2023년에는 인공지능이 대중문화를 지배했으며 인터넷 밈부터 상원 청문회까지 모든 것에 등장했습니다. ChatGPT 뒤에 있는 것과 같은 대규모 언어 모델은 연구자들이 내부 작업을 설명하는 "블랙 박스"를 열려고 여전히 고군분투하는 동안에도 이러한 흥분을 많이 불러일으켰습니다. 이미지 생성 시스템은 또한 예술적 능력으로 일상적으로 우리에게 깊은 인상을 주고 불안하게 만들었습니다. 그러나 이러한 시스템은 명시적으로 다음 사항에 기반을 두고 있습니다. 물리학에서 차용한 개념.

올해는 컴퓨터 과학 분야에서 다른 많은 발전을 가져왔습니다. 연구자들은 이 분야에서 가장 오래된 문제 중 하나인 "P 대 NP"라고 불리는 어려운 문제의 본질에 대한 질문에 대해 미묘하지만 중요한 진전을 이루었습니다. XNUMX월에는 내 동료 Ben Brubaker가 이 중대한 문제를 탐구했습니다 그리고 계산 복잡성 이론가들이 다음 질문에 대답하려는 시도: 무엇이 어려운 문제를 어렵게 만드는지 이해하는 것이 왜 (정확하고 정량적인 의미에서) 어려운가요? Brubaker는 "쉬운 여정은 아니었습니다. 길은 잘못된 방향 전환과 장애물로 가득 차 있고 계속해서 스스로 되돌아가는 경로입니다."라고 말했습니다. "그러나 메타복잡성 연구자에게는 미지의 풍경으로의 여행은 그 자체로 보상입니다."

올해는 또한 더욱 개별적이지만 여전히 중요한 개인 발전의 부분들로 가득 차 있었습니다. 오랫동안 약속된 양자 컴퓨팅의 킬러 앱인 Shor의 알고리즘이 첫 번째 중요한 업그레이드 거의 30년 만에. 연구원들은 마침내 일반적인 유형의 네트워크를 통해 최단 경로를 찾는 방법을 배웠습니다. 이론적으로 가능한 가장 빠른 속도. 그리고 AI와의 예상치 못한 연결을 구축한 암호학자들은 기계 학습 모델과 기계 생성 콘텐츠가 어떻게 경쟁해야 하는지 보여주었습니다. 숨겨진 취약점과 메시지.

현재로서는 일부 문제는 아직 우리의 해결 능력을 넘어서는 것 같습니다.

50년 동안 컴퓨터 과학자들은 "P 대 NP"라고 알려진 해당 분야의 가장 큰 미해결 문제를 해결하려고 노력해 왔습니다. 특정 어려운 문제가 대략 얼마나 어려운지 묻습니다. 그리고 50년 동안 그들의 시도는 실패로 끝났습니다. 여러 번 새로운 접근 방식으로 진전을 이루기 시작했지만 전술이 결코 작동하지 않는다는 것을 증명하는 장벽에 부딪혔습니다. 결국 그들은 일부 문제가 어렵다는 것을 증명하는 것이 왜 그렇게 어려운지 궁금해하기 시작했습니다. 그러한 내면적인 질문에 대답하려는 그들의 노력은 메타 복잡성이라는 하위 분야로 꽃을 피웠으며, 이는 지금까지 질문에 대한 가장 큰 통찰력을 제공했습니다.

XNUMX월에 기사 및 짧은 다큐멘터리 비디오, 콴타 우리가 알고 있는 것과 그것을 어떻게 아는지, 그리고 메타 복잡성과 관련하여 우리가 이제 막 알아내기 시작한 것이 무엇인지 정확하게 설명했습니다. 문제는 관련된 연구자들의 호기심뿐만이 아닙니다. P 대 NP를 해결하면 수많은 물류 문제를 해결할 수 있고, 모든 암호화를 문제로 만들 수 있으며, 심지어 알 수 있는 것과 영원히 우리가 이해할 수 없는 것의 궁극적인 본질에 대해 말할 수도 있습니다.

충분한 물건을 모으면 어떤 일이 일어날 수 있는지 놀랄 수도 있습니다. 물 분자는 파도를 일으키고, 새 떼가 하나되어 날아오르고, 무의식적인 원자가 결합하여 생명을 얻습니다. 과학자들은 이러한 현상을 '긴급 행동'이라고 부르며, 최근에 똑같은 걸 봤어 대규모 언어 모델에서 발생합니다. AI 프로그램은 인간과 같은 글쓰기를 생성하기 위해 엄청난 양의 텍스트 모음을 학습했습니다. 특정 크기에 도달한 후 이러한 모델은 갑자기 작은 모델이 할 수 없는 예상치 못한 작업을 수행할 수 있습니다. 특정 수학 문제 해결.

그러나 대규모 언어 모델에 대한 관심이 급증하면서 새로운 우려가 제기되었습니다. 이러한 프로그램은 거짓을 만들어내고, 사회적 편견을 자행하다및 처리하지 못하다 심지어 인간 언어의 가장 기본적인 요소 중 일부까지도 말이죠. 더욱이 이러한 프로그램은 내부 논리를 알 수 없는 블랙박스로 남아 있습니다. 그것을 바꾸는 방법에 대한 아이디어.

컴퓨터 과학자들은 두 도시를 연결하는 유료 도로처럼 연결에 약간의 비용이 드는 그래프, 즉 가장자리로 연결된 노드 네트워크를 통과할 수 있는 알고리즘을 오랫동안 알고 있었습니다. 그러나 수십 년 동안 그들은 도로에 비용이나 보상이 있을 때 최단 경로를 결정하는 빠른 알고리즘을 찾을 수 없었습니다. 지난해 말 XNUMX인의 연구진이 실행 가능한 알고리즘을 제공했습니다. 이론적으로 가능한 한 거의 빠른 속도입니다.

그런 다음 XNUMX월에 연구원들은 새로운 알고리즘 그룹으로 알려진 두 가지 유형의 수학적 개체가 정확한 방식으로 동일한지 확인할 수 있습니다. 이 작업은 그룹(및 기타 개체)을 보다 일반적으로 신속하게 비교할 수 있는 알고리즘으로 이어질 수 있으며 이는 놀라울 정도로 어려운 작업입니다. 올해의 또 다른 대형 알고리즘 뉴스에는 새로운 방식이 포함되었습니다. 소수 계산 무작위 및 결정론적 접근 방식을 통합함으로써 오랜 추측에 대한 반박 정보가 제한된 알고리즘의 성능에 대해, 그리고 비직관적인 아이디어가 어떻게 성능 향상 기계 학습 프로그램 및 기타 영역에서 널리 사용되는 경사하강법 알고리즘입니다.

DALL·E 2와 같은 이미지 생성 도구는 올해 폭발적인 인기를 끌었습니다. 간단히 서면 프롬프트를 제공하면 요청한 내용을 묘사한 예술 작품을 다시 내뱉을 것입니다. 그러나 이러한 인공 예술가들의 대부분을 가능하게 만든 작업은 수년 동안 양조. 확산되는 유체를 설명하는 물리학의 개념을 기반으로 하는 소위 확산 모델은 형태 없는 노이즈를 선명한 이미지로 정리하는 방법을 효과적으로 학습합니다. 마치 커피 잔의 시계를 거꾸로 돌려 고르게 분포된 크림이 우물로 재구성되는 것을 보는 것과 같습니다. 정의된 덩어리.

AI 도구도 성공적이었습니다. 기존 이미지의 충실도 향상, 경찰이 계속해서 "강화!"라고 외치는 TV 비유와는 거리가 멀지만 최근에 연구자들은 확산 이외의 물리적 과정 기계가 이미지를 생성하는 새로운 방법을 탐색합니다. 전기력이 거리에 따라 어떻게 달라지는지 설명하는 포아송 방정식을 기반으로 하는 새로운 접근 방식은 경우에 따라 확산 모델보다 오류를 더 잘 처리할 수 있고 훈련하기가 더 쉽다는 것이 이미 입증되었습니다.

수십 년 동안 Shor의 알고리즘은 양자 컴퓨터 성능의 전형이었습니다. 1994년 Peter Shor가 개발한 이 명령어 세트를 사용하면 양자 물리학의 기이한 특성을 활용할 수 있는 기계가 일반 고전 컴퓨터보다 훨씬 빠르게 많은 수를 소인수로 분해하여 인터넷 보안 시스템의 상당 부분을 낭비할 수 있습니다. XNUMX월에는 컴퓨터 과학자 더욱 빠른 변형을 개발했습니다. Shor의 알고리즘은 발명 이후 처음으로 중요한 개선이 이루어졌습니다. Shor는 “이 기본 개요를 사용하는 알고리즘은 모두 실패할 것이라고 생각했습니다.”라고 말했습니다. “하지만 내가 틀렸어.”

그러나 실용적인 양자 컴퓨터는 아직 도달할 수 없는 수준입니다. 실제 생활에서는 작은 오류가 빠르게 합산되어 계산을 망치고 양자적 이점을 앗아갈 수 있습니다. 실제로 작년 말 컴퓨터 과학자 팀이 보여 특정 문제에 대해 고전적인 알고리즘은 오류를 포함하는 양자 알고리즘과 거의 비슷합니다. 그러나 희망은 있습니다. XNUMX월 작업에서는 저밀도 패리티 검사 코드로 알려진 특정 오류 수정 코드가 최소 10배 더 효율적 현재 표준보다.

암호학과 인공지능의 교차점에서 특이한 발견을 한 컴퓨터 과학자 팀 가능함을 보여주었다 실질적으로 보이지 않는 특정 백도어를 기계 학습 모델에 삽입하기 위해 이러한 백도어의 탐지 불가능성은 최고의 최신 암호화 방법과 동일한 논리로 뒷받침됩니다. 연구원들은 상대적으로 단순한 모델에 초점을 맞추었기 때문에 오늘날의 AI 기술의 대부분을 뒷받침하는 더 복잡한 모델에도 동일한 내용이 적용되는지는 불분명합니다. 그러나 이번 조사 결과는 미래 시스템이 이러한 보안 취약성을 방지할 수 있는 방법을 제시하는 동시에 두 분야가 어떻게 서로 성장할 수 있도록 도울 수 있는지에 대한 새로운 관심을 나타냅니다.

이러한 종류의 보안 문제는 이유의 일부입니다. 신시아 루딘 기계 학습 알고리즘 내부에서 일어나는 일을 더 잘 이해하기 위해 해석 가능한 모델을 사용하는 데 앞장섰습니다. 같은 연구자 야엘 타우만 칼라이, 한편, 다가오는 양자 기술에도 불구하고 보안 및 개인 정보 보호에 대한 개념을 발전시켰습니다. 그리고 스테가노그래피 관련 분야에서의 결과 메시지를 숨기는 방법을 보여주었습니다. 기계 생성 미디어 내에서 완벽한 보안을 제공합니다.

AI가 강력해짐에 따라 대부분의 최신 시스템을 뒷받침하는 인공 신경망에는 두 가지 결함이 있습니다. 훈련하고 운영하는 데 엄청난 리소스가 필요하며, 불가해한 블랙박스가 되기가 너무 쉽습니다. 많은 연구자들은 아마도 이제 때가 되었다고 주장한다. 또 다른 접근법. 개인의 특성이나 특성을 감지하는 인공 뉴런을 사용하는 대신 AI 시스템은 수천 개의 숫자 배열인 초차원 벡터의 끝없는 변형으로 개념을 표현할 수 있습니다. 이 시스템은 더 다재다능하고 오류를 처리할 수 있는 장비가 더 잘 갖춰져 있어 계산이 훨씬 더 효율적이며, 연구자가 모델이 고려하는 아이디어와 관계를 직접 작업할 수 있어 모델의 추론에 대한 더 큰 통찰력을 얻을 수 있습니다. 초차원 컴퓨팅은 아직 초기 단계이지만 더 큰 테스트를 거치면서 새로운 접근 방식이 자리를 잡기 시작하는 것을 볼 수 있습니다.