数日前、苟先生が一つのインタビュー動画を共有しました。それは物理学者ブライアン・グリーン（彼は現実版のシェルドンと呼ばれます）がホストする「ワールドサイエンスフェスティバル」でのインタビューで、ゲストはGoogleの元CEOであるエリック・シュミットです。このインタビューは今年4月6日に行われ、テーマはAIと量子計算が私たちの生活をどのように変えるかでした。今日はそのビデオ全体を見ましたが、興味深い視点がたくさんありました。
ビデオリンク：https://www.youtube.com/watch?v=gZZan4JMwk4
TL;DR 要点まとめ
人工知能は急速に発展しており、今後数年以内に人類の生産性を倍にすることが期待されます。より良いハードウェア、データ、ソフトウェア工学、数学によって、人工知能システムのパフォーマンスは1万倍向上すると予測されています。
人工知能システムにおける再帰的な自己改善は、近い将来の重要なマイルストーンです。これにより、人工知能が自主的に学習し、改善することが可能になります。これによって、人工知能の知能レベルは人間を大きく上回る可能性があります。
民主は、生成型人工知能、注意を引き付け収益を上げることに焦点を当てる而非道徳的なソーシャルメディア、そして魅力的なポピュリストの指導者たちによって脅かされています。AIが助長する偽情報は、民主制度を破壊する可能性があります。
AI支援のサイバー攻撃やバイオ兵器は生存リスクを構成しています。AI業界は、短期間のこれらの危険に対処するために、テストや「ガードレール」などの安全対策に取り組んでいます。
長期的には、先進的なAIの安全性を確保するには、政府による少数のトップAIシステムへの厳格な規制と監視が必要になるかもしれません。または、「善意のあるAI」がこの技術の悪意ある使用を上回る方法を見つける必要があります。
AIは、無料で普遍的かつ個人化されたAIチューターを提供することで教育を変革します。これらのチューターは、各学生の学習スタイルやペースに適応することができます。これにより、世界中のすべての人々の教育レベルを最大限に高めることができます。
伝統的な方法と比較すると、学生のニーズに基づいてカスタマイズされたAI生成の可視化コンテンツは、より魅力的で直感的な学習方法を提供できます。同様の技術は、医師と患者のコミュニケーションを強化するためにも使用できます。
量子効果が約1.4ナノメートルのスケールで現れるため、古典的な計算は物理的限界に近づいていますが、3Dチップパッケージングやその他の革新により、今後10年間はさらに進展が見込まれます。量子計算の可能性については引き続き注目が必要です。
人工知能はすでに科学研究や薬物発見を加速しており、巨大な解決策空間を探し、人間の科学者よりもはるかに速い速度で新しい道筋を見つけています。適用例としては、新しい抗生物質やタンパク質折りたたみに関する洞察が含まれます。
生存中であろうと亡くなった後であろうと、著名人のリアルなAIシミュレーションが一般的になるでしょう――例えば、ヘンリー・キッシンジャーのAI版と対話したり議論したりすることも可能になります。それがどのように人類の知能を向上させるかは未解決の問題であり、それは未来を形作るでしょう。
以下が詳細です
エリックの紹介：2001年から2011年までGoogleの最高経営責任者を務めました。2017年に、世界的に大きな変革をもたらす若者を支援する慈善イニシアチブであるシュミット・フューチャーズを設立しました。2021年には、アメリカのAIおよび技術競争力における長期的な強化を目指した特別競争研究プロジェクトを設立しました。プリンストン大学で電気工学の学士号、バークレーでコンピュータサイエンスの修士号と博士号を取得しました。しかし、プリンストンではハードウェアの勉強はあまりせず、主にコンピュータサイエンスとソフトウェア工学を学びました。コンピュータサイエンスが世界を変えられる理由は、私たちの行動規模が想像を超えるものだからです。28歳の時にSun Microsystemsという会社に入社しました――それを企業向けPCと考えてください。個人用コンピュータですが、より強力で、非常に大きな市場があります。その後、Googleに参加するまで、消費者市場の規模がはるかに大きいことに気づきませんでしたが、Googleが属する消費者市場は当然ながら非常に巨大でした。
最大の変化に関する2つの観察：
現在の起業家たちは、規模の法則とネットワーク効果を当然視しています。しかし、以前の世代の人々はこれらの法則を発明し、学ぶ必要がありました。現代の起業家にとって、これらは自明のことです。 プログラミングの違い：過去において、プログラミングが上手いということは昼夜問わずコードを書くことを意味していました。しかし今日では、プログラミングが上手いとはそれほど多くのコードを書くことではなく、より多くの部品を組み立てる人を指します。これらの新しいソフトウェアツールはすべて、すでに構築されたものを迅速に組み立てるために設計されています。
AI分野では、あなたが尋ねる相手によって、今後3〜5年以内に次のような命令を出すことができるようになると信じられています。「私はフランス語で検索できるエンジンが欲しい。それはフランス語とフランスの歴史を理解し、私のクエリを受け入れて答えを表示するものだ。」これが何を意味するか考えてみてください：システムはフランス語を理解し、フランス文学を理解し、どのように取得し、どのように検索し、インデックスを作成し、どのように並べ替えてユーザーに表示するかを知らなければなりません。私たちはそれが数分で完了すると信じています。それはデータ消費方法を適切に構築し、データを見つけて表示する方法を見つけ出し、通常の使用には十分良い結果を出します。それは専門的にこれを生業とする会社ほどの品質ではありませんが、それが重要な洞察です。AIにより、誰もが何かを想像し、実際にそれを構築される様子を見ることが可能になります。これは人類の組織の完全な変革であり、人類のアイデアは多種多様で、非常に奇抜なものもあります。
『AIの時代』の著者であるヘンリー・キッシンジャー氏は昨年11月に亡くなりました。エリック（Eric）、ヘンリー・キッシンジャー、そしてクレイグ・マンディ（Craig Mundy）が共著した彼の最後の本『創世記』は、今年後半に出版されます。この本は技術的な内容を記録しているものの、主に人類社会に別の知能やパートナーが現れたときに何が起こるかについて焦点を当てています。本書の第1章では「博学者（ポリマス）」について議論しています。歴史上、ほぼすべての興味深い出来事は、長い間前のどこかの博学者から始まっています。彼らには洞察力があり、思想を整理する方法を持っていました。これからは、誰でも自分の博学者を助手として利用できます。もしファッション界の人であれば、その博学者はファッションに関するすべてを理解しています。作家であれば、博学者はすべての執筆内容を熟知しています。音楽家であれば、すべてのコードを理解しています。物理学者であれば、すべての論文を読み、それをあなたのために分類させることができます。
今日のソフトウェア開発においては、多くの証拠が示している通り、ソフトウェアプログラマーの生産性は少なくとも2倍に増加しています。では、世界はどうなるのでしょうか？もちろん、ここには多くの否定的な予測があります。最も楽観的なシナリオとしては、全員がより賢くなり、経済成長が加速するというものです。それはある種の古い冗談のように、弁護士たちが消えるわけではなく、ただより長い法的文書を書くだけです。医学も消滅することはないでしょう。むしろ診断はより正確で複雑になるはずです。しかし、私たちは実際に全体として何が起こるのか、仕事や生産性、収入がどう変化するのかはまだわかりません。もし需要が価格に敏感であり、それが知能の価格低下を引き起こし、知能の可用性が大幅に向上した場合、どのような影響があるでしょうか？例えば、もし私が十分優れたアーティストで、現在の90%のアーティストと競争できるなら、上位10%ではないアーティストたちは向上するのでしょうか？私たちはまだそれを知りません。
科学分野においても、例えば化学や生物学において、これらのシステムは既に顕著な貢献をしています。たとえば、タンパク質の折り畳みに関するもので、特定のデータ配列があり、その配列をどのように詳細に説明するか、あるいはそれらの配列を変更した場合に何が起こるかを理解しようとしています。タンパク質、分子、薬物に関する多くの複雑な問題は、このような語彙フレームワーク内で説明されています。
しかし、一部の物理学の問題はこのテンプレートには当てはまらないようです。例えば、もしアインシュタインが一般相対性理論を発見していなかったら、我々が今日試みているシステムは、時空の幾何学と重力の間のいかなる関連性にも無知であったでしょう。これはアインシュタインの偉大な洞察でした。今のところ、この創造的な飛躍を行うことはできませんし、私たちの生涯中にはおそらくできないかもしれません。したがって、アインシュタインの業績は依然として安全です。
まず、大量のデータがあり、それが適切に構造化されている場合、大規模言語モデル（LLMs）から恩恵を受けることができます。データの良い構造とは、データの構成要素（トークン）とその階層における位置を理解することです。多くの問題は実際多次元であり、混合データがある場合、どの階層にそのデータが属するかを理解する必要があります。物理学者であればこの点がわかるでしょう。物理学では、言語学と比較するとデータ量は少ないです。物理学者が使用するツールはLLMsとは異なります。LLMsは興味深いものであり、多くの人が拡散モデルを使用しています。拡散モデルは基本的に、ランダム性を一つの方向に増加させ、その後特定の技術を使ってそのランダム性を取り除き、追加されたものの下層構造を明確に見ることを目指します。また、偏微分方程式を解くために非LLMの方法が試されています。目標は汎用の偏微分方程式ソルバーを作ることであり、それはすぐ実現しそうです。したがって、物理学に関して言えば、これらのツールは適応されつつありますが、LLMに基づいているわけではなく、実際には物理問題であり、物理学者がコンピュータサイエンティストに指示をしているのです。そしてこれらのツールは、LLMsに進む道を提供し、さらなる改善や、より大きなアーキテクチャへの統合を通じて利用されます。
業界内では、二つの類似した議論が行われています。一つはオープンソースとクローズドシステムの議論です。大規模モデルのトレーニングコストは1億ドルから2.5億ドルの間であり、これほどの規模での実行は全世界で約50～60回ほどしか行われていません。これには巨大なデータセンターとトレーニングプロセスを管理するエンジニアチーム、そして科学者の参加が必要です。その一つの手法は「エキスパート・ミックス」モデルで、非常に複雑な問題を複数のソースに分散させて比較するものです。
GBT-4のコストは数億ドルであり、次のラウンドの予想されるコストは約2.5億ドルで、その大半は電気代です。誰もがこれらの問題を解決するために努力しているにもかかわらず、それらは依然として存在しています。興味深いことに、いわゆる中規模モデルでの活動が増えています。その中でも特に有名なのはLLaMA 2で、約700億のパラメータを持ち、様々なベンチマークテストにおいて、大規模モデルの80%の性能しかありませんが、その規模は大規模モデルの10分の1です。
オープンソース分野におけるもう一つの課題は、どのように収益化するかです。公開されるすべてのオープンソースモデルは、中国で迅速にコピーされます。彼らは訓練を行うことができない制限を受けているためです。この実験がどう展開されるか見てみましょう。彼らはオープンソースプラットフォームを構築しています。
開発しました。利用可能なハードウェアを使用して作られました。彼らの戦略は、オープンソースモデルとアプリケーションを持つことです。彼はアブダビでこのアプリケーションをデモした際、「アブダビに関する素晴らしいプレゼンテーションを作成してください」と指示を出しました。それは2秒以内に合成された動画や画像を生成し、すべての基本的なマーケティングポイントを正しく処理しました。あなたがマーケティングのプロフェッショナルであれば、これをやりたいと思うでしょう。なぜなら、これにより非常に良いスタート地点が提供され、その芸術的な品質はあなた自身が作り出すものよりも優れている可能性があります。PPTやAdobeなどの製品を作る競合他社は、この技術を取り入れるでしょうか？絶対にそうでしょう。したがって、これらのツールは静かに私たちが行うすべてのことの中に溶け込みます。あなたがプログラマーやマーケティングの専門家、あるいはライターであっても、最終的にはこれらが非常に一般的になり、ほとんどその存在を忘れてしまうほどになるでしょう。
世界はこれらのLLMの複雑なエンジニアリングとそのスケーリングから、段階的な管理へと移行しています。アルファフォールドを見ると、これは歴史上信じられないほど素晴らしいことです。それは単なるLLMではなく、実際には典型的な言語モデルでもなく、非常に巧妙な確率計算のシリーズであり、複数の決定木を使用して作られています。
エリックがカリフォルニア工科大学で支援しているプロジェクトは、気候変動に関連しており、彼らは雲を研究しています。雲は非常にモデリングするのが難しいものですが、彼らはナビエ・ストークス方程式を使用しています。私たちの生涯中に雲内で起こる詳細を計算することは不可能ですが、雲システム全体の状況を理解するためには、雲の挙動を近似する必要があります。そしてAIは雲を非常にうまく近似することができます。なぜなら、雲は統計的に類似した方法で振る舞う傾向があるため、すべての組み合わせを行う必要がないからです。近似解を得ることで、物理学者たちはより難しい問題に取り組む自信を持てます。
もし我々が定理証明器を持っていて、今多くの人が使用しているLeanという言語があり、また推測生成器も持っているとしましょう。ある日、それが暗黒エネルギーを研究することを指示されたか、または自発的にそう決めて、暗黒エネルギーに関する推測を生成しました。そして定理証明器がそれを証明し、あなたはその証明が正しいことを確認できますが、その推測や証明を理解することはできません。なぜなら、私たちは十分に賢くないか、あるいはそれが独自の言語を使っているからです。これは科学ですか？これは私たち全員よりも賢い新しい版のアインシュタインですか？それとも偽物やマーケティングですか？想像してみてください、これらのシステムが私たちが完全に理解できない方法で相互に通信し始める様子。ある意味ではそれは興奮を呼び起こしますが、別の面では恐怖を感じさせます。それは私たちを前例のない理解の軌道に押し進めるかもしれません。この状況の深い意義は驚異的です。
いくつかのシステムは再帰的な自己改善を行うことができるでしょう。つまり、それらは自分で学習できるということです（今のところまだできません）。最近知ったのですが、代理（agents）についての研究が行われています。代理とは何か特定の分野の専門家であり、これらの代理は企業内できちんと混合され、組み立てられます。近い将来、これらの代理は外部にも利用可能になるでしょう。以下のようなシナリオを考えましょう：アップルに代理がいて、アマゾンに代理がいて、あなたのスタートアップにも代理がいて、グーグルにも代理があります。これらは全て一緒に組み合わさって問題を解決することができます。その時点で、あなたは自己エンジニアリングができるシステムを持つことになり、それらはおそらく私たちが理解できない言語で通信するでしょう。では、このような状況が起きたときにどうすればよいのでしょうか？おそらくプラグを引くだけでしょう。しかし、本当にそれが何をしているのか理解しているのでしょうか？明らかに本能的な反応として「その厄介なもの」を閉じることはありますが、もしシステムがすでに数千の新しいエネルギーソースに接続されている場合、それを停止するにはおそらく全世界をシャットダウンするかそれに類する措置が必要になるかもしれません。
人々は常に、作家の天才、彼または彼女の一生にわたるインスピレーション、そしてそれらすべての人間的な感情は、人工知能システムによって決して複製されることはないと言います。これらのシステムは意識を持つことはありませんし、今後も持つことはないかもしれませんが、非常に賢くなり、少なくともいくつかの領域においてはすべての人間の総和を超えるでしょう。例えばChatGPTのようなシステムを使って印象的な出力を得たとき、まるで学生が先生にそのような結果を示した場合、その学生はAまたはA+をもらうでしょう。私たちはGPT-4とは異なる方法で行動し、そのような訓練データを持っていませんが、おそらく推論を通じていくつかのショートカットを使っています。宇宙そのものが何らかの情報計算構造である可能性もあり、私たちは特別ではないことを受け入れるべきです。2011年のImageNetでは、初めて視覚的に人間を超えるシステムを構築できた年でした。現在、視覚の問題はほぼ解決されており、それは非常に素晴らしいことです。2015年には、Googleが囲碁チャンピオンに勝利しましたが、これは主に強化学習に関するもので、私は非常に感銘を受けました。彼らは試合の各ステップで50％以上の勝率を維持する方法を計算し、最終的には100％の勝率に向かって進んでいました。そして、可能な限り高い勝率を保つために、人間にとって意味のない手を使うこともいとわないのです。それは単に数学が優れているだけです。
2017年にTransformersの論文が発表され、OpenAIのメンバーたちは実際にGPT-1を使って何か新しいことをしようとしていましたが、ほとんど誰もそれを覚えていません。その後、彼らはGPT-2を構築し、大量の言語データを取り込むことを決めました。ある夜、おそらく木曜日の夜だったと思いますが、彼ら全員がコーヒーを飲みながら疲れていたとき、そのシステムを起動しました。すると、それはスムーズに文章を書き始め、まさに「ユリカ（Eureka）」の瞬間でした。それは社会が変わる瞬間でもありました。
規模の拡大とアルゴリズムの改善により、さらに多くの「ユリカ」の瞬間が生まれるでしょう。汎用人工知能（AGI）を実現するためには、まだ一つのアルゴリズムの発見が必要ですが、非常に近づいています。次の興味深くかつ難しい問題は再帰的な自己改良です。これには数年かかるでしょう。基本的に理解すべきなのは、モデルは当時のデータで訓練されており、データは通常、学習開始時に固定されていることです。そのため、LLMに質問しても、歴史的に正しい答えは得られても、現在の答えは得られないということです。これを修正する方法はいくつかありますが、私がGoogleで働き始めた頃は毎月ウェブクローリングをしていましたが、ある日エンジニアたちが継続的なクローリング方法を考え出し、それ以来データが一ヶ月遅れることがなくなり、常に最新の状態を維持できるようになりました。
一度モデルを継続的に更新できるようになった場合、技術的な問題は存在します——なぜならファインチューニングを行うと、基本的にはその知識範囲を狭めることになり、広がりは失われますが深みが増すからです。これは数学的にそうなるものです——しかし、人々はこれらの問題に対処しています。そして、すべての問題を解決できたと仮定すると、システムに自己学習させる能力を持つようになります。
これから先、努力して働き、すべてを学び、自分が始めたい場所から始めてください。
それがフランス文学から始まったと仮定しましょう。その分野での能力はどの人間よりも上回ります。その後、生物学を発見し、すべての生物学的知識を学びます。次に物理学を学びます。どこかの時点で、それは人間が達成できない方法でこれらの知識を組み合わせる方法を学びます。それはまた歴史的な瞬間となるでしょう。このプロセスにおいて最も重要になるのは、これらのシステムの出力をどのようにテストし、検証するかであり、本当にその動作や結果を理解していることを確認することです。
科学的な視点から見ると、もしシステムが数学を正しく処理できない場合、他のことも正しく行うことはできません。なぜなら、数学はほぼすべての基礎だからです。おそらく、まだ理解していない真の中間段階がいくつかあり、そこでは新しい能力が現れるかもしれませんが、それはより限定的です——すべてを学ぶことはできなくても、何かを学ぶことができるのです。
例えば、ロシアがヨーロッパやアメリカで行っている様々な影響操作活動の根本的な目的は、民主プロセスを破壊することにあります。エリックはYouTubeを所有し、ソーシャルネットワークで働いていた際にも、約10%の人々が権威を疑い論者であり、民主主義は某种程度の権威への信頼に依存していることを理解しました。画像は人々の感情を非常に強く刺激することができます。生成された画像と本物の画像が区別できないようになったとき、誰でも容易に正当性を損なう偽の主張を作ることができ、民主主義は死に至るかもしれません。例えば、透かし技術がその解決策の一部になるでしょう。もし全ての偽の画像や偽の動画に何らかのマークがあり、世界中のどこにいる人でもそれが偽であると一目でわかるならば、私たちはある種の透かしを使用する工業システムを構築する必要があります。そして、公钥システムを使用して情報源を検証します。もし我々が情報を元の出所まで特定できるのであれば、量子技術がその暗号を解読できる（可能であれば）までの間、実際には情報を「解読不能」なコンテナに入れることができます。これにより少なくとも情報が変更されていないことが保証されます。
政府はこの問題に対処するために非常に遅い動きを見せています。しかし、多くの政府指導者は技術的背景を持っておらず、現在の技術にも精通していません。もし政府がウェブサイト上で誤った情報を広める行為に対して巨額の罰金を科せれば、この措置と法的責任だけでも大きな効果を生むでしょう。これらはすべてアメリカの企業であり、法律チームを持ち、通常は法律を遵守しようと努めています。
業界はこの点を非常に明確に理解しており、「防護措置」と呼ばれるものを設定しています。その仕組みは、事前トレーニングモデルがあり、主に言語を教えるものですが、その後、それをより良くするために微調整します。ここで使われる用語は「ヒューマンフィードバック付き強化学習」で、実際には人が良し悪しを評価するなどしています。次のステップとして、死亡に関する質問に答えなくさせるように教えたり要求したりします。オープンソースモデルでは、ルールとして何も殺さないよう設定されています。そのため、「スレッドを殺す」という命令が来ても実行せず、それがある重要なものを殺すと考えるからです。言語には曖昧な部分が多くありますが、理論上は私たちの安全を確保するためのいくつかの防護措置を設けることができ、業界全体もこれに同意しています。
長期的には、良いAIが悪いAIに勝利し、最終的に良い側は通常他の人よりも平均的に賢く、私たちは最終的にこれが勝利することを望んでいます。
1950年代初、核兵器の脅威下でどのような気分だったかを考えると、人々は非常に恐れていました。多くの賢い人々が、この脅威に対処するために協定やルール、文化規範、条約などを制定しました。そして今日、私たちは生き残っており、実際には2回の原子爆弾使用しかありませんでした。現在、私たちはロシアやウクライナに対して非常に懸念しており、北朝鮮も引き続き問題となっています。しかし事実として、私たちは今安全です。これが私たちが達成できる最善の状態かもしれません。AIという技術がこれほど急速に発展し、知能の適用がこれほど強力であると仮定すると、その動機付けによって10年以内にいくつかの結果に至る可能性があります。もし将来10年間にこれらの能力から生まれる機会を掴みたいのであれば、今こそこの問題について考える必要があります。
教育に関しては、私は教師として（主に大学レベルで教えていますが、若い子供たちにも指導しています）、ほぼすべての子供が数学のどんな内容でも学べることを発見しました。それを十分に小さな増分ステップに分解する準備があれば可能です。私たちは全員、各学生のためにそれを分解するための忍耐や時間が不足していることが多いですが、最大のステップを計算して情報をそれらのステップで伝えることができるAIシステムがあれば、子供たちはどこにも引っかかりません。なぜなら、システムは常に十分に小さな増分ステップでどの障害も克服できるからです。これは大きな可能性です。あなたのモデルに基づくと、それが正しいことを確信しています。それに加えて私の提案、つまり理解するまで各ステップの画像を見せてくれる機能があれば、コンピュータはあなたよりもずっと長く持続できます。つまり、24時間365日対応可能です。
量子コンピュータに関しては、古典的な計算には飛躍がなく、私たちは依然としてチップサイズをさらに小さくしようと努力しています。現在の技術水準は5ナノメートル、4ナノメートル、3ナノメートルであり、通常は台積電がこれをリードしており、サムスンも競争相手の一つです。インテルはまだ到着していない2ナノメートルの装置を注文しており、これらはすべて同じ会社によって製造されています。ナノメートルレベルは原子レベルに近い非常に小さい尺度であり、一般的な合意では1.4ナノメートル程度で障壁にぶつかり、量子的不確定性が始まり、電子が私たちが必要とする方法で制御しづらくなるでしょう。
量子トンネル効果とは、粒子が「ジャンプ」することを意味します。それは、古典的には不可能と考えられる障壁を通過できるのです。したがって、2029年から2030年頃に物理的な限界に直面する可能性があります。業界は非常に賢く、巨額の資金を投じて3Dパッケージング技術を開発しました。これにより、2次元ではなく3次元のチップが可能になりました。彼らが作るチップには小さなピンはありません。代わりに、チップ同士を直接接着し、電子はこれらの微小な波動チャネルを通じて上下に移動します。これは驚異的な達成です。
エリックは最近、台積電を含むいくつかのウェハーファブを見学しました。私が見た中で、この規模でチップを作る人類の能力は最も印象深い人間の成果だと思います。ソフトウェアの側面では、現在のトレーニングモデルは非常にビッグデータに依存しています。トレーニングを加速したい場合、メモリ階層化を行い、チップが常に使用されるように確保する必要があります。通常、チップのメモリが不足し、アイドル状態になることがあります。そのため、彼らは高帯域幅メモリ（HBM）と呼ばれるものを構築しました。これは実際にチップパッケージ内に組み込まれており、新しい革新です。次の世代のチップ（まだ公開されていない）は、これらの技術のおかげで10倍速くなるとの噂もあります。ハードウェアにはまだ10％の向上余地があり、速度の向上、アーキテクチャの改善、メモリ帯域幅の向上で実現可能です。3Dスタックは最終的に限界に達するかもしれませんが、業界は新しいアーキテクチャ設計を継続的に提供できることを証明してきました。現在、ソフトウェアとハードウェアの統合はより緊密になっており、例えばNVIDIAには独自のライブラリCudaがあり、これはマイコードとみなされ、競合他社にとって大きな参入障壁となっています。
量子計算に関しては、量子コンピュータが勾配降下法という基本的なアルゴリズムを無限に速く実行できる可能性があります。問題は、データネットワークの速度や、データがチップ进出する速度が依然として課題であり、これらのチップは非常に遅いことです。量子コンピュータが登場しても、これらの制限を克服できるかどうかは不確実です。明らかに、Shorのアルゴリズムや他の特性により、量子コンピュータは特定の数学分野で非常に有用になるでしょう。エリックは、量子センシングと量子操作を研究している小さな会社のチェアマンです。興味深いことに、まだ量子コンピュータがないため、彼らはGPUと専用のアルゴリズムを使用して量子行動をシミュレートしています。古い技術や古いハードウェアを使用して量子的な思考方式を模倣することで、アニーリングなどの分野で進展を遂げています。この会社にとって最も成果の高い分野は薬物発見です。これらの会社は数十億ドル相当の薬物を持ち、それらの薬物をより安全で、効果が長続きし、より効果的なものにしたいと考えています。通常、これらの薬物を開発するには10年以上かかります。これらは長い鎖の中にある小分子であり、AIが得意とする領域です。