Vào năm 2023, trí tuệ nhân tạo thống trị nền văn hóa đại chúng - xuất hiện trong mọi thứ, từ meme trên internet cho đến các phiên điều trần tại Thượng viện. Các mô hình ngôn ngữ lớn chẳng hạn như những mô hình đằng sau ChatGPT đã thúc đẩy rất nhiều sự phấn khích này, ngay cả khi các nhà nghiên cứu vẫn nỗ lực mở “hộp đen” mô tả hoạt động bên trong của chúng. Các hệ thống tạo hình ảnh cũng thường xuyên gây ấn tượng và làm chúng ta bối rối về khả năng nghệ thuật của chúng, tuy nhiên những khả năng này rõ ràng được hình thành dựa trên khái niệm mượn từ vật lý.

Năm mang lại nhiều tiến bộ khác trong khoa học máy tính. Các nhà nghiên cứu đã đạt được tiến bộ tinh tế nhưng quan trọng đối với một trong những vấn đề lâu đời nhất trong lĩnh vực này, câu hỏi về bản chất của các vấn đề khó khăn được gọi là “P so với NP”. Vào tháng XNUMX, đồng nghiệp của tôi Ben Brubaker đã khám phá vấn đề sâu sắc này và nỗ lực của các nhà lý thuyết về độ phức tạp tính toán nhằm trả lời câu hỏi: Tại sao rất khó (theo nghĩa chính xác, định lượng) để hiểu điều gì khiến các vấn đề khó trở nên khó? Brubaker viết: “Đó không phải là một cuộc hành trình dễ dàng - con đường rải rác những lối rẽ sai lầm và những chướng ngại vật trên đường, và nó cứ lặp đi lặp lại như vậy”. “Tuy nhiên, đối với các nhà nghiên cứu về siêu phức tạp, hành trình đến một vùng đất chưa được khám phá đó chính là phần thưởng.”

Năm cũng có nhiều sự tiến bộ riêng biệt hơn nhưng vẫn quan trọng. Thuật toán của Shor, ứng dụng đột phá được hứa hẹn từ lâu của điện toán lượng tử, đã có được nâng cấp đáng kể đầu tiên sau gần 30 năm. Các nhà nghiên cứu cuối cùng đã học được cách tìm ra con đường ngắn nhất thông qua một loại mạng chung gần như nhanh nhất có thể về mặt lý thuyết. Và các nhà mật mã học, tạo ra một kết nối bất ngờ với AI, đã cho thấy các mô hình học máy và nội dung do máy tạo ra cũng phải đối mặt như thế nào. lỗ hổng và tin nhắn ẩn.

Có vẻ như một số vấn đề vẫn nằm ngoài khả năng giải quyết của chúng tôi - hiện tại.

Trong 50 năm, các nhà khoa học máy tính đã cố gắng giải quyết câu hỏi mở lớn nhất trong lĩnh vực của họ, được gọi là “P so với NP”. Nó hỏi đại khái là một số vấn đề khó khăn đến mức nào. Và trong 50 năm, những nỗ lực của họ đều kết thúc trong thất bại. Nhiều khi, ngay khi họ bắt đầu đạt được tiến bộ với một cách tiếp cận mới, họ gặp phải một rào cản chứng tỏ rằng chiến thuật đó sẽ không bao giờ hiệu quả. Cuối cùng, họ bắt đầu tự hỏi tại sao việc chứng minh một số vấn đề là khó lại khó đến vậy. Những nỗ lực của họ để trả lời những câu hỏi hướng nội như vậy đã phát triển thành một trường con, được gọi là siêu phức tạp, đã cung cấp những hiểu biết sâu sắc nhất về câu hỏi.

Trong một tháng tám bài viết và video tài liệu ngắn, Quanta đã giải thích chính xác những gì chúng tôi biết, làm thế nào chúng tôi biết nó và những gì chúng tôi mới bắt đầu tìm ra khi nói đến siêu phức tạp. Bị đe dọa không chỉ là sự tò mò của các nhà nghiên cứu liên quan: Việc giải quyết P so với NP có thể giải quyết vô số vấn đề hậu cần, khiến tất cả các vấn đề về mật mã phải tranh luận và thậm chí nói lên bản chất cuối cùng của những gì có thể biết được và những gì mãi mãi nằm ngoài tầm hiểu biết của chúng ta.

Chuẩn bị đủ thứ và bạn có thể ngạc nhiên trước những gì có thể xảy ra. Các phân tử nước tạo ra sóng, từng đàn chim sà xuống và bay lên cùng một lúc, và các nguyên tử vô thức kết hợp thành sự sống. Các nhà khoa học gọi đây là “những hành vi mới nổi” và họ đã gần đây đã thấy điều tương tự xảy ra với các mô hình ngôn ngữ lớn - các chương trình AI được đào tạo trên các bộ sưu tập văn bản khổng lồ để tạo ra văn bản giống con người. Sau khi đạt đến kích thước nhất định, những mẫu này có thể bất ngờ làm được những điều bất ngờ mà những mẫu nhỏ hơn không thể làm được, chẳng hạn như giải một số bài toán nhất định.

Tuy nhiên, sự quan tâm ngày càng tăng đối với các mô hình ngôn ngữ lớn đã làm nảy sinh những mối lo ngại mới. Những chương trình này phát minh ra sự giả dối, gây ra những thành kiến ​​xã hộivà không xử lý được thậm chí một số yếu tố cơ bản nhất của ngôn ngữ con người. Hơn nữa, các chương trình này vẫn là một hộp đen, không thể biết được logic bên trong của chúng, mặc dù một số nhà nghiên cứu đã ý tưởng về cách thay đổi điều đó.

Các nhà khoa học máy tính từ lâu đã biết đến các thuật toán có thể lướt qua các biểu đồ - mạng lưới các nút được kết nối bằng các cạnh - trong đó các kết nối có một số chi phí, chẳng hạn như đường thu phí nối hai thành phố. Nhưng trong nhiều thập kỷ, họ không thể tìm ra bất kỳ thuật toán nhanh nào để xác định con đường ngắn nhất khi con đường có thể có chi phí hoặc phần thưởng. Cuối năm ngoái, ba nhà nghiên cứu đưa ra một thuật toán khả thi về mặt lý thuyết thì gần như nhanh nhất có thể.

Sau đó vào tháng XNUMX, các nhà nghiên cứu đã đăng một thuật toán mới có thể xác định khi nào hai loại đối tượng toán học được gọi là nhóm giống nhau một cách chính xác; công việc có thể dẫn đến các thuật toán có thể nhanh chóng so sánh các nhóm (và có lẽ cả các đối tượng khác) một cách tổng quát hơn, một nhiệm vụ khó khăn một cách đáng ngạc nhiên. Các tin tức thuật toán lớn khác trong năm nay bao gồm một cách mới để tính toán số nguyên tố bằng cách kết hợp các phương pháp tiếp cận ngẫu nhiên và xác định, bác bỏ một phỏng đoán lâu đời về hiệu suất của các thuật toán bị giới hạn thông tin và một phân tích cho thấy một ý tưởng không trực quan có thể cải thiện hiệu suất thuật toán giảm độ dốc, có mặt khắp nơi trong các chương trình học máy và các lĩnh vực khác.

Các công cụ tạo hình ảnh như DALL·E 2 đã bùng nổ phổ biến trong năm nay. Chỉ cần cung cấp cho họ một lời nhắc bằng văn bản và họ sẽ đưa ra một hoạt cảnh nghệ thuật mô tả bất cứ điều gì bạn yêu cầu. Nhưng công việc đã giúp hầu hết những nghệ sĩ nhân tạo này trở thành hiện thực. ủ rượu nhiều năm. Dựa trên các khái niệm vật lý mô tả chất lỏng lan truyền, những mô hình được gọi là khuếch tán này học cách sắp xếp một cách hiệu quả những nhiễu vô dạng thành một hình ảnh sắc nét - giống như quay ngược đồng hồ trên một tách cà phê để xem kem phân bố đều được hoàn nguyên thành một cái giếng- búp bê được xác định.

Các công cụ AI cũng đã thành công trong cải thiện độ trung thực của hình ảnh hiện có, mặc dù chúng ta vẫn còn cách xa trò chơi truyền hình về một cảnh sát liên tục hét lên “Nâng cao!” Gần đây, các nhà nghiên cứu đã chuyển sang các quá trình vật lý bên cạnh sự khuếch tán để khám phá những cách mới để máy móc tạo ra hình ảnh. Một cách tiếp cận mới hơn được điều chỉnh bởi phương trình Poisson, mô tả cách các lực điện thay đổi theo khoảng cách, đã được chứng minh là có khả năng xử lý sai sót tốt hơn và dễ huấn luyện hơn các mô hình khuếch tán, trong một số trường hợp.

Trong nhiều thập kỷ, thuật toán của Shor là hình mẫu cho sức mạnh của máy tính lượng tử. Được phát triển bởi Peter Shor vào năm 1994, bộ hướng dẫn này cho phép một cỗ máy có thể khai thác các đặc điểm của vật lý lượng tử để phân tích các số lớn thành thừa số nguyên tố nhanh hơn nhiều so với một máy tính cổ điển thông thường - có khả năng gây lãng phí cho phần lớn hệ thống bảo mật của Internet. Vào tháng XNUMX, một nhà khoa học máy tính đã phát triển một biến thể thậm chí còn nhanh hơn thuật toán của Shor, cải tiến đáng kể đầu tiên kể từ khi phát minh ra nó. Shor nói: “Tôi đã nghĩ rằng bất kỳ thuật toán nào hoạt động với phác thảo cơ bản này đều sẽ bị hủy diệt. “Nhưng tôi đã sai.”

Tuy nhiên, máy tính lượng tử thực tế vẫn nằm ngoài tầm với. Trong cuộc sống thực, những lỗi nhỏ có thể nhanh chóng cộng lại, làm hỏng các phép tính và lấy đi mọi lợi ích lượng tử. Trên thực tế, cuối năm ngoái, một nhóm các nhà khoa học máy tính cho thấy rằng đối với một vấn đề cụ thể, thuật toán cổ điển thực hiện gần giống như thuật toán lượng tử có chứa lỗi. Nhưng vẫn có hy vọng: Nghiên cứu hồi tháng XNUMX cho thấy một số mã sửa lỗi nhất định, được gọi là mã kiểm tra chẵn lẻ mật độ thấp, có thể được sử dụng. hiệu quả hơn ít nhất 10 lần hơn tiêu chuẩn hiện hành.

Trong một phát hiện bất thường về sự giao thoa giữa mật mã và trí tuệ nhân tạo, một nhóm các nhà khoa học máy tính cho thấy điều đó là có thể để chèn vào các mô hình học máy một số cửa hậu nhất định mà thực tế là vô hình, khả năng không bị phát hiện của chúng được hỗ trợ bởi logic tương tự như các phương pháp mã hóa hiện đại tốt nhất. Các nhà nghiên cứu tập trung vào các mô hình tương đối đơn giản, vì vậy không rõ liệu điều tương tự có đúng với các mô hình phức tạp hơn đằng sau phần lớn công nghệ AI ngày nay hay không. Nhưng những phát hiện này gợi ý những cách để các hệ thống trong tương lai bảo vệ chống lại các lỗ hổng bảo mật như vậy, đồng thời báo hiệu mối quan tâm mới về cách hai lĩnh vực này có thể giúp đỡ lẫn nhau phát triển.

Những loại vấn đề bảo mật này là một phần lý do Cynthia Rudin đã ủng hộ việc sử dụng các mô hình có thể hiểu được để hiểu rõ hơn những gì đang xảy ra bên trong các thuật toán học máy; các nhà nghiên cứu thích Yael Tauman Kalaitrong khi đó, đã nâng cao quan niệm của chúng ta về bảo mật và quyền riêng tư, ngay cả khi đối mặt với công nghệ lượng tử đang hình thành. Và một kết quả trong lĩnh vực liên quan đến kỹ thuật giấu tin hướng dẫn cách ẩn tin nhắn với sự bảo mật hoàn hảo trong phương tiện do máy tạo ra.

Mạnh mẽ như AI đã trở thành, các mạng lưới thần kinh nhân tạo làm nền tảng cho hầu hết các hệ thống hiện đại đều có hai nhược điểm: Chúng đòi hỏi nguồn lực to lớn để đào tạo và vận hành, và quá dễ để chúng trở thành những hộp đen khó hiểu. Nhiều nhà nghiên cứu cho rằng có lẽ đã đến lúc Cách tiếp cận khác. Thay vì sử dụng tế bào thần kinh nhân tạo để phát hiện các đặc điểm hoặc đặc điểm riêng lẻ, hệ thống AI có thể biểu thị các khái niệm bằng các biến thể vô tận của vectơ siêu chiều - mảng hàng nghìn số. Hệ thống này linh hoạt hơn và được trang bị tốt hơn để xử lý lỗi, giúp việc tính toán hiệu quả hơn nhiều và cho phép các nhà nghiên cứu làm việc trực tiếp với các ý tưởng và mối quan hệ mà các mô hình này xem xét, giúp họ hiểu rõ hơn về lý luận của mô hình. Điện toán siêu chiều vẫn còn ở giai đoạn sơ khai, nhưng khi nó được đưa vào các thử nghiệm lớn hơn, chúng ta có thể thấy cách tiếp cận mới bắt đầu phát huy tác dụng.