智慧應用 影音
EVmember
ADI

ChatGPT預示人工智慧挑戰量子運算可能性

爆紅的生成型人工智慧服務ChatGPT,讓大眾體會到人工智慧的強大運算能力。

去年(2022年)底科技界最火紅的話題,莫過於OpenAI所推出的ChatGPT,這是個可以透過文字或對話,與人類直接互動的人工智慧產物。

由於我們是無法有效地分辨出所互動的對象是人或機器,達到所謂圖靈驗證(Turing test)的終極要求。

GPT(generative pre-trained transformer)是所謂的生成型人工智慧(AI),只要有主題句或初始對話,這已被訓練好的生成型人工智慧,即可寫出一篇文字流暢且具思想的文章,或者與我們侃侃而談。

人工智慧的發展及演進已經歷好幾個世代,早已跳脫利用海量資訊,將人類過往的知識及經驗,蛛絲馬跡般地尋找出最適切的解決方案,取而代之的是機器自己的學習,並創造出人類沒有嘗試過的解決方案。生成型人工智慧就是近來備受關注的,其所使用的是自我迴歸(auto-regressive)演算法。程式設計師需要將所欲解決問題的基本規則輸入,包括相關的參數,並設定好最終的目標值。接著電腦就開始不間斷地自我學習(預測)以及檢驗,找出各參數在這個當下時間節點的輸出預測值,並與上一個時間節點的輸入參數做比較(檢驗),如果兩者間有其相關性,則對於下一個時間節點的預測就更有把握及準確。

一旦達到所設定的目標值,這個人工智慧的自我訓練就大功告成。

DeepMind在幾年前所推出的AlphaZero,在經過4小時的自我學習訓練,隨即打敗所有下西洋棋的電腦程式。自我迴歸演算法,在各參數不斷地預測及檢驗的循環下,需仰賴龐大的計算能力。所幸先進的半導體技術,已提供所需的運算平台。

以使用4奈米技術所製作的最先進高速運算晶片為例,其晶片已內含超過1,000億個電晶體。不久前超微(AMD)在CES 2023會場上,所發表新一代的運算架構,9顆小晶片(chiplet)的堆疊,使電晶體數目更超過1,400億顆。

其實說穿了,生成型人工智慧與量子運算是殊途同歸,兩者解決問題所採取的步驟都是類神經網路的架構,在不斷地預測與優化間,找到最適切的解答。不同的是,量子運算乃自然界微觀世界所提供的量子疊加(superposition)與糾纏(entanglement);人工智慧是人為演算法及半導體算力。

自然界產物比較難以捉摸,人為的世界比較可以預測。

量子運算的硬體架構經過多年的發展,依然很難決定要往哪一個方向前進,這其中製作量子位元(qubit)相關的技術就包括超導體、離子阱(ion trap)、光子或者電子自旋(spin)。在資源無法集中的情況下,勢必會影響到量子運算達到實際應用的時程表。甚至有專家開始提出,結合超級電腦人工智慧運算的能力,以及量子運算的獨特性,相輔相成共同完成艱鉅問題的解決能力。

換言之,當量子運算還不清楚該如何跨出下一步時,生成型人工智慧在演算法不斷地精進,及更龐大運算能力的硬體支持下,已逐漸挑戰到未來量子電腦所擅長的領域。

科技的發展很難用以始為終的邏輯來判斷,需要密切關注發展中的每一個環節,並時時做修正。以TFT-LCD顯示器為例,OLED的確有非常好的條件取代TFT-LCD,但是整體發展下來,OLED也僅能在中小尺寸的顯示器有所著墨。反而TFT-LCD採用OLED作為背光源,更壯大TFT-LCD在產業的聲勢。

個人淺見認為,量子運算有可能走入OLED的命運,甚至更慘。

2022年諾貝爾物理獎頒給在量子資訊領域有傑出貢獻的3位學者,一時間有不少的報導認為量子運算已備受肯定,未來商品化的價值指日可待。事實上諾貝爾委員會所表彰的是這三位學者,以實驗證明貝爾不等式(Bell inequalities)的不存在,也間接地指出愛因斯坦狹義相對論的不完備。這全然是根源於基礎物理的實證,與未來的應用沒有關聯。

諾貝爾委員會曾頒過2次物理獎給量子霍爾效應(quantum Hall effect)相關研究,原先也被認為未來會有應用及商品化的價值,但後來都沒發生。

台灣投入不少資源在量子運算的發展上,但如果以未來應用的可行性來審視,人工智慧的發展更應該要有積極的規劃。

曾任中央大學電機系教授及系主任,後擔任工研院電子光電所副所長及所長,2013年起投身產業界,曾擔任漢民科技策略長、漢磊科技總經理及漢磊投資控股公司執行長。