Entrevista con el "padre de los algoritmos" Michael Sanders: El punto decisivo de la inteligencia artificial en el futuro puede ser la conducción autónoma.
Michael Sanders es profesor de Ingeniería y Ciencias de la Gestión en la Universidad de Stanford. Actualmente es profesor honorario de la Universidad de Stanford, matemático, experto en algoritmos de clase mundial, académico de la Sociedad de Matemáticas Industriales y Aplicadas, miembro honorario de la Royal Society de Nueva Zelanda y miembro de la Invención de la Universidad de Stanford. Salón de la Fama.
El profesor Michael Sanders estudió con Gene Golub, el padre de la informática científica, y recibió un doctorado en informática de la Universidad de Stanford en 1972. Como "gran nombre" en el campo de la informática, recibió el Premio William Orchard-Hayes de la Sociedad de Programación Matemática y el Premio Siam de Álgebra Lineal de la Sociedad de Matemáticas Industriales y Aplicadas. Se entiende que sus algoritmos matemáticos para ecuaciones matriciales y problemas de optimización son ampliamente utilizados a nivel internacional. El profesor Michael Saunders ha sido consultor de General Electric y Boeing.
Los campos de investigación del profesor Michael Sanders incluyen inteligencia artificial, computación científica a gran escala, análisis de big data, optimización de sistemas, resolución de matrices dispersas, ingeniería de software, AIoT, etc.
En su opinión, la interconexión siempre ha sido una cuestión de optimización en la industria AIoT. Por ejemplo, Tuya Intelligence, el organizador de esta conferencia, también ha lanzado una tecnología similar para resolver el problema de las islas de información. El profesor Sanders ha realizado contribuciones destacadas en este campo.
Los siguientes son extractos del discurso y la entrevista del profesor Michael Saunders, que "AI Technology Review" ha recopilado sin cambiar la intención original:
¡Hola a todos! Gracias por estar aquí hoy. Estoy muy feliz de venir a China. Lo siento, soy de Nueva Zelanda. Hablo un poco de francés, un poco de español y un poco de inglés, pero el chino es mucho más difícil.
Hoy quiero hablaros de la "optimización restringida". Antes de eso, primero me gustaría hablar sobre por qué fui a la Universidad de Stanford para participar en investigaciones relacionadas con la computadora y luego hablar sobre la historia de la optimización restringida.
De Nueva Zelanda a Stanford, centrándome en la "optimización restringida"
En 1972, obtuve mi doctorado en la Universidad de Stanford. Regresé a Nueva Zelanda pensando que me quedaría aquí para siempre. Pero George Dantzig, el padre del álgebra lineal y profesor de la Universidad de Stanford, inició el proyecto del Laboratorio de Optimización de Sistemas (SOL) y me invitó a regresar a Stanford.
Cuando estaba involucrado en el Laboratorio de Optimización de Sistemas, el Profesor Dantzig era responsable de construir modelos económicos y energéticos, mientras yo me centraba en funciones objetivo no lineales y desarrollaba una versión inicial del software de optimización MINOS para resolver problemas de estas. modelos.
En ese momento, el profesor de la Universidad de Stanford, George Dantzig, propuso un nuevo algoritmo de optimización restringida. Este es un tema de investigación muy difícil, que consiste en encontrar un conjunto de valores de parámetros bajo una serie de restricciones para optimizar el valor objetivo de una determinada función o grupo de funciones. La "optimización restringida" es esencialmente un problema de álgebra lineal y el análisis de optimización se implementa mediante software.
En la década de 1980, amplié MINOS para manejar algunas restricciones no lineales y desarrollamos otro software de optimización restringida para General Electric y la NASA.
En la década de 1990, nuestro software se utilizó en modelos de efecto invernadero y problemas de optimización espacial, como la optimización de la órbita de aviones y naves espaciales.
Tengo un hermano gemelo, David, que es piloto de avión. Ha trabajado en el Centro de Investigación Ames de la NASA desde 1975. Con nuestro software de optimización diseñó aviones supersónicos, nuevos transbordadores espaciales y cápsulas espaciales, aunque algunos de estos proyectos fueron posteriormente cancelados.
Por supuesto, nuestra optimización de algoritmos también se aplica en muchos otros campos.
Por ejemplo, controlando la trayectoria de un robot; en el campo médico, podemos apuntar haces de rayos X para ayudar a los médicos a realizar radioterapia.
La optimización es muy importante para las aplicaciones de aviación.
Nuestro software se utiliza en muchos proyectos aeronáuticos de la NASA, como:
Los problemas anteriores son inseparables de la optimización.
En 2010 participé en el diseño de la nave espacial "Orion", que lleva por nombre Apollo 2.0. Orión y Apolo son similares en apariencia, pero mucho más grandes. David optimizó la curvatura del escudo térmico de Orión. Descubrió que la forma elegida por los diseñadores de Apolo hace 50 años era una forma optimizada.
Recientemente, nuestras optimizaciones se han aplicado al Stratolaunch, el avión más grande del mundo, que completó su primer vuelo en California el 3 de abril de 2019. Stratolanuch está equipado con dos fuselajes y seis motores Boeing 747. Sus alas son más largas que un campo de fútbol. Puede transportar un cohete o una pequeña nave espacial a una altitud de 11.000 metros y ponerlo en órbita. Los mejores resultados de optimización de David sugieren que el inicio del procedimiento de aterrizaje por parte de Stratolaunch a una distancia de 2.500 kilómetros puede haber sido demasiado pronto.
El software y las aplicaciones de optimización se complementan entre sí.
La optimización de algoritmos nos ha ayudado a encontrar muchas soluciones.
Hace veinte años utilizábamos el software PDCO para análisis de señales (BPDN). Ahora utilizamos el mismo software para una aplicación diferente: analizar señales de RMN de baja frecuencia para analizar la composición de una sustancia, como el aceite de oliva o el biodiesel. Nuestro software existente encuentra nuevos usos.
En ocasiones, nuevas aplicaciones nos llevan a crear nuevos algoritmos. Por ejemplo, los problemas de modelos multidimensionales en biología de sistemas no pueden resolverse con el software existente, por lo que utilizamos las versiones de doble y triple precisión del software MINOS optimizado para desarrollar el programa DQQ.
También desarrollamos el algoritmo NCL para resolver modelos de derecho tributario, que no pueden resolverse con el software existente. NCL resuelve una serie de problemas de optimización grandes pero manejables. Sorprendentemente, descubrimos cómo "iniciar en caliente" cada gran problema promoviendo la optimización a través de métodos internos. Por lo general, el arranque en caliente no se puede lograr mediante métodos internos. Por lo tanto, las aplicaciones nuevas y difíciles nos impulsan a crear nuevo software de propósito general. Este es un proceso muy interesante.
Para resumir el tema de mi discurso, cuando diseñamos un software optimizado, siempre esperamos crear un software "universal" para aprovechar al máximo todo. Pero, sinceramente, nunca sabemos qué tipo de personas utilizan nuestro software. A veces, el software ayuda a los científicos a encontrar soluciones optimizadas para aplicaciones emergentes, lo que nos da una sensación inmediata de logro. Pero a veces es todo lo contrario. Las aplicaciones emergentes nos obligan a diseñar nuevos algoritmos combinando el software existente de nuevas formas.
En el futuro veremos muchas aplicaciones similares a los vehículos autónomos, y la seguridad de la conducción autónoma es tan importante como el lanzamiento y aterrizaje de una nave espacial. Los sistemas optimizados también brillarán en el campo médico del futuro. Puede hacer realidad la medicina de precisión, haciendo que la radioterapia sea más precisa y rápida.
Después del discurso, "AI Technology Review" realizó una entrevista exclusiva con el profesor Michael Sanders.
Comentario sobre tecnología AI: ¡Estoy muy feliz de tener esta oportunidad de entrevistarlo hoy! La primera pregunta es: ¿puede hablarnos de cómo combina la investigación con las aplicaciones industriales y en qué casos específicos ha estado involucrado?
Michael Sanders: Mis casos de aplicación se mencionaron mucho en mi discurso, incluidos algunos casos muy importantes como terapia con medicamentos, fabricación, aeroespacial, biología de sistemas y resonancia magnética nuclear. Como dije antes, no sabemos quién utilizará nuestro software, pero el software universal fomentará más aplicaciones emergentes. Lo que más me gusta es cuando alguien llama a mi puerta y dice: "Profesor, tengo un problema de optimización. ¿Puede ayudarme?". Quiero que todos llamen a mi puerta.
AI Technology Review: ¿Cómo ve la relación entre la inteligencia artificial, el Internet de las cosas y la optimización de sistemas?
Michael Sanders: La inteligencia artificial cubre muchos aspectos, incluidas las matemáticas y la informática.
Resolver el problema del valor mínimo utilizando ecuaciones variables a gran escala suele ser un caso representativo en el campo de la optimización.
Los métodos SVM clásicos resuelven problemas más complejos y hemos demostrado que nuestra solución PDCO se puede aplicar a mayor escala que los métodos existentes.
El Internet de las Cosas incluye sensores. Utilizamos el método más optimizado para estudiar las redes de sensores inalámbricos y detectar dónde están los sensores. Cada sensor puede detectar de forma independiente su distancia de otros sensores cercanos. Por ejemplo, podemos lanzar sensores desde un helicóptero al bosque y dejar que detecte automáticamente si hay un incendio forestal. Sólo unos pocos sensores necesitan conocer la ubicación específica.
Revisión de la tecnología de IA: ¿Es la interconexión entre miles de sensores?
Michael Saunders: Mi estudiante de doctorado, Holly Jin, en su tesis doctoral, pudo identificar miles de sensores, lo cual es muy útil para bosques grandes y es muy importante. Del mismo modo, si los bomberos o los mineros llevaran sensores en el cuerpo, se podría utilizar el mismo método de optimización para buscar su ubicación en un incendio forestal o en una mina colapsada.
Revisión de la tecnología de IA: la tecnología de inteligencia artificial es particularmente popular en China ahora. Como experto en este campo, ¿dónde cree que estará el futuro avance de la tecnología de inteligencia artificial y cuál es la tendencia de esta tecnología?
Michael Sanders: Esa es una buena pregunta. La tecnología de inteligencia artificial lleva mucho tiempo desarrollándose. En 1967, cuando yo era estudiante de doctorado en la Universidad de Stanford, la inteligencia artificial ya era un tema de investigación en informática. Si la IA fuera una burbuja, la burbuja habría estallado hace mucho tiempo.
Los vehículos autónomos suponen un gran reto en el campo de la futura investigación en inteligencia artificial. El fundador de Tesla, Musk, predice que los coches autónomos de Tesla estarán en la carretera por sí solos a finales de este año. Los coches también podrán recoger y dejar a otros pasajeros después del viaje, generando dinero para los propietarios de los coches. No sabemos si esta visión se podrá hacer realidad. Tesla afirma que un chip puede calcular 21 veces más rápido que otros chips. Este es un gran paso adelante y nos acerca un paso más a la IA del futuro.
Revisión de la tecnología de IA: ¿principalmente optimización de chips?
Michael Saunders: Nuestra pregunta ahora es si la dirección futura de las aplicaciones de IA es la conducción autónoma. Esta es una dirección muy importante y cambiará por completo nuestra forma de vida. Soy optimista sobre el futuro de la conducción autónoma.
Pregunta de la audiencia: Actualmente existen dos formas de aprendizaje automático: una es supervisada y la otra no supervisada. ¿Cuál crees que tiene más potencial de desarrollo?
Michael Sanders: Hay tres formas de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Creo que tanto el aprendizaje supervisado como el no supervisado son importantes y los investigadores siempre están trabajando para mejorar los métodos que utilizan. Creo que ambas formas de aprendizaje seguirán evolucionando en el futuro.
Haga clic para leer el texto original y ver el grupo de discusión de intercambio técnico de Python.