Endüstri Yasasının Sınırlamaları
1965 yılında, Fairchild Semiconductor’ın Amerika Birleşik Devletleri’ndeki Ar-Ge direktörü Gordon Moore tarafından 1968’de Intel’in yaratılmasına katılmadan önce başlatılan, deneysel bir yasa olan Moore yasası, elektronik çiplerin yoğunluğunun her 18 ayda bir ikiye katlanmasını öngörür. Giderek daha ince silikon aşındırma teknolojileri sayesinde 2 yıl sürmüştür.
Usine Nouvelle için, “her nesilde, tipik kazanç performansta %30 (sabit akım tüketiminde), %50 tüketimde (eşit performansta), %50 boyutta ve %30 birim maliyettedir”. Birkaç nanometrelik aşındırma mesafelerine yaklaştıkça, teknolojik ve finansal zorluklar ortaya çıkıyor ve yakın gelecekte 60 yıldan daha uzun bir süre önce tanımlanan üstel arayışı sınırlandırıyor.
Bu referansta alıntılanan Carlos Reita şunları yazdı: “2021 için planlanan 5 nanometre nesilden, aynı sonucu elde etmek için başka çözümlerden geçmek gerekecek: malzemelerde, transistör yapısında veya 3D entegrasyon gibi üretim modunda bir değişiklik. Temel yapılar daha küçük olmayacaktır.
Bununla birlikte, devre nihayetinde fiziksel bir minyatürleştirme ile aynı faydaları sunacaktır”. Şimdilik, bu yapılar hala kısmen inşa edilme sürecindedir. Bu yapıların zorluklarından biri, elektronik sistemlerin enerji verimliliği ile ilgili ısıyı ortadan kaldırmak olacaktır.
Mesafeler atomlar arası boyutlara yaklaştığında, cihazların elektronik özellikleri artık klasik fiziğin ilkelerine uymaz ve bu da yeni bir alanda, kuantum elektroniği alanında araştırmalara yol açar.
Endüstri, Amerika’daki araştırmalara önemli destek sağlayan kuantum bilgisayarların geliştirilmesi için çeşitli yollar araştırıyor:
– ilki, nadir toprak elementlerine dayalı süper iletken cihazlara dayanmaktadır. Usine Nouvelle (2018a) için bu en gelişmiş rotadır. “Ancak bu, çok hacimli ve pahalı olan ve büyük ölçekli uygulamalarda elde edilmesi zor olan aşırı düşük sıcaklık gerektiren sistemlere yol açar;
– diğer yol ise spin elektroniği kullanmaktır. Bu yaklaşım umut verici görünüyor çünkü “tek bir elektronun dönüşüne dayanan kübitler, kuantum bilgisini diğer katı hal uygulamalarından çok daha uzun süre tutabilir”.
Örneğin, bizmut tellür, bir kuantum mikroişlemcinin inşası için ideal bir yarı iletken olabilir ve mevcut teknolojilerin yerini alabilir, çünkü spin oda sıcaklığında sabit kalır (elektronlara bağlı kuantum sayısı). Ancak bu karmaşık çalışma, araştırma laboratuvarlarında hala emekleme aşamasındadır (ancak nadir toprakları kullanır).
Yapay zeka öğrenmeye nereden başlanır
Derin öğrenme algoritmaları
Yapay zeka, Makine öğrenmesi
Derin öğrenme Nedir
Yapay zeka derin öğrenme Nedir
Yapay zeka Nedir
Yapay zeka öğrenme yöntemleri
Yapay zeka ve makine öğrenmesi pdf
IBM’in bugüne kadar 20 kübit cihaz ürettiği bildiriliyor. Ancak şu an için, bir kübitin kuantum davranışı çok istikrarsızdır, çevresinden en ufak bir bozulma ile kolayca yok edilir (eşevresizlik fenomeni). Usine Nouvelle’e göre IBM, kübitlerinin tutarlılık süresini iki katına çıkararak 90 mikrosaniyeye çıkardı, ancak, kübit sayısındaki artışın uyumsuzluk olasılığını artırdığı görülüyor.
SGDN (2017) için, Fransa’da uygulanacak olsaydı, operasyonel kuantum bilgisayar, hassas bilgilerin korunmasında, teknolojik dağıtımda ve hepsinden önemlisi, Avrupa endüstriyel dokusunun yeniden canlandırılmasıyla ekonomik bir zorlukta liderlik ve bağımsızlık sağlayabilir.
Ancak bu iddialı hedefe ulaşmak için gereken finansman Atlantik’in sağ tarafında mı? Ancak bugün Trégouët şöyle yazıyor: “Dünyanın en güçlü 500 süper bilgisayarının sıralamasına göre, 2017’nin sonunda 202 Çinli makine ve 143 Amerikan bilgisayarı varken, Avrupa’da yalnızca 84 süper bilgisayar ve Japonya’da 35 vardı.
Şu anda, liderliğini kaybeden Çin “Sunway TaihuLight” için 93 petaflop’a karşı 122 petaflop (saniyede 122 milyon milyar işlem) ile dünyanın en güçlü bilgisayarı haline gelen geçen Haziran’dan bu yana Amerikan “Zirvesi”. durum. Dijital ekonominin gelişimi için elzem olan hiper-güçlü bilgi teknolojisinde ustalık için bu küresel rekabette, Amerika Birleşik Devletleri ve Çin, Avrupa dahil diğer tüm ülkelere ve siyasi bloklara açıkça hükmediyor.
Yapay Zeka ile Öğrenme
Modern eğitim sisteminin kilit rollerinden biri, ekonomik alana “iyi” katılımı mümkün kılacak beceriler yaratmaktır. Bugün eğitimin tarihi, ücretli emek gibi sanayi toplumunun gelişimiyle yakından bağlantılıdır. Üst düzey siyasi tartışmalarda, eğitim genellikle temel bir istihdam kaynağı olarak anlaşılmaktadır.
Bu yoruma göre eğitim, ekonomik üretkenlik ve rekabet gücünün temel itici gücü olarak kabul edilir. Bu bağlamda, bu vizyonu destekleyen tüm araçların kullanımı ile eğitimin verimliliği sorusu her zaman gündeme gelmektedir. AI, tüm performanslarıyla eğitim çerçevesinde devrim yaratabilir.
Bir mühendis normalde, mümkünse yenilikçi araçlarla projeler tasarlayan ve bütünün gerçekleştirilmesini ve uygulanmasını yöneten bir profesyoneldir: verimliliğe adanmış bir bilgi birikimini kullanırken, karmaşık teknik sorunları çözmeyi içeren ürünler, sistemler veya hizmetler.
Faaliyet açısından mühendis, bağlayıcı olan yönetmelikleri, çevresel ve sosyoekonomik faktörleri dikkate alarak tasarlar ve yenilikler yapar. Çeşitli becerilere sahip olmalıdırlar: öğrenme eğitimi, okuma, yazma, matematik, iletişimdir. (dinleme, sözlü anlatım, yaratıcı düşünme, problem çözme, özgüven, kişisel gelişim, kişilerarası ilişkiler, müzakere, takım çalışması, operasyonel etkinlik, liderlik ve paylaşım liderlik vb.)
JRC’ye (2018) göre, neredeyse tüm mevcut nöral AI sistemleri, öğretim tasarımcısı tarafından etiketlenen eğitim verilerine dayanan denetimli bir öğrenme modeli kullanır. Temel eğitim üzerindeki etkisi hala nispeten küçük olmasına rağmen, son gelişmeler durumun değişebileceğini gösteriyor.
Özellikle, yapay zeka tabanlı sistemler hem öğretmenler hem de öğrenciler için destek sistemleri olarak yaygın şekilde kullanılabilir hale gelebilir. Akıllı öğretim sistemlerinin temel fikirlerinden biri, bir öğrencinin öğrenme deneyimlerini öğrenciye ve onun mevcut öğrenme düzeyine göre özelleştiren uyarlanabilir arayüzlerle etkileşime girmesidir.
Büyük Veriyi çalıştıran AI sistemlerinin temel gücü, operasyonelleştirme için dijital mevduatları “rafine etme” fikriyle açıklayıcı teknik bilgiler sağlamak için çok karmaşık veri akışlarını gerçek zamanlı olarak işleyebilmeleridir. AI, ekonomiyi ve işgücü piyasasını hızla değiştirecek ve eğitim ve eğitim sistemleri için yeni gereksinimler yaratacaktır. Çember o zaman tamamlanmış olacaktı.
Bu hızlı hareket eden toplumda “sürdürülebilir” bir mühendis olarak kabul edilmek için gereken bilgi artışı, 3 veya 5 yıllık bir üniversite eğitimi ile sınırlı bir disiplin eğitim sisteminde soruları gündeme getiriyor. AI, belirli boşlukları daha da fazla ve daha iyi doldurabilir; daha sonra yöneticilerin eğitiminde ve karar desteğinde ortaya çıkan bir sürece katılabilir.