‌شود. هر زیرجمعیت از انتخابی متفاوت پشتیبانی کرده و اجماع به دست آمده از اکثریت یا ناگفته‌ها به عنوان وضعیت احساسات میانگین حاصل نشده بلکه به عنوان «مقدار کافی از تحریک» است. یک مکانیزم بازدارندگی از جایگزین‌های ارائه شده توسط دیگر زیرجمعیت‌ها از رسیدن سیستم به تصمیم زیرمجموعه جلوگیری می‌کند.

۷. هوش مصنوعی پیامدهای سیاسی-اجتماعی غیر منتظره‌ای دارد: اولین پیامد اجتماعی-اقتصادی آن معمولا مربوط به از دست دادن کار انسان‌ها با ظهور هوش مصنوعی است (هوش مصنوعی نقش انسان را در بسیاری از مشاغل عهده‌دار می‌شود). حتی اگر از یک سو این یک مساله واقعی باشد (و از بسیاری جنبه‌ها فرصت محسوب شود)، بخشی از پژوهشگران همچنان باور دارند که از منظر چندین تفاوت ریز دیگر باید به مساله نگریست.

ابتدا آنکه مشاغل از بین نخواهند رفت بلکه متفاوت خواهند شد. بسیاری از سرویس‌ها ناپدید می‌شوند زیرا داده‌ها به جای شرکت‌ها به‌طور مستقیم توسط خود افراد تحلیل خواهد شد و تاثیر اصلی که هوش مصنوعی خواهد داشت تمرکززدایی کامل از دانش است. به عقیده برخی پژوهشگران، یک نگرانی مهم‌تر در این رابطه پیامدهای دوگانه این انقلاب است. اول از همه، استفاده همیشگی از سیستم‌های هوشمند موجب خواهد شد که انسان‌های بیشتر و بیشتری تخصص خود را در زمینه‌های خاص از دست بدهند.

این موجب می‌شود که نرم‌افزار هوش مصنوعی با گونه‌ای از حلقه‌های دو-بازخوردی طراحی شود که رویکرد انسان و ماشین را یکپارچه می‌کنند. دومین نگرانی آن است که انسان‌ها به تکنسین‌های ماشین مبدل خواهند شد، زیرا ما باور داریم هوش مصنوعی در حل مسائل بهتر عمل می‌کند و احتمالا فریب‌ناپذیر است. این مارپیچ پایین از خلاقیت، اصالت و هوشمندی انسان می‌کاهد و به طور نمایی اختلاف انسان-ماشین را تقویت می‌کند. در حال حاضر انسان‌ها سیستم‌هایی را تجربه می‌کنند که آن‌ها را در حین استفاده هوشمندتر می‌کند و موجب می‌شوند در حین عدم استفاده از آن‌ها احساس افتضاحی داشته باشند.

پژوهشگران می‌خواهند که هوش مصنوعی در دسته اول قرار بگیرد و «پدیده تلفن هوشمند» جدیدی نباشد که در حال حاضر بشر کاملا به آن وابسته است. در نهایت جهان روبو-پسندتر (ربات-دوستانه‌تر) خواهد شد و در حال حاضر نیز انسان به جای مخالف با ربات‌ها به عنوان رابطی برای آن‌ها عمل می‌کند. نظر به نقش‌های پیشرو و رو به رشدی که ماشین‌ها ایفا می‌کنند و قدرت بیشتر آن‌ها برای تحت تاثیر قرار دادن بشر در مقایسه با توانایی انسان‌ها برای متاثر کردن ربات‌ها، امکان مبهوت ماندن بشر با رشد هوش مصنوعی وجود دارد.

در عوض از جنبه ژئوپلتیکی، بسیاری از پژوهشگران باور دارند که تاثیر هوش مصنوعی روی جهانی‌سازی ممکن است بسیار عظیم باشد. در این راستا، یک احتمال قریب به یقین آن است که کارخانجات بهینه که به وسیله سیستم‌های هوش‌مصنوعی که ربات‌های عملیاتی را کنترل می‌کنند فعالیت انجام می‌دهند، به کشورهای توسعه یافته نقل مکان کنند. در واقع هزینه‌های کم اقتصادی و مزایای راه‌اندازی کسب‌و‌کار در کشورهای نوظهور این نکته را شفاف نمی‌کند که هوش مصنوعی تفاوت‌های میان کشورها را حذف و آن‌ها را به سوی برابری هدایت می‌کند و یا شکاف‌های موجود بین رشد و توسعه اقتصادی آن‌ها را افزایش خواهد داد.

۸. یک هوش مصنوعی واقعی باید بپرسد «چرا»: تاکنون، سیستم‌های یادگیری ماشین در تشخیص الگوها و کمک به تصمیم‌سازان در فرآیندهای تصمیم‌گیری کمک کرده‌اند و از آنجا که بسیاری از الگوریتم‌ها همچنان به صورت هارد-کد شده هستند این مساله قابل درک است. با این حال، حتی اگر شفاف‌سازی «چه چیزی» و «چگونه» همچنان دستاورد بزرگی باشد، هوش مصنوعی نمی‌تواند «چرایی» نهفته در پس چیزها را بفهمد. لیک و همکاران در مقاله‌ای با عنوان «ساخت ماشین‌هایی که همچون انسان‌ها می‌آموزند و فکر می‌کنند» (Building Machines That Learn and Think Like People) می‌گوید: ما باید الگوریتم عمومی طراحی کنیم که قادر به ساخت «مدل‌های علّی» (causal models) جهان هم برای فیزیک و هم روانشناسی باشد.

۹. هوش مصنوعی مزرهای حفاظت از حریم خصوصی و نشت داده را جابه‌جا خواهد کرد: هوش مصنوعی مرزهای بازی حریم خصوصی موجود در میان مردم، سازمان‌ها و دولت‌ها را به سطح کاملا جدیدی تغییر داده است. سنجه‌های حریم خصوصی جدیدی باید ساخته و پذیرفته شوند که پیشرفته‌تر از «محاسبات چندگانه امن ساده» (Simpler Secure Multi-Party Computation | SMPC) یا سریع‌تر از «رمزنگاری هم‌ریختی» (Homomorphic Encryption) باشند. پژوهش‌های اخیر حاکی از آن است که حریم خصوصی تفاضلی می‌تواند بسیاری از مسائل حریم خصوصی که بشر در زندگی روزمره با آن مواجه می‌شود را حل کند، همچنین شرکت‌هایی وجود دارند که یک گام جلوتر را دیده‌اند و از این جمله می‌توان به «Post-Quantum» که یک استارتاپ محاسبات امنیت سایبری کوانتومی است اشاره کرد.

۱۰. هوش مصنوعی، «اینترنت چیزها» (Internet of Things | IoT) را تغییر می‌دهد: هوش مصنوعی این امکان را فراهم کرده تا اینترنت چیزها به عنوان یک معماری کاملا غیرمتمرکز ساخته شود، که در آن حتی یک گره مجرد نیز می‌تواند تحلیل‌های خود را داشته باشد (برای مثال «رایانش لبه‌ای» یا همان (Edge Computing)). در مدل مرکزی کلاسیک، مساله بزرگی به نام پاردایم سرور/کلاینت وجود دارد. هر دستگاهی از طریق سرورهای ابری شناسایی، احراز هویت و متصل شده که مستلزم یک زیرساخت پرهزینه است. یک رویکرد توزیع شده برای شبکه‌سازی اینترنت چیزها یا معماری استاندارد شده «همتا به همتا» (Peer-to-peer | P2P) می‌تواند این مساله را حل کرده، هزینه‌ها را کاهش دهد و از شکست خوردن یک گره مجزا برای از کار انداختن کل سیستم جلوگیری کند.

۱۱. رباتیک، به جریان اصلی فناوری مبدل خواهد شد: برخی پژوهشگران بر این باور هستند که توسعه هوش مصنوعی به پیشرفت علم رباتیک محدود شده و هر دو زمینه باید به منظور دستیابی به کسب هوش مصنوعی عمومی/اَبَر هوش مصنوعی شانه به شانه هم پیشرفت کنند. در تصویر زیر مشهود است که چگونه پژوهش‌های انجام شده و افکار عمومی، هوش مصنوعی را بدون داشتن بدنه فیزیکی به عنوان یک چیز عمومی یا فوق‌العاده در نظر نمی‌گیرند (انتظاری که عموم مردم از هوش مصنوعی دارند یک آدم‌آهنی است!).

دیگر شواهدی که این دیدگاه را تصدیق می‌کنند عبارتند از: ۱) مساله اخیر در رابطه با درخواست‌های پتنت رباتیک است که مطابق IFI Claims به بیش از ۳۰۰۰ درخواست در چین رسیده و رقم تقریبا مشابهی در ایالات متحده آمریکا، ژاپن و کره شمالی وجود دارد. ۲) روند قیمت برای Robo Stox ETF که در شکل زیر نشان داده شده است.

۱۲. موانع جدی ممکن است در راه توسعه هوش مصنوعی وجود داشته باشند: مانع جدی برای رفتن به سوی یک عامل هوش مصنوعی عمومی انتخاب الگوریتم یا داده‌هایی که استفاده شده نیست (حداقل تنها مشکلات نیستند)، بلکه یک مساله ساختاری است. ظرفیت‌های سخت‌افزاری همچون ارتباطات فیزیکی (برای مثال اینترنت) و قدرت دستگاه‌ها موانعی جهت ساخت یک هوش مصنوعی به اندازه کافی سریع محسوب می‌شوند و به همین دلیل است که وابستگی‌هایی مانند «گوگل فایبر» (Google Fiber) وجود دارد. از همین رو، موضوع «رایانش کوانتومی» (quantum computing) به عنوان راهکار بسیار مناسبی برای حل این چالش مطرح شده است.

رایانش کوانتومی این امکان را فراهم می‌کند تا محاسباتی را اجرا کند که طبیعت فورا آن‌ها را انجام می‌دهد با این حال انجام این کار با استفاده از کامپیوترهای سنتی نیازمند زمان بسیار زیادی است. رایانش کوانتومی بر ویژگی‌های فیزیک کوانتوم تکیه دارد و کل آن بر پایه این ایده بنا شده که کامپیوترهای سنتی هر مساله‌ای را به صورت یک رشته از صفر و یک‌ها در نظر می‌گیرند در حالیکه، «کیوبیت‌ها» (qubits) وضعیت‌های کوانتومی را به صورتی در نظر می‌گیرند که در آن یک بیت می‌تواند هم‌زمان صفر یا یک باشد. از این رو، مطابق آنچه «فرانک چن» (Frank Chen) از شرکای «اندرسون هوروویتز» (Andreessen Horowitz) می‌گوید ترانزیستورها، نیمه‌هادی‌ها و رساناهای الکتریکی با کیوبیت‌ها جایگزین می‌شوند که قابل ارائه به وسیله بردارها هستند و عملیات روی آن‌ها متفاوت از «جبر بولی» (Boolean algebra) سنتی است.

یک راهکار متداول برای تشریح رویکردهای متفاوت رایانش سنتی و کوانتومی، مساله دفترچه تلفن است. در رویکرد سنتی یافتن عددی در دفترچه تلفن از طریق اسکن کردن مورد به مورد به منظور یافتن همتای صحیح انجام می‌شود. یک الگوریتم جست‌و‌جوی کوانتومی پایه که با عنوان الگوریتم «گروور» (Grover) شناخته می‌شود بر آنچه که «برهم‌نهی کوانتومی حالات» نامیده می‌شود و اساسا هر عنصر را یکباره مورد تحلیل قرار می‌دهد تکیه کرده و پاسخ صحیح را به طور احتمالاتی تعیین می‌کند. ساخت کامپیوتر کوانتومی یک پیشرفت علمی انقلابی خواهد بود، اما بر اساس نظر «چن»، ساخت چنین کامپیوتری در حال حاضر بسیار سخت خواهد بود.

مهم‌ترین مساله مربوط به این حوزه درجه حرارت بالای مورد نیاز برای مواد ابررسانایی است که کامپیوترها از آن‌ها ساخته می‌شوند. «زمان همدوسی» (coherence time) کوچک، که پنجره زمانی است که در آن یک کامپیوتر کوانتومی می‌تواند محاسبات را انجام دهد؛ زمان انجام یک عمیات منفرد؛ و در نهایت بسیار کوچک بودن تفاوت انرژی بین پاسخ‌های صحیح و غلط که موجب دشواری در شناسایی آن‌ها می‌شود.

همه این مسائل فضای بازار را کوچک کرده و موجب شده‌اند به جز چند کمپانی غول‌پیکر مانند IBM و Intel و استارتاپ‌هایی مانند D-Wave Systems که در سال ۲۰۱۳ توسط اینتل خریداری شد، Rigetti Computing، QxBranch، 1Qbit، Post-Quantum، ID Quantique، Eagle Power Technologies، Qubitekk،  QC Ware، Nano-Meta Technonoliges و Cambridge Quantum Computing Limited که در زمینه رایانش کوانتومی مشغول به کار هستند، شرکت دیگری در این حوزه فعال نباشد.

۱۳. ربات‌های بیولوژیکی و نانوتکنولوژی هوش مصنوعی در آینده هستند: بشر در حال حاضر شاهد مجموعه‌ای از نوآوری‌های باورنکردنی است که تکیه بر تلاقی هوش مصنوعی و نانورباتیک دارند. پژوهشگران در حال کار برای ساخت موجوداتی هستند که به طور کامل مصنوعی محسوب می‌شوند و حتی در تلاش برای توسعه بیووایرها (زیست سیم‌ها | biowires) - برای مثال سیم‌های الکتریکی ساخته شده از باکتری‌ها - و «اندام-تراشه‌ها» (organs on chips) - بخش‌هایی از اندام‌های بدن در ابعاد مینیاتوری که توسط سلول های انسان ساخته شده و می‌توانند برخی از عملکرد اندام‌ها را تکثیر کنند -  (Emulate پیشرفته‌ترین شرکت در این زمینه است) هستند.

پژوهش بیوبات‌ها نیز مرزهای مواد و ربات‌های نرم که اخیرا با استفاده از مولفه‌های نرم ساخته شده‌اند را مورد ارزیابی قرار می‌دهد. شرکت BAE Systems نیز در صدد رفع محدودیت‌های موجود بر رایانش با تلاش برای ساخت «کامپیوتر شیمیایی» (chemical computer)، که به آن «Chemputer» نیز گفته می‌شود و ماشینی است که از فرآیندهای شیمیایی پیشرفته برای رشد سیستم‌های الکترونیکی پیچیده استفاده می‌کند برآمده است.

اگر نوشته بالا برای شما مفید بوده، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• یادگیری ماشین و بازشناسی الگو
• مجموعه آموزش‌های شبکه‌های عصبی مصنوعی
• مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی
• مجموعه آموزش‌های الگوریتم ژنتیک و محاسبات تکاملی
• مجموعه آموزش‌های هوش محاسباتی
• معرفی منابع جهت آموزش یادگیری عمیق (Deep Learning) — راهنمای کامل

^^