“安卓之父”安迪·鲁宾:量子计算和AI将解答许多未解之谜

简介:

“安卓之父”安迪·鲁宾:量子计算和AI将解答许多未解之谜


作为“安卓之父”,安迪·鲁宾2014年离开谷歌后一直在鼓捣自己的新事业,大约一年前他成立了一家掌管3亿美元资金的软硬件孵化器和风险投资公司Playground Global。

今天,他在Tech Conference上接受了彭博社的采访,在采访中鲁宾表示未来人工智能将成为各种联网设备的总发动机。此外,他认为量子计算机和人工智能的强强联手将会培育出具有自己意识的智能形态,而这种全新的智能形态将把各类技术推向巅峰。

“如果这世上有计算能力空前绝后的设备,那么拥有一台就够了,”鲁宾说道。“你无需随身携带,但这台设备必须有自我意识。”

这番话听起来有些古怪,而且学术味道浓厚,不过鲁宾确实正在朝这个方向努力。他创办的风险投资公司Playground Global就专注于为此类公司服务。鲁宾现在就投资了一家量子计算公司,该公司致力于利用标准生产流程将量子设备商品化。未来,量子计算技术将大大增强电脑的处理能力,这一全新类别计算机的性能将足以完成许多传统计算机力无法想象的工作。

鲁宾认为量子计算、人工智能和机器人有许多共通点。“为了让AI突破瓶颈并满足用户的需求,我们需要大量的数据,”鲁宾说道。“这里就需要机器人登场了,它们可以成为移动着的传感器,帮AI采集周边的数据并学会与其他事务互动。”

AI和量子计算都是模式匹配的好手,而且它们有很强的互补性。“几百年后,两者的通力合作会为我们解答许多现在无法解释的问题,比如谁是主人,谁是仆人等。”鲁宾补充道。

当然,鲁宾这番话可不是为了吓唬听众,他只是与我们的思考方式不同罢了。“你根本无需担心科幻电影中的天网出现,相反,你应该了解这种量级的计算能力到底意味着什么。”鲁宾说道。


原文发布时间为:2016-10-26
本文作者:大壮旅
本文来源:雷锋网,如需转载请联系原作者。

目录
相关文章
|
16天前
|
存储 人工智能 算法
【AI系统】计算与调度
本文探讨了计算与调度的概念,特别是在神经网络和图像处理中的应用。通过分离算法定义和计算组织,Halide 等工具能够显著提升图像处理程序的性能,同时保持代码的简洁性和可维护性。文章详细介绍了计算与调度的基本概念、调度树的构建与约束,以及如何通过调度变换优化计算性能。此外,还讨论了自动调优方法在大规模调度空间中的应用,展示了如何通过探索和预测找到最优的调度方案。
36 0
|
3月前
|
存储 人工智能 弹性计算
AI计算加速渗透、基础设施全面升级…云栖大会重磅发布全览
阿里云全面展示了全新升级后的AI Infra系列产品及能力。通过全栈优化,阿里云打造出一套稳定和高效的AI基础设施,连续训练有效时长大于99%,模型算力利用率提升20%以上。
265 27
|
2月前
|
机器学习/深度学习 存储 人工智能
AI与量子计算:推动计算科学的边界
【10月更文挑战第7天】AI与量子计算的融合,标志着计算科学进入了一个全新的时代。在这个时代里,计算能力的边界被不断拓宽,科技创新的速度不断加快。我们有理由相信,在未来的日子里,AI与量子计算将继续携手并进,共同推动计算科学向着更加智能、更加高效的方向发展。让我们期待这一天的到来,共同见证计算科学的无限可能。
|
9天前
|
人工智能 缓存 并行计算
转载:【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能,分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例,讲解了CPU算力的计算方法、算力与数据加载之间的平衡,以及如何通过算力敏感度分析优化计算系统性能。同时,文章还考察了服务器、GPU和超级计算机等平台的性能发展,揭示了这些变化如何塑造我们对CPU性能的理解和期待。
转载:【AI系统】CPU 计算本质
|
9天前
|
机器学习/深度学习 存储 人工智能
转载:【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性,重点探讨了比特位宽的概念,包括整数和浮点数的表示方法。文章还分析了不同数据类型(如FP32、FP16、BF16、FP8等)在AI模型中的应用,特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后,文章讨论了降低比特位宽对AI芯片性能的影响,强调了在不同应用场景中选择合适数据类型的重要性。
转载:【AI系统】计算之比特位宽
|
13天前
|
机器学习/深度学习 人工智能 前端开发
【AI系统】计算图的控制流实现
计算图作为有向无环图(DAG),能够抽象神经网络模型,但在编程中遇到控制流语句(如if、else、while、for)时,如何表示成为难题。引入控制流后,开发者可构建更复杂的模型结构,但部署含控制流的模型至不支持Python的设备上较为困难。目前,PyTorch仅支持Python控制流,而TensorFlow通过引入控制流原语来解决此问题。计算图的动态与静态实现各有优劣,动态图易于调试,静态图利于优化。
40 5
【AI系统】计算图的控制流实现
|
13天前
|
机器学习/深度学习 人工智能 算法
【AI系统】计算图挑战与未来
当前主流AI框架采用计算图抽象神经网络计算,以张量和算子为核心元素,有效表达模型计算逻辑。计算图不仅简化数据流动,支持内存优化和算子调度,还促进了自动微分功能的实现,区分静态图和动态图两种形式。未来,计算图将在图神经网络、大数据融合、推理部署及科学计算等领域持续演进,适应更复杂的计算需求。
46 5
【AI系统】计算图挑战与未来
|
13天前
|
机器学习/深度学习 人工智能 PyTorch
【AI系统】计算图基本介绍
近年来,AI框架如TensorFlow和PyTorch通过计算图描述神经网络,推动了AI技术的发展。计算图不仅抽象了神经网络的计算表达,还支持了模型算子的高效执行、梯度计算及参数训练。随着模型复杂度增加,如MOE、GAN、Attention Transformer等,AI框架需具备快速分析模型结构的能力,以优化训练效率。计算图与自动微分紧密结合,实现了从前向计算到反向传播的全流程自动化。
37 4
【AI系统】计算图基本介绍
|
14天前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
45 4
【AI系统】计算图优化架构
|
14天前
|
机器学习/深度学习 存储 人工智能
【AI系统】自定义计算图 IR
本文介绍了模型转换的方法及流程,重点讲解了计算图的自定义方法和优化技术。通过IR(Intermediate Representation)将不同AI框架的模型转换为统一格式,实现跨平台高效部署。计算图由张量和算子构成,支持多种数据类型和内存排布格式,通过算子融合等优化技术提高模型性能。文章还详细说明了如何使用FlatBuffers定义计算图结构,包括张量、算子和网络模型的定义,为自定义神经网络提供了实践指南。
31 3
【AI系统】自定义计算图 IR
下一篇
DataWorks