Технологии Четвертой промышленной революции

Исследователи из университета в Беркли создали на основе углеродных трубок и дисульфида молибдена работающий транзистор с затвором размером всего в один нанометр^{73}. Рано или поздно удвоение числа транзисторов на единицу площади станет физически невозможным. Но даже задолго до достижения этого предела изготовление уменьшенных транзисторов в промышленности станет невозможным. Закон Рока, дополнение к закону Мура, говорит, что стоимость заводов, выпускающих кристаллы с новыми, уменьшенными транзисторами, удваивается каждые четыре года, потому что требуется оборудование, отличающееся более высокой точностью и более низким уровнем ошибок. Как заметили Питер Деннинг (Peter Denning) и Тед Льюис (Ted Lewis), из закона Рока следует, что размер рынка для каждого нового поколения кристаллов должен быть как минимум в два раза больше существующего рынка – только так можно экономически оправдать расходы на новые производственные мощности^{74}. Из-за необходимости бо́ льших инвестиций и резкого усложнения производства кристаллов период удвоения плотности увеличился с 2 до 2,5 лет^{75}.

Чтобы продолжить экспоненциальный рост вычислительных мощностей, потребуется другой подход к совершенствованию систем, отличный от простого уменьшения размера транзисторов. В 2016 году в Институте инженеров электротехники и электроники признали необходимость нового подхода: многие годы IEEE направлял инвестиции в разработку кристаллов, публикуя отчеты о сокращении размера транзисторов, но в будущем в IEEE переориентируются на разработку «Международного плана по развитию устройств и систем» (International Roadmap for Devices and Systems), который призван «сформулировать новый «закон Мура» для производительности компьютеров и ускорить появление на рынке новых, инновационных технологий вычислений»^{76}. Новые пути повышения производительности и эффективности предполагается искать в создании новейших материалов, новых архитектур и системного подхода к вычислениям. Это означает, что повсеместные и недорогие вычисления станут доступными все большему числу людей и организаций.

Один из возможных способов сохранения такого же ускорения роста производительности – переход к более специализированным процессорам, как это делалось на заре вычислительной техники, когда кристаллы создавались специально для выполнения определенных задач. С 1970-х годов в цифровых вычислениях доминировали стандартизованные, массово производимые микропроцессоры общего назначения, которые можно было программировать для выполнения любых задач^{77}. Но для выполнения задач обработки больших объемов данных, когда одна и та же операция выполняется множество раз, эффективность стандартного центрального процессора сравнительно невысока. Сегодня второе место по распространенности после центрального процессора занимает графический процессор – специализированное устройство, обеспечивающее отображение информации на экране и выполняющее ресурсоемкую задачу создания и обновления трехмерных изображений.

Повышение важности и расширение применения машинного обучения создали спрос на новые виды нестандартных вычислительных архитектур. Компания Google, один из крупнейших покупателей процессоров, разработала большое количество тензорных процессоров – специализированных интегральных схем, предназначенных для алгоритмов глубинного обучения. В компании заявляют, что тензорные процессоры применялись в программе AlphaGo, которая в 2016 году в серии из пяти игр обыграла Ли Седола (Lee Sedol), чемпиона мира по игре в го. Новые структуры памяти и обработки вызывают к жизни новый класс микропроцессоров, которые называют «ускорителями искусственного интеллекта». Архитектура этих устройств оптимизирована для операций, которые выполняются в искусственных нейронных сетях многих систем машинного обучения. Такие процессоры обеспечивают скорость, экономичность и энергоэффективность, которые нужны для широкомасштабного применения алгоритмов искусственного интеллекта^{78}.

Увеличение предложения и повышение производительности – всего лишь часть возможного решения стоящих перед нами проблем. Нам нужно не только больше вычислительной мощности и скорости или больше транзисторов – нам надо уметь справляться с новыми потребностями, возникающими в связи с распространением устройств и данных. Мы должны уметь использовать вычислительные возможности в ситуациях и контекстах, которые имеют смысл в реальной жизни. Например, в масштабах планеты облачные вычисления выполняются за считаные секунды, но, чтобы искусственный интеллект мог работать с людьми и выполнять основные функции, такие как обеспечение общественной безопасности или управление дорожной сетью, требуется уметь обрабатывать экзабайты данных за милли- или даже микросекунды. Главные составляющие проблем, которые мы пытаемся решить, связаны не с объемом, а со скоростью, временем ожидания и энергией.