Ist Quantencomputing gefährlicher als künstliche Intelligenz?
Aufgrund der Leistungsfähigkeit und revolutionären Anwendungen dieser Technologie dürften Quantencomputerprojekte in vielen Ländern Teil der Verteidigungsforschung geworden sein.
Die heutige künstliche Intelligenz ist so selbstbewusst wie eine Büroklammer. Trotz des Hypes – etwa der bizarren Behauptung eines Google-Ingenieurs, dass das KI-System seines Unternehmens „zum Leben erwacht“ sei, und des Tweets von Tesla-Chef Elon Musk, der voraussagt, dass Computer bis 2029 über menschliche Intelligenz verfügen werden – ist die Technologie immer noch nicht für einfache, alltägliche Aufgaben geeignet . Dazu gehört auch das Führen eines Fahrzeugs, insbesondere wenn man auf unerwartete Situationen stößt, die auch nur das kleinste bisschen menschliche Intuition oder Denken erfordern.
Angesichts der Tatsache, dass Musk selbst davor gewarnt hat, dass die Technologie der künstlichen Intelligenz zur „größten existenziellen Bedrohung“ der Menschheit werden könnte, wenn Länder sie nicht regulieren, ist die Sensationslust um künstliche Intelligenz groß Intelligenz ist nicht überraschend. Aber unabhängig davon, ob Computer eine menschenähnliche Intelligenz erreichen können, hat die Welt einen anderen, ebenso zerstörerischen KI-Dämon beschworen: Gerade weil die heutige KI nichts anderes als ein grobes, unintelligentes System ist, das Algorithmen und andere Technologien verwendet, um übermenschliche Datenmengen zu verarbeiten Die automatisierte Entscheidungsfindung und ihre weit verbreitete Nutzung durch relevante Behörden und Unternehmen zur umfassenden Informationsbeschaffung, zur Erstellung von Deepfakes und zur Entfesselung autonomer tödlicher Waffen stellen eine Gefahr für die Menschheit dar.
Und die Gefahr wird durch das Fehlen jeglicher KI-Regulierung noch verstärkt. Stattdessen fungieren unverantwortliche Technologiekonzerne wie Google und Meta als Richter und Geschworene in allen Bereichen der künstlichen Intelligenz. Sie bringen abweichende Stimmen zum Schweigen, darunter auch ihre eigenen Ingenieure, die vor Gefahren warnen.
Dass es der Welt nicht gelingt, die Dämonen der künstlichen Intelligenz – oder vielmehr der als künstliche Intelligenz getarnten rohen Technologie – einzudämmen, sollte als tiefgreifende Warnung dienen. Es gibt eine noch leistungsfähigere neue Technologie, die das Potenzial hat, Chaos anzurichten, insbesondere wenn sie mit künstlicher Intelligenz kombiniert wird: Quantencomputing. Wir müssen dringend die potenziellen Auswirkungen dieser Technologie verstehen, sie regulieren und verhindern, dass sie in die falschen Hände gerät, bevor es zu spät ist. Die Welt darf nicht den Fehler wiederholen, die Regulierung künstlicher Intelligenz zu verweigern.
Obwohl Quantencomputing noch in den Kinderschuhen steckt, funktioniert es auf einer ganz anderen Basis als die heutigen halbleiterbasierten Computer. Wenn die verschiedenen Projekte auf der ganzen Welt erfolgreich sind, werden diese Maschinen so leistungsstark sein, dass sie Aufgaben in Sekunden erledigen können, für die herkömmliche Computer Millionen von Jahren brauchen würden.
Halbleiter stellen Informationen als eine Reihe von Einsen und Nullen dar – deshalb nennen wir sie digitale Technologie. Quantencomputer hingegen nutzen eine Recheneinheit namens Qubit. Durch das Hinzufügen einer kontraintuitiven Eigenschaft zur Quantenphysik namens Superposition kann ein Qubit die Werte 1 und 0 gleichzeitig halten. Wenn Sie denken, dass dies verwirrend ist, haben Sie Recht – selbst für erfahrene Ingenieure ist es schwierig, es zu meistern. Daher können zwei Qubits die Sequenz 1-0, 1-1, 0-1 und 0-0 darstellen, alle parallel und gleichzeitig. Dies führt zu einer deutlichen Steigerung der Rechenleistung, die mit jedem zusätzlichen Qubit exponentiell zunimmt.
Wenn die Quantenphysik das experimentelle Stadium verlässt und in alltägliche Anwendungen eindringt, wird sie viele Anwendungen finden und viele Aspekte des Lebens verändern. Mit ihrer Fähigkeit, große Datenmengen, die heute jedes System überfordern würden, schnell zu verarbeiten, haben Quantencomputer das Potenzial, bessere Wettervorhersagen, Finanzanalysen, Logistikplanung, Weltraumforschung und Arzneimittelentwicklung zu ermöglichen. Und einige Akteure nutzen sie möglicherweise für schändliche Zwecke und kompromittieren Bankdaten, private Kommunikation und Passwörter auf jedem digitalen Computer auf der Welt. Die heutige Kryptographie kodiert Daten in großen Zahlenkombinationen, die mit klassischen numerischen Techniken nicht in angemessener Zeit geknackt werden können. Aber Quantencomputer – die quantenmechanische Phänomene wie Superposition, Verschränkung und Unsicherheit ausnutzen – könnten in der Lage sein, Kombinationen so schnell auszuprobieren, dass sie die Verschlüsselung mit roher Gewalt fast augenblicklich knacken können.
Um es klarzustellen: Quantencomputing steckt noch in den Kinderschuhen – obwohl wir nur raten können, wo genau. Aufgrund des enormen Potenzials und der revolutionären Anwendungen dieser Technologie werden Quantencomputerprojekte wahrscheinlich bereits Teil der Verteidigungsforschung verschiedener Länder werden. Solche Forschungen unterliegen oft der Geheimhaltung und es wird viel über das Erreichen von Meilensteinen geredet und spekuliert. Es ist bekannt, dass Frankreich, Russland, Deutschland, die Niederlande, das Vereinigte Königreich, Kanada und Indien Projekte verfolgen, während in den Vereinigten Staaten Unternehmen wie IBM, Google, Intel und Microsoft an Quantencomputing arbeiten verschiedene Startups, Verteidigungsunternehmen und Universitäten.
Trotz mangelnder Publizität wurden einige grundlegende Anwendungen glaubwürdig demonstriert, darunter Quantensensoren, die elektromagnetische Signale erkennen und messen können. Ein solcher Sensor wird verwendet, um das Erdmagnetfeld von der Internationalen Raumstation aus genau zu messen.
In einem anderen Experiment schickten niederländische Forscher Quanteninformationen über ein rudimentäres Quantenkommunikationsnetzwerk. Anstatt herkömmliche optische Fasern zu verwenden, verwendeten die Wissenschaftler drei kleine Quantenprozessoren, um Qubits sofort vom Sender zum Empfänger zu übertragen. Diese Experimente müssen noch praktische Anwendungen zeigen, aber sie könnten den Grundstein für ein zukünftiges Quanteninternet legen, in dem Quantendaten sicher über ein Netzwerk von Quantencomputern mit schneller als Lichtgeschwindigkeit übertragen werden können. Bisher war dies nur im Bereich der Science-Fiction möglich.
Die US-Regierung Biden hielt das Risiko, den Wettlauf um Quantencomputing zu verlieren, für so unmittelbar und gravierend, dass sie im Mai zwei Präsidialdirektiven erließ: Eine, die das National Quantum Initiative Advisory Committee direkt der Autorität des Weißen Hauses unterstellte, eine andere, die Regierungsbehörden leitet um sicherzustellen, dass die Vereinigten Staaten im Quantencomputing führend sind und gleichzeitig die potenziellen Sicherheitsrisiken verringern, die das Quantencomputing für kryptografische Systeme mit sich bringt.
Experimente arbeiten auch daran, Quantencomputer mit künstlicher Intelligenz zu kombinieren, um die Einschränkungen traditioneller Computer zu überwinden. Heutzutage dauert es aufgrund der umfangreichen Berechnungen, die durchgeführt werden müssen, Monate, bis große Modelle für maschinelles Lernen auf digitalen Computern trainiert sind – GPT-3 von OpenAI verfügt beispielsweise über 175 Milliarden Parameter. Wenn diese Modelle auf Billionen von Parametern anwachsen – eine Notwendigkeit für die heutigen dummen KIs, um intelligent zu werden – wird das Training länger dauern. Quantencomputer können diesen Prozess erheblich beschleunigen und dabei weniger Energie und Platz verbrauchen. Im März 2020 brachte Google TensorFlow Quantum auf den Markt, die erste Hybridplattform für künstliche Quantenintelligenz, die die Suche nach Mustern und Anomalien in großen Datenmengen auf ein neues Niveau hebt. In Kombination mit Quantencomputing könnte künstliche Intelligenz theoretisch zu revolutionäreren Ergebnissen führen, als Kritiker vor der Wahrnehmung künstlicher Intelligenz gewarnt haben.
Angesichts des potenziellen Umfangs und der Möglichkeiten der Quantentechnologie dürfen wir die Fehler der künstlichen Intelligenz nicht wiederholen – regulatorische Versäumnisse, die algorithmische Voreingenommenheit in die Welt gebracht haben, die menschliche Voreingenommenheit verschärft haben, die Unterstützung von Verschwörungstheorien durch soziale Medien und Angriffe auf KI-Institutionen. Demokratie angeheizt durch KI-generierte Fake News und Social-Media-Beiträge. Die Gefahr liegt in der Fähigkeit von Maschinen, autonome Entscheidungen zu treffen, wobei Fehler im Computercode zu unerwarteten und oft schädlichen Ergebnissen führen. Im Jahr 2021 rief die Quantengemeinschaft zum Handeln auf, um diese Probleme dringend anzugehen. Darüber hinaus muss kritisches öffentliches und privates geistiges Eigentum im Zusammenhang mit Quantentechnologien vor Diebstahl und Missbrauch geschützt werden.
Darüber hinaus geht es auch um Fragen der Landesverteidigung. In der Welt der Sicherheitstechnologie ist der Heilige Gral ein sogenannter Quantencomputer, der für die Kryptoanalyse relevant ist – ein System, das in der Lage ist, einen Großteil der Public-Key-Kryptografie zu knacken, die von digitalen Systemen auf der ganzen Welt wie Blockchains verwendet wird. Es ist eine sehr gefährliche Fähigkeit in den Händen einer feindlichen Macht.
Daher sollten neben der Beschleunigung der Forschung unverzüglich gezielte Kontrollen für Entwickler, Nutzer und Exporte umgesetzt werden. Patente, Geschäftsgeheimnisse und damit verbundene Rechte an geistigem Eigentum sollten strikt geschützt werden – eine Rückkehr zu der Art der technologischen Kontrolle, die während des Kalten Krieges ein wesentliches Element der Sicherheitspolitik war. Das revolutionäre Potenzial des Quantencomputings hebt das Risiko auf eine neue Ebene.
Um ernsthafte ethische Probleme mit künstlicher Intelligenz und maschinellem Lernen zu vermeiden, müssen die Länder schließlich Kontrollmaßnahmen entwickeln, die mit der Leistungsfähigkeit der Technologie im Einklang stehen und demokratische Werte, Menschenrechte und Grundfreiheiten respektieren. Regierungen müssen dringend anfangen, über Vorschriften, Standards und einen verantwortungsvollen Umgang nachzudenken und aus der Art und Weise zu lernen, wie Länder mit anderen revolutionären Technologien umgegangen oder falsch umgegangen sind, darunter künstliche Intelligenz, Nanotechnologie, Biotechnologie, Halbleiter und Kernspaltung. Deshalb dürfen wir nicht noch einmal die gleichen Fehler machen wie bei der künstlichen Intelligenz und müssen uns jetzt auf das Quantenzeitalter von morgen vorbereiten.
Das obige ist der detaillierte Inhalt vonIst Quantencomputing gefährlicher als künstliche Intelligenz?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

01Ausblicksübersicht Derzeit ist es schwierig, ein angemessenes Gleichgewicht zwischen Detektionseffizienz und Detektionsergebnissen zu erreichen. Wir haben einen verbesserten YOLOv5-Algorithmus zur Zielerkennung in hochauflösenden optischen Fernerkundungsbildern entwickelt, der mehrschichtige Merkmalspyramiden, Multierkennungskopfstrategien und hybride Aufmerksamkeitsmodule verwendet, um die Wirkung des Zielerkennungsnetzwerks in optischen Fernerkundungsbildern zu verbessern. Laut SIMD-Datensatz ist der mAP des neuen Algorithmus 2,2 % besser als YOLOv5 und 8,48 % besser als YOLOX, wodurch ein besseres Gleichgewicht zwischen Erkennungsergebnissen und Geschwindigkeit erreicht wird. 02 Hintergrund und Motivation Mit der rasanten Entwicklung der Fernerkundungstechnologie wurden hochauflösende optische Fernerkundungsbilder verwendet, um viele Objekte auf der Erdoberfläche zu beschreiben, darunter Flugzeuge, Autos, Gebäude usw. Objekterkennung bei der Interpretation von Fernerkundungsbildern

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
