13 ведущих прорывов в вычислениях: чего ждать к 2026 году

Инновации в вычислениях относятся к технологическим разработкам и достижениям в области вычислений, включая аппаратные устройства и программные приложения.

Темп инноваций в вычислениях ускоряется, с появлением новых технологий постоянно. Главные факторы этого быстрого расширения включают:

• Возрастающую доступность вычислительной мощности
• Рост IoT устройств
• Восхождение искусственного интеллекта
• Тяжёлые инвестиции в R&D

Коллективные усилия инженеров, учёных и исследователей по индустрии, академии и open-source сообществу привели к расширению таких инноваций.

В ближайшие годы мы можем ожидать ещё более трансформативных достижений, открывающих новые проспекты и влияющих на различные аспекты нашей жизни — от коммуникаций и развлечений до здравоохранения и транспорта.

Ниже мы подсветили современные инновации в вычислениях, направленные на усиление вычислительных возможностей, решение сложных проблем, улучшение эффективности и включение новых возможностей в множестве доменов.

Примечание: Чтобы научить вас чему-то новому, мы не включили более широкие термины вроде Интегральных Схем, Интернета, Облачных Вычислений, Больших Данных, Искусственного Интеллекта, Блокчейна, Виртуальной Реальности и Квантовых Вычислений.

9. Квантовая криптография

Image credit: Amazon

Использует квантовые принципы для защиты передачи данных

Квантовая криптография, также называемая квантовой распределением ключей (QKD), фокусируется на безопасных коммуникациях на основе принципов квантовой механики. Она предоставляет безопасный коммуникационный канал, используя фундаментальные свойства квантовой механики, такие как теорема о неклонировании и принцип неопределённости.

Пока традиционные криптографические техники опираются на математические уравнения и вычислительную сложность для защиты данных, квантовая криптография опирается на законы физики. Она более безопасна и не может быть взломана никакими средствами (даже квантовыми компьютерами).

Квантовая криптография всё ещё развивающаяся область — она ещё не широко развёрнута в практичных системах. Однако проводились несколько экспериментов и малые реализации. Например,

В 2017 году исследователи Национального института информации и коммуникационных технологий и Токийского университета успешно продемонстрировали QKD на расстоянии 404 километров.

В 2022 году команда исследователей из Женевского и Оксфордского университетов продемонстрировала QKD протокол, иммунный к дефектам и уязвимостям физических устройств, которые преследуют текущие квантовые протоколы. Это гораздо более сильная форма безопасности по сравнению с любой традиционной криптографической техникой.

Преимущества квантовой криптографии

• Невозможно для перехватчика перехватить
• Может обеспечить безопасную коммуникацию на очень высоких скоростях

Недостатки

• Сложная технология; ещё не широко доступна
• Действительно дорогая, что ограничивает её использование высокобезопасными применениями

Китай, в частности, был на авангарде исследований квантовой криптографии. Китайская Академия Наук сделала существенные достижения в этой области, в то время как исследователи из Шанхайского института микросистем и информационной технологии и Университета науки и технологий Китая участвовали в многочисленных успешных развёртываниях квантовых коммуникационных сетей.

8. Edge AI

Внедряет ИИ напрямую на пограничных устройствах

Edge AI подразумевает развёртывание и выполнение ИИ-моделей и алгоритмов непосредственно на пограничных устройствах, таких как смартфоны и IoT-устройства, вместо зависимости от облачной инфраструктуры.

Она приносит ИИ-возможности ближе к источнику данных, облегчая обработку, анализ и принятие решений в реальном времени на пограничных устройствах. Это может быть критично в приложениях, требующих быстрого ответа и низкой латентности, таких как мониторинг здравоохранения, автономные транспортные средства и промышленная автоматизация.

Edge AI также улучшает приватность и безопасность, удерживая чувствительную информацию локально на пограничных устройствах и обрабатывая данные без передачи их в облако. Она митигирует риски утечек данных и гарантирует, что данные остаются приватными и защищёнными.

Популярные примеры Edge AI

• Автопилотируемые транспортные средства используют данные, локально обрабатываемые камерами и радарами
• Видеонаблюдение использует Edge AI для идентификации объектов и людей для быстрого ответа на угрозы безопасности
• Промышленная автоматизация достигается мониторингом и анализом данных с сенсоров и машин в реальном времени
• Сельское хозяйство использует данные, собранные с пограничных устройств, для оптимизации распределения ресурсов, предсказания урожайности и обеспечения эффективных сельскохозяйственных практик

Будущее Edge AI выглядит многообещающе и ожидается свидетельствовать выдающийся рост в ближайшие годы. Разработка энергоэффективных и более мощных вычислительных аппаратных средств сделает лёгким развёртывание сложных ИИ-моделей непосредственно на пограничных устройствах.

7. Natural Language Processing (NLP) — Обработка естественного языка

Позволяет компьютерам эффективно понимать человеческий язык

NLP фокусируется на взаимодействии между машинами и человеческим языком. Её главная цель — позволить компьютерам понимать, интерпретировать и генерировать значимый человеческий язык.

Она использует множество техник для работы с разными аспектами обработки языка. Например, она реализует

• Токенизацию для разбивки текстов на меньшие единицы для дальнейшей обработки и анализа
• Морфологический анализ для понимания структуры и формирования слов
• Семантический анализ для понимания значения фраз
• Сентимент-анализ для определения эмоционального тона, выраженного в тексте
• Генерацию естественного языка для производства ответов на основе предопределённых правил или выученных паттернов

Большинство NLP техник опираются на модели машинного обучения, такие как свёрточные нейронные сети, рекуррентные нейронные сети, скрытые модели Маркова и условные случайные поля. Эти модели обучаются на массивных объёмах аннотированных данных для изучения паттернов и отношений в языке.

Чем больше эти модели обучаются (на разных датасетах), тем лучше они могут делать предсказания и выполнять языковые задачи.

Обработка естественного языка уже используется во множестве доменов; наиболее частые применения:

• Поисковые системы используют NLP для понимания пользовательских запросов, анализа контента веб-страниц и доставки более релевантных результатов поиска.
• Системы онлайн-мониторинга текста анализируют отзывы клиентов и посты в соцсетях для получения инсайтов в мнения, отношения и тренды.
• Чат-боты и виртуальные ассистенты облегчают поддержку клиентов и автоматизированные взаимодействия.
• Инструменты суммаризации текста генерируют краткие резюме длинных, сложных документов.
• Финансовые аналитические инструменты анализируют финансовые отчёты и бизнес-ньюс для извлечения инсайтов, сентимента и рыночных трендов.
• Клинические платформы анализа текста могут изучать медицинские записи и биомедицинскую литературу для помощи в задачах вроде извлечения медицинской информации и диагноза болезней.
• Системы анализа юридических документов облегчают правовое исследование, анализ контрактов и due diligence.

По мере продолжения развития области, появляются новые применения и кейсы, демонстрирующие способность и универсальность NLP техник.

Согласно отчёту Grand View Research, глобальный размер рынка NLP ожидается превысить 439 млрд долларов к 2030 году, растущий с невероятным CAGR 40,4%.

6. Explainable AI (XAI) — Объяснимый ИИ

Делает ИИ-модели более объяснимыми для людей

XAI относится к разработке ИИ-систем, которые могут предоставлять прозрачные и понятные объяснения для своих действий и решений. Её главная цель — помочь людям понимать и доверять рассуждениям за ИИ-моделями и их процессами принятия решений.

Конвенциональные ИИ-системы, особенно основанные на методах глубокого обучения, обычно функционируют как «чёрные ящики», где внутренние механизмы и процессы решений не легко интерпретируемы. Этот недостаток прозрачности иногда приводит к крупным опасениям в индустриях здравоохранения, финансов и автономных транспортных средств.

Именно поэтому XAI необходим — он может обеспечивать прозрачность, доверие и подотчётность. Он также может заставить ИИ-системы соответствовать юридическим и регуляторным требованиям, гарантируя этичное поведение и защиту индивидуальных прав.

Более конкретно, XAI нацелен на ответы на вопросы вроде

• Почему ИИ-модель сделала конкретное предсказание или решение?
• Как работает ИИ-модель?
• Какие факторы рассматривала ИИ-модель?
• Каковы ограничения и предвзятости ИИ-модели?
• Насколько уверена ИИ-модель в своём предсказании или решении?
• Какие данные влияли на решение ИИ-модели?

XAI включает различные техники, самыми частыми из которых являются rule-based объяснения, локальные объяснения, глобальные объяснения и контрфактуальные объяснения.

Текущие R&D в этой области приведут к лучшему пониманию и ответственному использованию ИИ-технологии, позволяя её широкое принятие по различным отраслям.

5. Blockchain Interoperability — Интероперабельность блокчейна

Способность блокчейн-сетей коммуницировать друг с другом бесшовно

Блокчейн-технология обычно функционирует на отдельных протоколах или сетях, каждая со своим набором правил, структур данных и механизмов консенсуса. Эти отдельные сети часто сталкиваются с вызовами при обмене данными.

Интероперабельность блокчейна нацелена на преодоление этих вызовов и установление надёжных связей между разными блокчейн-сетями. Она обеспечивает бесшовную передачу данных по множественным блокчейн-платформам, позволяя интероперабельность и коллаборацию между множественными децентрализованными системами.

Это достигается внедрением ряда техник, таких как Токенизация, Атомные Свапы, Cross-Chain Bridges и Интероперабельностные Протоколы.

Преимущества

• Бесшовная передача цифровых активов вроде криптовалют или токенов между разными блокчейнами
• Обеспечивает лёгкий доступ к децентрализованным приложениям и сервисам по множественным блокчейнам
• Улучшает общую ликвидность и снижает фрагментацию рынка
• Делает лёгким использование механизмов консенсуса и фич безопасности множественных цепочек
• Усиливает подотчётность и митигирует потенциал для мошенничества
• Позволяет блокчейн-сетям эволюционировать и адаптироваться к меняющимся требованиям

Она позволяет разработчикам комбинировать сильные стороны разных сетей для создания мощных децентрализованных приложений, простирающихся по множественным экосистемам.

Потенциальные применения интероперабельности блокчейна расширяются на многочисленные домены, от децентрализованных финансов и кросс-граничных платежей до страхования и услуг здравоохранения.

4. Quantum Machine Learning (QML) — Квантовое машинное обучение

Интегрирует принципы квантовых вычислений и машинного обучения

QML — растущая область, комбинирующая принципы квантовых вычислений и машинного обучения для разработки новых техник решения сложных вычислительных проблем. Она исследует, как квантовые алгоритмы и техники могут применяться к классическим задачам машинного обучения.

QML использует уникальные свойства квантовых систем для усиления разных аспектов машинного обучения, таких как оптимизация данных, визуализация, отбор признаков и распознавание паттернов.

Более конкретно, она включает исследование техник кодирования классических данных в квантовые состояния, использования квантовых операций для выполнения вычислений на квантовых представлениях данных и разработки алгоритмов, которые могут использовать квантовые свойства суперпозиции и запутанности для нахождения оптимальных решений более эффективно, чем классические техники оптимизации.

Преимущества

• Может обеспечить экспоненциальный ускорение над классическими вычислениями для специфических задач
• Может решать проблемы оптимизации более эффективно
• Может представлять сложные структуры данных и отношения используя квантовые состояния
• Может исследовать квантовые феномены, моделировать квантовые системы и оптимизировать квантовые процессы

Недостатки

• Ограниченная доступность квантового железа
• Склонна к ошибкам, вызванным декогеренцией и шумом
• Сложно приобретать квантовые данные и разрабатывать квантовые алгоритмы
• Результаты сложно интерпретировать и объяснять классическими методами

Несмотря на все эти ограничения, QML имеет потенциал революционизировать существующие технологии машинного обучения. Например, она может

• Ускорить процесс открытия лекарств анализируя массивные молекулярные датасеты и предсказывая их свойства
• Улучшить финансовое моделирование и анализ рисков оптимизируя аллокацию портфеля и предсказывая рыночные тренды
• Оптимизировать логистику цепочки поставок, ведущую к улучшению эффективности и экономии затрат
• Оптимизировать распределение энергии и управление в smart grid системах
• Усилить задачи распознавания паттернов, включая видеопроцессинг

По мере того как квантовое железо становится более мощным, мы можем ожидать, что QML откроет новые возможности в различных индустриях и доменах.

3. Biometric Authentication — Биометрическая аутентификация

Использование уникальных характеристик индивидов для верификации их идентичности

Как следует из названия, эта технология использует биометрические данные (измеримые и уникальные биологические или поведенческие черты) для аутентификационных целей. Она опирается на врождённые физиологические или поведенческие особенности индивида.

Несколько типов биометрических данных используются для аутентификации, самыми частыми из которых являются отпечаток пальца, черты лица, распознавание голоса, распознавание радужки, распознавание сетчатки, распознавание подписи и геометрия руки.

Несколько передовых систем используют поведенческую биометрию — она включает захват и анализ уникальных поведенческих паттернов, таких как движения мыши, ритм печати и анализ походки, для аутентификации индивидов на основе их поведенческих характеристик.

Преимущества

• Предлагает более высокий уровень безопасности, чем традиционные методы аутентификации вроде PIN или паролей
• Более надёжная и удобная
• Значительно снижает риск кражи идентичности и мошеннической активности

Недостатки

• Часто вызывает опасения по приватности
• Дорогая в реализации
• Может встречать ошибки, приводящие к ложному принятию или ложному отказу

Биометрическая аутентификация, особенно отпечаток пальца и распознавание лица, широко используется для контроля доступа к защищённым физическим локациям, таким как офисы и зоны с ограниченным доступом. Она также обычно используется на смартфонах и ноутбуках для разблокировки устройств, авторизации транзакций и защиты чувствительной информации.

Технологию можно интегрировать в системы безопасности транспорта для аутентификации водителя или владельца транспорта. Она также внедряется в секторах здравоохранения для обеспечения безопасного доступа к медицинским записям и контроля доступа к ограниченным зонам вроде аптечных пунктов и лабораторий.

Будущие системы могут использовать множественные биометрические черты в комбинации, такие как голос, сетчатка и черты лица, для обеспечения более сильной аутентификации с более высокой точностью.

2. Generative Adversarial Networks (GANs) — Генеративно-состязательные сети

Генерирует реалистичный и креативный контент

GANs состоят из двух нейронных сетей: генератора и дискриминатора. Генератор отвечает за создание новых данных, в то время как дискриминатор — за различение реальных и сгенерированных (фейковых) данных.

Генератор стремится создавать реалистичные сэмплы (из обучающих датасетов), которые могут обмануть дискриминатор. Дискриминатор, с другой стороны, выступает как классификатор и пытается отличать реальные сэмплы от синтетических.

Обе модели обучаются итеративно и обновляют свои параметры в зависимости от их производительности. Конечная цель — создать сэмплы, неотличимые от реальных данных.

Преимущества

• Может создавать новый визуальный контент, трансформировать стили и генерировать уникальные дизайны
• Учится на немаркированных данных
• Улучшается со временем

Недостатки

• Вычислительно интенсивны для обучения
• Могут использоваться для генерации вредоносного контента, такого как дипфейки

Технология доказала эффективность в генерации креативного контента. Она использовалась для создания текста, неотличимого от написанного человеком, создания реалистичных изображений объектов и людей, несуществующих в реальности, и создания музыки, неотличимой от человеческой композиции.

GANs также могут улучшать качество низкоразрешающих фото и детектировать аномалии в крупных, сложных сэмплах (обучаясь нормальным паттернам в датасетах и идентифицируя отклонения).

По мере прогресса исследований, Generative Adversarial Networks найдут применения в широком спектре областей, от открытия лекарств и рекламы до гейминга и виртуальной реальности.

1. Neuromorphic Computing — Нейроморфные вычисления

Самообучающийся нейроморфный исследовательский чип Intel под названием Loihi

Вычисления, вдохновлённые человеческим мозгом

Нейроморфные вычисления относятся к дизайну и архитектуре компьютера, вдохновлённой структурой и функцией человеческого мозга. Цель — разработать аппаратные и программные системы, имитирующие поведение биологических нейронных сетей.

Она включает специализированное железо (вроде нейроморфных чипов) и алгоритмы, разработанные для репликации поведения нейронных сетей. Это может разблокировать более эффективные и мощные вычислительные возможности.

Железо обычно использует аналоговые цепи, которые могут выполнять нейронные вычисления эффективно. Поскольку модели нейронных сетей реализованы на уровне железа, нейроморфные вычислительные системы могут доставлять высокую производительность при низком потреблении энергии.

Эти системы могут существенно улучшить задачи компьютерного зрения, такие как видеоанализ, распознавание лиц, детектирование объектов и понимание сцен. Их возможности распознавания паттернов и параллельной обработки делают их хорошо подходящими для таких задач.

Нейроморфные вычисления также могут играть жизненно важную роль в автономных транспортных средствах — они могут быстро и эффективно обрабатывать данные с радара, камер, LiDAR и других сенсоров.

В робототехнике нейроморфные вычислительные системы могут обрабатывать сенсорные данные в реальном времени и принимать умные решения на основе окружения. Это может улучшить восприятие робота, планирование движения и контроль, позволяя более способным и адаптивным робототехническим системам.

Преимущества

• Возможности real-time и параллельной обработки
• Способности обучения и адаптации
• Энергоэффективность
• Устойчивость к ошибкам (fault-tolerant)

Недостатки

• Не подходит для всех типов вычислительных проблем
• Высокая сложность

Пока нейроморфные вычисления всё ещё эволюционирующая область, многочисленные проекты и платформы появились в последние годы. Loihi от Intel и TrueNorth от IBM — два самых заметных примера.

Чип Loihi имеет 130 000 нейронов, каждый способный коммуницировать с тысячами других, а чип TrueNorth содержит 1 млн цифровых нейронов и 256 млн синапсов, плотно взаимосвязанных через событийно-драйвенную маршрутизационную инфраструктуру.

Согласно Polaris market research, глобальный рынок нейроморфных вычислений достигнет выручки 29,54 млрд долларов к 2032 году, растущий с CAGR 21,1% с 2023 по 2032 год.

Другие значимые инновации в вычислениях

11. Swarm Robotics — Ройовая робототехника

Ройовая робототехника фокусируется на координации множественных роботов для коллективного выполнения задач. Она вдохновлена поведением социальных насекомых, таких как пчёлы и муравьи, демонстрирующими сложные коллективные поведения без необходимости централизованного контроля.

Индивидуальные ройовые роботы могут коммуницировать друг с другом, делиться данными и координировать свои действия используя локальное сенсирование, беспроводную коммуникацию или ограниченные по диапазону взаимодействия. Они могут обмениваться данными о своём состоянии, окружении или задачах, которые они выполняют.

Они хорошо подходят для кооперативных задач, требующих нескольких роботов, работающих вместе. Примеры включают распределённое сенсирование, кооперативную транспортировку и манипуляцию объектами. Их можно нанимать для задач вроде исследования неизвестных регионов, маппинга области или поиска целей.

Дрон-шоу, в частности, стали популярны в последние дни. Они используют множественные освещённые дроны ночью для художественного дисплея или рекламы.

10. Differential privacy — Дифференциальная приватность

Дифференциальная приватность — фреймворк защиты приватности в анализе данных и статистических вычислениях. Она предлагает математическую модель для защиты приватности индивидов, в то время как всё ещё позволяет извлекать ключевую информацию из датасета.

Хотя она не гарантирует идеальную приватность, она нацелена на баланс между полезностью данных и сохранением приватности.

Она работает добавлением шума к данным. Шум добавляется таким образом, что он не влияет на анализ данных, но делает сложным для атакующего извлечь информацию об индивидуале.

Количество добавляемого шума определяется фактором, называемым эпсилон. Эпсилон контролирует компромисс между полезностью и приватностью. Меньшее значение эпсилон означает меньше шума, что даёт больше полезности данных, но меньше приватности.

Эта техника получила значительное внимание в последние годы, особенно в областях вроде машинного обучения, социальных наук и здравоохранения, где приватная информация часто задействована.

12. Cyber-Physical Systems — Киберно-физические системы

Киберно-физические системы комбинируют физические компоненты с вычислительными, коммуникационными и контрольными элементами, обеспечивая бесшовное взаимодействие между физическим и виртуальным мирами.

Более конкретно, она интегрирует физические компоненты вроде машин или биологических систем с кибер-элементами вроде ПО или коммуникационных сетей. Она использует изощрённые вычислительные модели и ИИ техники для обработки и анализа собранных данных.

Эти модели затем оптимизируют операции, идентифицируют аномалии, принимают решения и реагируют на изменения в реальном времени.

Киберно-физические системы находят применение в различных доменах, от мануфактуринга и транспорта до умных зданий и энергетических сетей. Например, в мануфактуринге эти системы позволяют real-time мониторинг оборудования, адаптивные производственные процессы и предиктивное обслуживание. В умных городах это может использоваться для управления потреблением энергии, оптимизации трафик-флоу или улучшения публичной безопасности.

13. Homomorphic Encryption — Гомоморфное шифрование

Гомоморфное шифрование включает выполнение вычислений на зашифрованных данных (без их дешифровки). Другими словами, это криптографическая техника, позволяющая обрабатывать данные в их зашифрованном виде, сохраняя конфиденциальность и приватность.

Хотя эта техника гарантирует сильную приватность, у неё есть определённые ограничения. Операции, выполняемые на зашифрованных данных, обычно медленнее и требуют больше CPU ресурсов по сравнению с выполнением тех же операций на plaintext данных.

Однако текущие исследования и разработки в гомоморфном шифровании адресуют такие ограничения. Это многообещающая область криптографических исследований для защиты приватности людей при обеспечении безопасных вычислений.

Ещё нужно знать

Какие инновации в вычислениях ожидают иметь крупное влияние в будущем?

Машинное обучение, edge computing, 5G, блокчейн-технология, дополненная реальность и генно-редактирующие технологии ожидают сформировать наше будущее значительно.

Как инновации в вычислениях могут благодетельствовать разные отрасли?

Инновации в вычислениях могут благодетельствовать отрасли множеством способов:

Мануфактуринг: Промышленные роботы и системы автоматизации могут улучшать производственные процессы, снижать человеческие ошибки, улучшать эффективность и позволять выполнять изощрённые задачи со скоростью и точностью.

Здравоохранение: Машинное обучение может анализировать информацию пациентов, медицинские изображения и генетические данные для помощи в точной и ранней детектировании болезней, ведущей к лучшей диагностике и планированию лечения.

Финансы: Пока big data аналитика позволяет финансовым институтам анализировать массивные объёмы данных и детектировать мошенничество, блокчейн-технология может обеспечивать безопасные и прозрачные транзакционные системы, улучшая кросс-граничные транзакции и смарт-контракты.

Транспорт: ИИ и сенсорные технологии позволяют разработку автопилотируемых транспортных средств, улучшая безопасность и транспортную эффективность. Предиктивные модели могут оптимизировать трафик через real-time анализ данных и помогать планировать транспортную инфраструктуру.

Энергетика и Экологическое Управление: Инновации в вычислениях могут позволять real-time мониторинг экологических параметров для идентификации источников загрязнения и предсказания экологических рисков. Они также могут анализировать паттерны потребления энергии и оптимизировать использование энергии в зданиях, промышленных процессах и транспортных системах.

Образование: Адаптивные обучающие платформы и образовательное ПО могут персонализировать обучающие переживания, адаптируя контент к индивидуальным потребностям студентов. Передовые инструменты аналитики данных могут мониторить производительность студентов и паттерны обучения, позволяя учителям идентифицировать области для улучшения и персонализированные интервенции.

Рыночный размер Next-Generation Computing

Глобальный размер рынка next-generation computing ожидается превысить 451 млрд долларов к 2030 году, растущий с CAGR 19,1% с 2023 по 2030 год.

Ключевые факторы за этим впечатляющим ростом включают возрастающие R&D активности среди технологических компаний, возрастающий спрос на обработку и управление массивными объёмами данных, и растущее принятие новых технологий вроде 5G, машинного обучения и блокчейна.

Читайте также

• 17 лучших научных и технологических исследовательских лабораторий в мире
• 8 самых частых техник шифрования для сохранения приватных данных