close

ტექნოლოგიები

ენერგეტიკატექნოლოგიები

ჩინეთი აშენებს წყალქვეშა მონაცემთა ცენტრს, რომელმიც 90 პროცენტით ნაკლებ ენერგიას მოიხმარს

486 views on

მონაცემთა ცენტრები ბევრ ენერგიას მოიხმარს და ძალიან ცხელდება; ამიტომ, ჩინური კომპანია გეგმავს, სერვერების კაფსულა შანხაის სანაპიროსთან ზღვაში ჩაძიროს, იმ იმედით, რომ გადაჭრის კომპიუტინგის ენერგეტიკულ პრობლემებს.

ქალაქის მახლობლად მდებარე ნავმისადგომზე, მუშები უკვე ასრულებენ დიდ ყვითელ კაფსულაზე მუშაობას — ალტერნატიულ ტექნოლოგიურ ინფრასტრუქტურაზე, რომელიც კითხვის ნიშნის ქვეშ დგას მისი ეკოლოგიური ზემოქმედებისა და კომერციული სიცოცხლისუნარიანობის თვალსაზრისით.

მსოფლიოს საიტები და აპლიკაციები ინფორმაციის შესანახად დამოკიდებული არიან მონაცემთა ფიზიკურ ცენტრებზე. ხელოვნური ინტელექტის გამოყენების ზრდა ამ ინფრასტრუქტურაზე მოთხოვნას საგრძნობლად ზრდის.

„წყალქვეშა ოპერაციებს თანდაყოლილი უპირატესობები აქვს“, — ამბობს საზღვაო აღჭურვილობის კომპანია Highlander-ის წარმომადგენელი იანგ ჰე. კომპანია შანხაის კაფსულაზე სახელმწიფო სამშენებლო კომპანიებთან ერთად მუშაობს.

წყალქვეშა სერვერები დაბალ ტემპერატურას ოკეანის დინებების წყალობით ინარჩუნებს და არა ბევრი ენერგიის მხარჯველი ჰაერის გაგრილების სისტემებით ან წყლის აორთქლებით, როგორც ეს ხმელეთზე განთავსებულ ცენტრებში ხდება.

ამ ტექნოლოგიის ცდები Microsoft-მა 2018 წელს ჩაატარა შოტლანდიის სანაპიროსთან, მაგრამ ჩინური პროექტი, რომელსაც ზღვაში ოქტომბრის შუა რიცხვებში ჩაძირავენ, მსოფლიოში პირველი ამ სახის კომერციული პროექტია.

მოემსახურება ისეთ კლიენტებს, როგორიცაა China Telecom-ი და ხელოვნური ინტელექტის სახელმწიფო კომპანია; ამავე დროს, წარმოადგენს სახელმწიფოს მიერ წახალისებულ, ნაკლები ნახშირბადის გამომყოფი მონაცემთა ცენტრების გეგმის ნაწილს.

„წყალქვეშა ინფრასტრუქტურას გაციებისთვის საჭირო ენერგიის დაახლოებით 90 პროცენტის დაზოგვა შეუძლია“, — ამბობს Highlander-ის ვიცე-პრეზიდენტი იანგ ჰე.

რივერსაიდში კალიფორნიის უნივერსიტეტის ექსპერტის, შაოლეი რენის განცხადებით, მსგავსი პროექტები ამჟამად ფოკუსირებულია „ტექნოლოგიური მიზანშეწონილობის“ ჩვენებაზე.

Microsoft-მა საკუთარი ცდა 2020 წელს წარმატებით დაასრულა, მაგრამ კომერციული ინფრასტრუქტურა ჯერ არ აუშენებია.

რენის განცხადებით, წყალქვეშა მონაცემთა ცენტრების მასშტაბურ მშენებლობამდე საჭიროა დაიძლიოს მშენებლობისა და გარემოზე ზიანის მნიშვნელოვანი გამოწვევები.

ჩინეთში კომპანიებს სახელმწიფო სუბსიდიები ეხმარება — 2022 წელს, კომპანია Highlander-მა ჰაინანში ასეთივე პროექტისთვის 5,63 მილიონი დოლარი მიიღო. პროექტი ჯერ არ დასრულებულა.

„წყალქვეშა მონაცემთა ცენტრების შეჯიბრში იმაზე მეტი სამშენებლო გამოწვევა აღმოჩნდა, ვიდრე თავდაპირველად გვეგონა“, — ამბობს Highlander-ის პროექტის ინჟინერი ჟუ ჟუნი.

ზღვაში დამონტაჟებამდე, ის ხმელეთზე შენდება ცალკეულ კომპონენტებად და თითქმის მთელ ენერგიას ახლომდებარე საზღვაო ქარის ელექტროსადგურებიდან მოიხმარს.

Highlander-ის განცხადებით, მოხმარებული ენერგიის 95 პროცენტზე მეტი განახლებადი წყაროებიდან მოდის.

სტრუქტურის ტალღებქვეშ მოთავსების ყველაზე აშკარა გამოწვევაა მისი შიგთავსის მშრალად შენარჩუნება და მარილიანი წყლის მიერ კოროზიისგან დაცვა.

ამისათვის, ჩინურ პროექტში იყენებენ ფოლადის კაფსულას და დამცავ საფარს, რომელიც მინის ფიფქებს შეიცავს.

იმისათვის, რათა ტექნიკური მომსახურების ჯგუფებს ცენტრთან წვდომა ჰქონდეთ, ცენტრალურ სტრუქტურას წყალს ზემოთ მოთავსებული სეგმენტიდან უერთდება ლიფტი.

რენი ამბობს, რომ მოსალოდნელზე რთული აღმოჩნდა ინტერნეტკავშირის შეერთება ხმელეთზე განთავსებულ სერვერებსა და წყალქვეშა ცენტრს შორის.

ფლორიდის უნივერსიტეტისა და იაპონიის ელექტროკომუნიკაციების უნივერსიტეტის მკვლევრებმა დაადგინეს ისიც, რომ წყალქვეშა მონაცემთა ცენტრები ასევე მოწყვლადია წყალში ხმის ტალღებით თავდასხმების მიმართაც.

ტექნიკური სირთულეების გარდა, კითხვებს ასევე აჩენს წყალქვეშა ცენტრების მიერ გამთბარი წყლის ზემოქმედება ზღვის ეკოსისტემებზე.

ბრიტანეთის ჰალის უნივერსიტეტის საზღვაო ეკოლოგი ენდრიუ უონტი ამბობს, რომ ცენტრების მიერ გამოყოფილმა სითბომ შეიძლება გარკვეული სახეობები მიიზიდოს, ზოგი კი პირიქით.

კომპანია Highlander-ის განცხადებით, სატესტო პროექტმა აჩვენა, რომ მიმდებარე წყალი მიღებულ ტემპერატურულ ზღვარზე დაბლა დარჩა.

მომზადებულია Agence France-Presse-ის მიხედვით.

ანალიტიკოსთა და მეცნიერთა დარბაზი – ,,დოქტრინა”

სრულად ნახვა
მედიცინატექნოლოგიები

უსინათლო ადამიანებმა ჭკვიანი სათვალისა და იმპლანტანტის მეშვეობით ისევ დაინახეს

557 views on

თვალის ყვითელი ხალის, მაკულის, ასაკობრივი დეგენერაცია (AMD) პროგრესირებადი დაავადებაა, რომელიც უსინათლობას იწვევს. ამ მდგომარეობის მქონე ათობით პაციენტში მეცნიერებმა ახალი მეთოდი გამოცადეს, რომელიც თვალის იმპლანტანტსა და ჭკვიან სათვალეს მოიცავს. მათი მეშვეობით ამ ადამიანებმა ხელახლა დანახვა შეძლეს.

მკვლევრების თქმით, პაციენტებს მხედველობა იმ დონეზე აღუდგათ, რომ კროსვორდის შევსება და ბეჭდური წიგნების წაკითხვა მოახერხეს. მონაწილეებს შორის იყვნენ 60 და მეტი წლის ის პირები, რომლებსაც ორივე თვალში AMD-ის დიაგნოზი ჰქონდათ დასმული. მხედველობის მკაფიოობის შეფასების logMAR-ის ცხრილში მათი მაჩვენებელი 1.2 ან ნაკლები იყო.

უნდა აღინიშნოს, რომ ეს დაავადება შეუქცევადია, რადგან თვალის ბადურას ცენტრალურ ნაწილში უჯრედები დროთა განმავლობაში ნადგურდება. სპეციალისტების მიზანი პაციენტებისთვის დაკარგული მხედველობის დაბრუნება იყო, რისთვისაც მზის პატარა ფოტოვოლტური პანელებისგან დამზადებული 2×2-მილიმეტრიანი მოწყობილობა გამოიყენეს. ის ბადურას ქვეშ ქირურგიულად გადანერგეს.

ჭკვიანი სათვალეები, რომლებიც პაციენტებს ეკეთათ, კამერითაა აღჭურვილი და გარემოს მიახლოებულ სურათებს იმპლანტანტს ახლო ინფრაწითელი სინათლით გადასცემს. ამის შემდეგ იმპლანტანტი მცირე ელექტრულ სიგნალს ოპტიკურ ნერვს აწვდის, რითაც ბადურას შემადგენელი უჯრედების ბუნებრივ რეაქციას იმეორებს.

კვლევის ფარგლებში გადანერგვის ოპერაცია 38 ადამიანს ჩაუტარდა, რომელთაგანაც 32 კლინიკურ ცდაში ერთი სრული წლის განმავლობაში მონაწილეობდა. ამ პერიოდის დასრულებისას 26 მათგანს მხედველობა გაუუმჯობესდა, წარმატებით მაჩვენებელი კი 80% იყო. მართალია, ისინი ჯერ კიდევ ბუნტად და შავ-თეთრად ხედავდნენ, თუმცა მეცნიერები ამ მიღწევას “გასაოცარს” უწოდებენ.

ეს ტექნოლოგია ნეიროკომპიუტერულ კომპანია Science Corporation-ს ეკუთვნის; მისი აღმასრულებელი დირექტორი, მაქს ჰოდაკი, ილონ მასკთან ერთად Neuralink-ის თანადამფუძნებელია. Science Corporation-მა თვალის იმპლანტანტის ტექნოლოგია ფრანგულ კომპანია Pixium Vision-ისგან მიიღო.

ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა”

სრულად ნახვა
კომუნიკაციატექნოლოგიები

ხელოვნური ინტელექტი ცვლის შრომის ბაზრის ისტორიას და თანამედროვე რეალობას

1.2K views on

დაიკავებს თუ არა ხელოვნური ინტელექტი ჩვენს სამუშაო ადგილებს? რადგან ხელოვნური ინტელექტი ახალ შიშებს იწვევს უმუშევრობის მომავლის შესახებ, სასარგებლოა განვიხილოთ, თუ როგორ განვითარდა ეკონომისტების გაგება ტექნოლოგიებისა და შრომის შესახებ. ათწლეულების განმავლობაში ეკონომისტები შედარებით ოპტიმისტურად იყვნენ განწყობილნი.

საინტერესოა ტოვებს თუ არა ხელოვნური ინტელექტი იმაზე მეტი რაოდენობის დასაქმებულ ადამიანებს სამსახურის გარეშე, ვიდრე ეს ვინმეს წარმოედგინა ან აქამდე მომხდარა? ეკონომისტების უმეტესობა ამტკიცებს, რომ პასუხი უარყოფითია: თუ ტექნოლოგია სამუდამოდ ათავისუფლებს ადამიანებს სამსახურიდან, მაშინ რატომ არის ახალი ტექნოლოგიების საუკუნეების განმავლობაში დანერგვის მიუხედავად, ჯერ კიდევ ამდენი სამუშაო ადგილი არსებობს და ადამიანი ისევ შრომობს? მათი მტკიცებით, ახალი ტექნოლოგიები ეკონომიკას უფრო პროდუქტიულს ხდის და ადამიანებს საშუალებას აძლევს, ახალ სფეროებში შევიდნენ — მაგალითად, სოფლის მეურნეობიდან წარმოებაზე გადასვლაში. სწორედ ამ მიზეზით, ეკონომისტები ისტორიულად იზიარებენ ზოგად შეხედულებას, რომ ტექნოლოგიური ცვლილებებით გამოწვეული ნებისმიერი რყევა „სადღაც კეთილსა და კეთილსაიმედოს შორისაა“.

მაგრამ, რადგან ხელოვნური ინტელექტის ახალი მოდელები და ინსტრუმენტები თითქმის ყოველკვირეულად გამოდის, შესაბამისად ეს კონსენსუსი ირღვევა. უკვე ფაქტია, რომ ციფრულმა ტექნოლოგიებმა ხელი შეუწყო უთანასწორობის ზრდას აშშ-სა და მთელ მსოფლიოში. მაგალითად, რადგან კომპიუტერებმა ცოდნის მქონე მუშაკები უფრო პროდუქტიული გახადეს და ზოგადად ადამიანებს გაუზარდეს პოტენციალი და შესაძლებლობები, შესაბამისად კვალიფიციურმა მუშა ხელმა შეამცირა მოთხოვნა „საშუალო ხელფასის“ მქონე სამუშაოებზე, როგორიცაა საოფისე თანამშრომელი, ან თანაშემწე და ადმინისტრატორი. შედეგად, ზოგიერთმა ეკონომისტმა დამკვიდრებული თეორიების გადახედვა დაიწყო თუ ტექნოლოგიები, განსაკუთრებით კი ავტომატიზაცია, როგორ გავლენას ახდენს შრომის ბაზრებზე. „შესაძლებლობა, რომ ტექნოლოგიურმა გაუმჯობესებამ შეიძლება გაზარდოს პროდუქტიულობა და ეს, თავის მხრივ გამოიწვევს ყველა დასაქმებულის ხელფასების კლებას გახლავთ ყველაზე მნიშვნელოვანი საკითხი, რომელსაც უნდა მიექცეს ყურადღება და რეალურად კი იგნორირებულია“ – ამაზე საკუთარ ნაშრომში საუბრობენ MIT-დან Daron Acemoglu და ბოსტონის უნივერსიტეტიდან Pascual Restrepo საკუთარ ბოლო დროინდელ კვლევაში.

ავტომატიზაციის ეს ახალი ეკონომიკა ინარჩუნებს ძირითად იდეას, რომ გრძელვადიან პერსპექტივაში ტექნოლოგია ხშირად მუშაკებს უფრო პროდუქტიულს ხდის და ამით მათ ხელფასებს ზრდის საშუალებას აძლევს. თუმცა, ის ასევე ორ მნიშვნელოვან საკითხს წამოჭრის: პირველ რიგში, დიდი განსხვავებაა ტექნოლოგიების არსებული სამუშაოს ავტომატიზაციისთვის გამოყენებასა და სრულიად ახალი შესაძლებლობებს შორის, რომელიც აქამდე არ არსებულა.  მეორეც, ტექნოლოგიების განვითარების ბედი ნაწილობრივ დამოკიდებულია იმაზე, თუ ვინ წყვეტს, თუ როგორ იქნას გამოყენებული იგი. „ხელოვნური ინტელექტი გვთავაზობს უზარმაზარ ინსტრუმენტებს თანამშრომლების გასაძლიერებლად და სამუშაოს გასაუმჯობესებლად. ჩვენ უნდა დავეუფლოთ ამ ინსტრუმენტებს და ვაიძულოთ ისინი ჩვენთვის იმუშაონ“, – წერს MIT-ის ეკონომისტი David Autor.

ეკონომისტები სამყაროს მოდელების აგებით აღიქვამენ. ეს მოდელები ცდილობენ თანამედროვე ეკონომიკის არეული, გაფანტული რეალობის ასახვას, თუმცა ისინი განზრახ გახლავთ გამარტივებული. ამის ძირითადი მიზანი გახლავთ ძირითადი ალტერნატივების და კომპრომისების/ვაჭრობა ილუსტრირება, რომლებსაც ფორმაში მოყავთ და აყალიბებენ ეკონომიკას. ამ პროცესში, ეს მოდელები ხშირად ხელს უწყობენ პოლიტიკის შემქმნელებს, თუ რაზე გაამახვილონ ყურადღება.

რბოლა განათლებასა და ტექნოლოგიას შორის

ეკონომისტების დადებითი შეხედულებები ტექნოლოგიების მიმართ და თუ რას უშვება იგი  შრომის ბაზრებს და როგორ ზემოქმედებს, საკმაოდ პირდაპირი ემპირიული დაკვირვების წყაროდან მომდინარეობს. ამ მიმართულებით 20 საუკუნის ისტორიის მოცულობის ტექნოლოგიური პროგრესით თითქოს ყველა უდნა ავშენებულიყავით. 1900 წლისთვის ამერიკის მოსახლეობის 41% სოფლის მეურნეობით იყო დაკავებული; 2000 წლისთვის კი ეს მაჩვენებელი 2% შეადგენდა. ეს გარდასახვა შესაძლებელი გახდა ახალი ტექნიკის, მაგალითისთვის კომბაინებისა და მოსავლის აღების სხვა მანქანების წყალობით, რომლი სამუშაოც თავდაპირველად ცხენებითა და პირუტყვის დახმარებით ხორციელდებოდა, ხოლო შემდგომში კი ეს პროცესი მექანიზებული გახლდათ. ამავდროულად, მანქანათმშენებლობამ წარმოების ბუმიც გამოიწვია. ახალი ქალაქები და რაიონები შენდებოდა ახალი ინდუსტრიული მრეწველობების ირგვლივ და ამან ამერიკის ეკონომიკა გახადა მეტად ურბანული, მეტად ინდუსტრიული და ძალიან, ძალიან მდიდარი. ამ ყველაფერმა განაპირობა ხელფასების ზრდა და სამუშაო საათების შემცირება, მან ასევე ფიზიკური შრომის ინტენსივობის შემცირება განაპირობა. ეკონომიკის ისტორიკოსის, რობერტ გორდონის თქმით, ამ პროცესების შედეგად ფიზიკურად ყველაზე დამღლელ პროფესიებში დასაქმებული მუშაკების წილი მკვეთრად შემცირდა. ამ ცვლილებებს მრავალი მიზეზი ჰქონდა და ისინი ცალსახად კარგი არ იყო. მიუხედავად ამისა, როგორც გორდონი ასკვნის, მათ მნიშვნელოვნად გააუმჯობესეს ამერიკელების კეთილდღეობა და ეს კი ვერ მოხდებოდა ახალი ტექნოლოგიების გარეშე.

ტექნოლოგიურ პროგრესს აქვს პოტენციალი, რომ ჩვენ გაგვხადოს უფრო პროდუქტიული და მოახერხოს ე.წ. ეკონომიკური ნამცხვრის, ანუ კეთილდღეობის მასშტაბების ზრდა – სწორედ ეს პროცესები განაპირობებენ ეკონომისტების აზროვნებასა და თვალთახედვაში, თუ როგორ მოხდეს კეთილდღეობისა და ზრდის გააზრება. სოფლის მეურნეობის მექანიზაციის გარეშე, ცხოვრების დონის მკვეთრი ზრდა, რაც ბოლო ორი საუკუნის განმავლობაში მსოფლიოს მრავალ ნაწილში შეინიშნებოდა, შეუძლებელი იქნებოდა ჩვენს მიერ ზემოთ ხსენებული პროცესების გარეშე. სწორედ ეს პროცესები აისახა იმ მოდელებში, რომელიც ამ ბუმის ისტორიამ წარმოშვა. მაგრამ, ამ მოდელებში მოიაზრებოდა ერთი გადამწყვეტი თვალთახედვა, – რომ არავინ უნდა დარჩენილიყო ცუდ მდგომარეობაში. თუმცა შედეგებმა მათ საშუალება მისცა, დაემტკიცებინათ, თუ როგორ შეეძლოთ ტექნოლოგიებს უთანასწორობის გაზრდა. კომპიუტერებმა ბევრი პროფესიონალი მუშაკი გაცილებით პროდუქტიული გახადა — ისეთი ინოვაციების წყალობით, როგორიცაა ცხრილები და ელექტრონული ფოსტა —შესაბამისად, გაიზარდა მათი ხელფასებიც. თუმცა, ამან ნაკლები სარგებელი მოუტანა ნაკლები კვალიფიკაციის მქონე მუშაკებს, რამაც გამოიწვია ის, რასაც ჰარვარდის ეკონომისტები Claudia Goldin და Lawrence Katz „განათლებასა და ტექნოლოგიას შორის რბოლა“ დაარქვეს.

აღნიშნული „რბოლის“ მიღმა არსებული აზრი ის გახლდათ, რომ ტექნოლოგიას პოტენციალში არსებული პროდუქტიულობის სარგებლის გამოსავლენად მეტი განათლება სჭირდებოდა, ამიტომ მან მაღალკვალიფიციურ მუშაკებზე მეტი მოთხოვნა შექმნა. სწორედ ამან შექმნა უთანასწორობის პოტენციალი, რადგან მოთხოვნადი, განათლებული მუშაკების ხელფასები უფრო სწრაფად იზრდებოდა, ვიდრე ნაკლებად განათლებული მუშაკების ხელფასები. მეოცე საუკუნის შუა პერიოდში ამერიკაში ეს ეფექტი კომპენსირებული იყო იმით, რომ სულ უფრო მეტი ადამიანმა მიმართა კოლეჯებს კვალიფიკაციის ასამაღლებლად. შესაბამისად, კურსდამთავრებულები აკმაყოფილებდნენ უფრო განათლებული მუშაკების მოთხოვნას, ხოლო დიპლომის არმქონე მუშაკები იმდენად მცირერიცხოვანი იყვნენ, რომ შესაძლებელი იყო მათი შემოსავლებიც გაზრდილიყო და პროგრესს მათ კეთილდღეობაზეც ჰქონოდა გავლენა. თუმცა, როდესაც 1980-იან წლებში კოლეჯში მყოფი ამერიკელების წილი უმაღლეს სასწავლებლებში სტაბილური კლებით ხასიათდებოდა, ტექნოლოგიები და მეცნიერულ ტექნიკური პროგრესი მაინც წინ მიდიოდა – ამ პროცესმა განათლებულ მუშაკებზე ახალი მოთხოვნა უკვე ვეღარ დააკმაყოფილა. ამგვარად, უმაღლესი განათლების მქონე პირთა ხელფასები გაცილებით სწრაფად გაიზარდა, ვიდრე დიპლომის არმქონეთა, რამაც უთანასწორობა გაზარდა.

ეს მოდელები ილუსტრირებდა ე.წ. „კვალიფიკაციებზე ორიენტირებული ტექნოლოგიური ცვლილების“ სურათს და ასახავდა ტექნოლოგიური ფორმების მუშაობის ძირითად ასპექტებს. ის, როგორც წესი, გვხდის უფრო პროდუქტიულს, მაგრამ ზოგიერთ პროფესიასა და უნარ-ჩვევებზე შეიძლება უფრო მეტად იმოქმედოს, ვიდრე სხვებზე. „სიმარტივის მიუხედავად, ეს მოდელები საკმაოდ კარგად აჯამებენ ხელფასების შესახებ საუკუნის მონაცემებს“ – როგორც MIT-ის ეკონომისტმა David Autor 2015 წელს, როდესაც მას ამ სფეროში მისი მუშაობის შესახებ ვკითხე. პრობლემა, როგორც მან ჩემთან ერთ-ერთ ბოლო საუბარში თქვა, ის არის, რომ ძველი მოდელები ვარაუდობდნენ, რომ ტექნოლოგიურმა პროგრესმა „შეიძლება ზოგიერთი ნავი სხვებზე მეტად აწიოს, მაგრამ თავად არცერთ ნავს არ წევს დაბლა“. თუმცა, როდესაც ციფრულმა ტექნოლოგიებმა გლობალური ეკონომიკა შეცვალა, „ბევრი მტკიცებულება გაჩნდა იმისა, რომ ადამიანები უარეს მდგომარეობაში აღმოჩნდნენ“.

როდის ქმნის ტექნოლოგია ახალი სახეობის სამუშაო ადგილებს და როდის ვერ ხდება ეს.

რატომ ხდება, რომ ზოგიერთი ახალი გამოგონება ზოგიერთ შემთხვევაში ხელფასებს დიდი მოცულობით ზრდის – მცირედით მაინც, საბოლოო ჯამში – მაშინ როცა, სხვა დასაქმებულთა დიდი ნაწილის მდგომარეობა უარესდება? ბოლო ათწლეულის განმავლობაში, ეკონომისტებმა ამ კითხვას უპასუხეს და ახსნეს იმით, რომ განასხვავეს ის ტექნოლოგიები, რომლებიც ქმნიან სამუშაოს ახალ სახეობებს და ის ტექნოლოგიები, რომლებიც უბრალოდ არსებული რუტინული საქმის ავტომატიზაციას ახდენენ უკვე არსებული სამუშაოებისა, რომელსაც ადრე ადამიანი ასრულებდა.

ამ ახალი მოდელებისკენ მიმავალი გზა 2000-იანი წლების პერიოდში დაიწყო, როდესაც ეკონომისტებს  მონაცემთა უფრო მდიდარ ბაზაზე შეექმნათ წვდომა და სამუშაოს ინდივიდუალურ ამოცანებად დაყოფა დაიწყო. მაგალითად, მკვლევრის სამუშაო შეიძლება მოიცავდეს მონაცემების შეგროვებას, მონაცემთა ანალიზს და ანგარიშების წერას. თავდაპირველად, სამივე ამოცანას ადამიანი ასრულებს. თუმცა, დროთა განმავლობაში, ტექნოლოგიამ მონაცემთა შეგროვების ამოცანა შეიძლება ითქვას გადაიბარა, რის შედეგადაც მკვლევარს ანალიზის ჩატარება და ანგარიშის დაწერის ფუნქცია დარჩა. კონკრეტული დავალების შესრულებაზე ორიენტირებული მოდელები საშუალებას იძლეოდა, უფრო დეტალურად შესწავლილიყო ტექნოლოგიების გავლენა სამუშაოზე და ხელი შეუწყო აშშ-სა და მსოფლიოს დიდ ნაწილში მზარდი უთანასწორობის ახსნას. 1980-იანი წლებიდან მოყოლებული, ციფრულმა ტექნოლოგიამ ნელ-ნელა დაიწყო იმ ამოცანების შეცვლა და შესრულება, რომლებიც საშუალო ხელფასიან სამუშაოებს უკავშირდებოდა, როგორიცაა ბუღალტერია ან საოფისე საქმიანობა. თანამედროვე ტექნოლოგიებმა დაიწყო მრავალი მაღალკვალიფიციური ამოცანის შესრულება  — როგორიცაა მონაცემთა ანალიზი და ანგარიშების შედგენა და ეს მიმართულებები უფრო ეფექტური და მომგებიანი გახადა. მაგრამ, როგორც კი საშუალო ფენის დასაქმებულების ამოღება მოხდა პროცესიდან, მათგან ბევრმა დაბალანაზღაურებად სამუშაოზე გადაინაცვლა — და რადგან სამუშაო ძალის სიჭარბე იყო, ანაზღაურებაც კიდევ უფრო დაეცა ზოგ უკვე დაბალშემოსავლიან პოზიციაზე. 1980-იანი წლებიდან ოცდამეერთე საუკუნის დასაწყისამდე, დასაქმების ზრდა გაიყო ორ მიმართულებად: მაღალანაზღაურებად ინტელექტუალურ შრომად და დაბალანაზღაურებად მომსახურების სფეროდ.

ამოცანებზე დაფუძნებულმა ხედვამ კიდევ უფრო გამოარკვია კვალიფიკაციისა და პროფესიონალიზმის მნიშვნელობა — გადამწყვეტია, კონკრეტულად რომელ ამოცანებს ჩაანაცვლებენ კომპიუტერები.  დასაქმებულის პერსპექტივიდან, უკეთესია, როდესაც მანქანები მექანიკურ, რუტინულ ან მექანიკურ, მომაბეზრებელ შრომას იღებენ საკუთარ თავზე — ოღონდ აქ გასათვალისწინებელია შენ თუ შეძლებ შენი კვალიფიკაციის გამოყენებით კვლავაც შეინარჩუნო ფუნქცია და შეძლებ უფრო ღირებული ამოცანების შესრულებას, რომ ადამიანი დარჩე დასაქმებული და გქონდეს ანაზღაურება. ამ ხედვის ერთ-ერთ შეზღუდვას თავდაპირველად ის წარმოადგენდა, რომ იგი შესაძლო ამოცანების სიას სტატიკურად მიიჩნევდა. თუმცა, როდესაც მკვლევრებმა სამუშაო თანამდებობებისა და მოთხოვნების ევოლუციის სისტემატიზება მოახდინეს აღმოაჩინეს, რამდენად ბევრ ადამიანს აქვს ისეთი სამუშაო, რომელიც თურმე ცოტა ხნის წინ საერთოდ არ არსებობდა.

2018 წელს დასაქმების 60%-ზე მეტი იმ სამუშაო პოზიციებზე მუშაობდა, რომლებიც 1940 წელს საერთოდ არ არსებობდა, — როგორც ეს  David Autor კვლევაშია ნახსენები. 1980 წელს, მოსახლეობის აღწერის ბიურომ „დისტანციურად მართვადი სატრანსპორტო საშუალებების კონტროლიორები“ დაამატა პროფესიათა სიაში; ხოლო 2000 წელს — სომელიეები.
ეს მაგალითები ასახავს ორ მჭიდრო გზას, როგორ შეუძლია ტექნოლოგიას ახალი შრომის შექმნა: პირველ შემთხვევაში, ტექნოლოგიამ პირდაპირ წარმოშვა ახალი ტიპის პროფესია, რომელიც ახალი უნარების მოთხოვნას გულისხმობდა; ხოლო მეორე შემთხვევაში, მეტად მდიდარმა საზოგადოებამ — კომპიუტერებითა და დისტანციურად მართვადი მოწყობილობებით გაჯერებულმა — მომხმარებლებს მისცა საშუალება, ფული დაეხარჯათ ახალ ექსტრავაგანტულ სერვისზე, როგორიცაა სომელიეს მომსახურება.

ზოგიერთი ეკონომისტის შეფასებით, სწორედ ეს „ახალი შრომა“ წარმოადგენს მთავარ გასაღებს იმის გასაგებად, თუ როგორ ზემოქმედებს ტექნოლოგია შრომის ბაზარზე. მათი თვალთახედვიდან ის, თუ რამდენად სასიკეთოა ტექნოლოგიური ცვლილება დასაქმებულთათვის, დამოკიდებულია იმაზე, შეძლებს თუ არა საზოგადოება ისეთი ახალი საქმიანობების გამოგონებას, სადაც ადამიანები კვლავ შეძლებენ წარმატების მიღწევას — მაგალითად, დისტანციურად მართვადი მოწყობილობების ოპერირება. თუ ეკონომიკა სწრაფად ქმნის ახალ პროფესიულ როლებს, სადაც ადამიანური უნარებია საჭირო, მაშინ ის მეტ-ნაკლებად შთანთქავს ტექნოლოგიური პროგრესის გვერდითი ეფექტების, გამოდევნილი დასაქმებულების პრობლემას.

ამ იდეას Acemoglu and Restrepo 2018 წელს ფორმალური მოდელის სახე მისცეს, სადაც ავტომატიზაცია კონკურენციაშია ახალი ამოცანების მქონე სამუშაო ადგილების შექმნასთან. ახალი ტექნოლოგიები სამუშაოებს აქრობენ, მაგრამ ასევე წარმოქმნიან ახალ საქმეს ადამიანებისთვის; თუმცა, თუ შეცვლა უსწრებს ახალ შრომას, ანაზღაურება როგორც წესი იწევს დაბლა.

როდესაც ეკონომისტებმა თავიანთი თეორიებს გადახედეს, რეკომენდაციების გადააზრებაც მოხდა. განათლებასა და ტექნოლოგიას შორის „რბოლის“ ეპოქაში ისინი იძლეოდნენ რეკომენდაციას ყურადღება იყოს გამახვილებული, რომ სულ უფრო მეტმა ადამიანმა მიიღოს უმაღლესი განათლება, ან სხვა ნებისმიერი გზით მოხდეს პროფესიული უნარ-ჩვევების ამაღლება. დღეს კი, ტენდენცია ისეთია, რომ უფრო მეტად ამახვილებენ ყურადღებას ახალი სამუშაო ადგილების შექმნის მნიშვნელობაზე, ასევე იმ პოლიტიკებისა და ინსტიტუტების მხარდაჭერაზე, რომლებიც ამ პროცესს შეუწყობენ ხელს.

„ტექნოლოგიები ჩვენს ცხოვრებას მაშინ „გარდაქმნიან ფუნდამენტურად“ როდესაც ჩვენ მათ მივცემთ შესაძლებლობას, რომ სრულიად თავად შეასრულონ ის საქმიანობა, რასაც ახლა ჩვენ ვაკეთებთ და შეგვიძლია გავაკეთოთ — ნათქვამია David Autor კვლევაში. ინტერნეტი უბრალოდ მხოლოდ უკეთესი ხერხი კი არ იყო სატელეფონო კომუნიკაციისთვის, ანდა ელექტროენერგია მხოლოდ გაზის განათების ალტერნატივა კი არ ყოფილა… ყველაზე მნიშვნელოვანი ტექნოლოგიები სრულიად ახალ კატეგორიებს ქმნიან ადამიანური საქმიანობისთვის. ეს კი გულისხმობს როგორც ახალ სამუშაოებს, ასევე ახალ მოთხოვნას — იმ გარემოში, სადაც საზოგადოება უფრო მდიდრდება.

ეს უკავშირდება მენეჯმენტის ერთ ძველ იდეას, რომელსაც რეორგანიზაცია ეწოდება. 1990 წელს მაიკლ ჰამერმა გამოაქვეყნა ცნობილი სტატია ჟურნალ Harvard Business Review-ში, სადაც მენეჯერებს მოუწოდებდა: „ნუ მოაასვალტებთ ძველ ბილიკებს“ — ანუ, არსებული პროცესები უბრალოდ არ უნდა ავტომატიზირდეს; უნდა მოხდეს მათი თავიდან ფუნდამენტურად გადააზრება.
Acemoglu და სხვა მკვლევართა „ახალი ამოცანების“ მოდელებიც მსგავს დასკვნამდე მიდის: არ უნდა შემოვიფარგლოთ იმ ამოცანების ავტომატიზაციით, რაც დღეს ხელოვნურმა ინტელექტმა და რობოტებმა შეიძლება შეასრულოს. საჭიროა სრულიად ახალი გზების ძიება და აღმოჩენა — როგორ გააუმჯობესოს ხელოვნურმა ინტელექტმა ჩვენი ცხოვრება და როგორ შევუწყოთ ხელი ადამიანებს, რომ განავითარონ და გამოიყენონ საკუთარი შესაძლებლობები და კვალიფიკაცია.

ვინ იქნება გადაწყვეტილების მიმღები?

რომელ ამოცანებს აიღებს ხელოვნური ინტელექტი საკუთარ თავზე, ნაწილობრივ დამოკიდებულია იმაზე, ვინ იღებს შესაბამის გადაწყვეტილებებს — და რა გავლენა აქვთ ამ პროცესში დასაქმებულებს. წინა წელს ჰოლივუდის სცენარისტებმა ხელი მოაწერეს ახალ კოლექტიურ ხელშეკრულებას, რომელიც ნაწილობრივ ეხებოდა AI-ის გამოყენებას სცენარის შექმნის პროცესში. Molly Kinder-მა Brookings Institution მკვლევარმა ამ პროცესებს მიუძღვნა პროფესიური სიტუაციური ანალიზი და დაასკვნა:

“გილდიამ, რასაც სექტემბერში მიაღწია ხელშეკრულებით, ისტორიული პრეცედენტი დაამყარა: სცენარისტების გადასაწყვეტია, გამოიყენებენ თუ არა გენერაციულ AI-ს და როგორ — როგორც დამხმარე და შევსების ინსტრუმენტი, მაგრამ არავითარ შემთხვევაში — ჩანაცვლება. საბოლოოდ, თუკი გენერაციული AI გამოიყენება, ხელშეკრულება ითვალისწინებს, რომ სცენარისტს სრულად ეკუთვნის ავტორობის უფლება და შესაბამისი ანაზღაურება.

პროფკავშირებს ტექნოლოგიასთან საკმაოდ რთული ურთიერთობა აქვთ და ავტომატიზაციის მიმართ, ხშირად სკეპტიკურად არიან განწყობილნი. აქაც ჩანს, როგორ შეიცვალა ეკონომისტების მიდგომა. 1980-იან წლებში გაბატონებული მოსაზრება იყო, რომ პროფკავშირიან ფირმებს ნაკლები მოტივაცია ჰქონდათ ინოვაციებსა და ახალ ტექნოლოგიებში ინვესტირებასთან დაკავშირებით. რადგან, პროფკავშირები უზრუნველყოფდნენ, რომ სარგებელი ძირითადად მუშაკებს დარჩენოდა, თვლიდნენ, ინვესტორებს ნაკლები სტიმული ექნებოდათ კვლევასა და განვითარებაში ფულის ჩადებისთვის. თუმცა, როგორც ლონდონის ეკონომიკის სკოლის ეკონომისტი ჯონ ვან რინენი აღნიშნავს, ამ საკითხზე ფიქრის რამდენიმე ალტერნატიული გზაც არსებობს: კომპანიები, რომლებიც ეფექტიანად იყენებენ ახალ ტექნოლოგიებს, როგორც წესი, უფრო მეტ ანაზღაურებას იხდიან, რადგან მათ პროდუქტიულობა და მომგებიანობაც მაღალი აქვთ. ვან რინენის თქმით, შესაბამის პირობებში, პროფკავშირებს შეუძლიათ დაეხმარონ დასაქმებულებს, რომ მოგების რაღაც წილზე პრეტენზია ჰქონდეთ — მაგალითად, უფრო მაღალი ხელფასის სახით. ერთ-ერთ ნაშრომში იგი ციტირებს ჯონ ჰოჯს, აშშ-ის ფეროშენადნობთა ყოფილი ხელმძღვანელს, რომელმაც ერთხელ თქვა: „მანქანის წინააღმდეგ არ ვიმოქმედებთ, თუ ნაძარცვის სამართლიან წილს მივიღებთ.’“

დასაქმებულთა ჩართულობა — რომელსაც ხშირად პროფკავშირები უზრუნველყოფენ — შესაძლოა კომპანიებს უფრო მეტი პროდუქტიულობისკენაც უბიძგოს AI-ის უფრო მეგობრული და კოლეგიალური გამოყენებით. „საბოლოოდ შეგვიძლია დავასკვნათ, რომ დღეს დღის წესრიგში დგება ხედვა, რომ მიმდინარე ინოვაციური პროცესები გარდაუვალია, სასურველია და საუკეთესო გზაა დავადგინოთ, თუ როგორ უნდა გამოვიყენოთ AI მაქსიმალური ეფექტურობით“, — ამბობს Molly Kinder. „ამიტომ, ბიზნესის თვალსაზრისითაც ლოგიკურია, რომ თანამშრომლები პროცესის მონაწილენი უნდა იყვნენ.“

„დასაქმებულთა ჩართულობა ასევე შეიძლება იყოს იმ ნეგატიური ეფექტების წინააღმდეგ დამცავი ბარიკადი, რომელზეც MIT-ის Acemoglu თავის კვლევებსა და ახალ წიგნში “so-so technology” მიუთითებდა. „So-so technology“ სადაც ე.წ. „ისე რა ხარისხის ტექნოლოგიური პროცესი შეიძლება ვუგულისხმოთ“. იდეა იმაში მდგომარეობს, რომ ზოგჯერ კომპანიები ავტომატიზაციას მიმართავენ საკმაოდ არაეფექტურად, მხოლოდ დასაქმებულების ჩანაცვლების კუთხით და არა იმ კუთხით, რომ მნიშვნელოვნად გაიზარდოს პროდუქტიულობა, რომ ეს პროცესი ღირდეს ამად. მაგალითის სახით შეიძლება მოყვანილი იყოს თვითმომსახურების აპარატები სალაროებთან ისინი იმ დონეზე ეფექტიანად ფუნქციონირებენ, რომ აკარგვინებენ სამუშაოს მოლარეებს, მაგრამ ამ პროცესის ადაპტაცია არ ხდება იმ კუთხით, რომ ეკონომიკის მასშტაბით მნიშვნელოვანი ზრდა გამოიწვიოს ან სხვა სექტორებში ახალი მოთხოვნა წარმოქმნას.

მთელი წიგნებია დაწერილი იმაზე, თუ რა გავლენას ახდენს ეკონომიკა პოლიტიკის შემმუშავებლებზე. შესაძლოა, ეს გავლენა გადამეტებულად იყოს შეფასებული: პოლიტიკას როგორც წესი უფრო ხშირად განსაზღვრავს ჩვეულებრივი პრაგმატული სიტუაციური პროცესები, ვიდრე ეკონომიკის სახელმძღვანელოები, კარგია ეს თუ ცუდი ასეა. თუმცა, ეკონომიკურ კვლევებში არსებული მექანიზმები მაინც მნიშვნელოვანია: ერთის მხრივ, ისინი გვეხმარება გავიგოთ, როგორ მუშაობს ეკონომიკა; მეორეს მხრივ კი, თვითონ ეს მოდელებიც რეალურ გავლენას ახდენს იმაზე, როგორ მსჯელობს საზოგადოება იმაზე, როგორ უნდა მოქმედებდნენ მთავრობები.

მთელი ათწლეულების განმავლობაში, ეკონომისტები ამბობდნენ, რომ ტექნოლოგიამ ყველას მდგომარეობა გააუმჯობესა და — როგორც წესი — არავინ დარჩენილა წაგებული. მაშინაც და ახლაც მართებულად აღნიშნავდნენ, რომ ტექნოლოგია ერთ-ერთი ყველაზე სანდო გზაა საზოგადოებისთვის ცხოვრების დონის ასამაღლებლად. მაგრამ ის ფაქტი, თუ როგორ შეუძლია მას ადამიანების დეზორიენტაცია და დაზარალება, საკმაოდ დაგვიანებულად იქნა აღიარებული.

ავტომატიზაციის ეკონომისტების უფრო თანამედროვე მოდელები მნიშვნელოვან გაკვეთილებს გვთავაზობენ მომავალი ტექნოლოგიური ტალღისთვის. თუ ხელოვნური ინტელექტი მართლაც უნდა გახდეს საყოველთაო კეთილდღეობის ეპოქის ინიციატორი, ორი პირობა უნდა შესრულდეს. პირველი — მან უნდა შექმნას ისეთი ახალი სახის შრომა, სადაც ადამიანებს წარმატების მიღწევა შეუძლიათ — ისეთი ამოცანები, რომლებიც აქამდე არ არსებობდა. მეორე — გადაწყვეტილებების მიღება ყველა დონეზე, როგორც კომპანიებში, ისე სახელმწიფო სტრუქტურებში, უნდა მოიცავდეს დასაქმებულთა ხმასაც. ეს არ ნიშნავს იმას, რომ მაინცდამაინც დასაქმებულებს უნდა ჰქონდეთ ვეტოს უფლება AI-ის ყველა გამოყენების სცენარზე, ან რომ მოითხოვდნენ არ უნდა მოხდეს სამუშაო ადგილების ოპტიმიზაცია ან თუნდაც გაქრობა. მაგრამ, ის აუცილებლად ნიშნავს იმას, რომ მათ უნდა ჰქონდეთ რეალური შესაძლებლობა, მათ პოზიციას გავლენა ჰქონდეს გადაწყვეტილებებზე.

ზოგადად, ეკონომისტები ნაკლებად პესიმისტურად უყურებენ AI-ს, ვიდრე ბევრი სხვა. იშვიათად პროგნოზირებენ სამუშაოსგან დაცლილ მომავალს. მათთვის ნათელია, რომ ისევე, როგორც წარსულის მრავალი სხვა მასშტაბური ტექნოლოგიური პროგრესი, ხელოვნურ ინტელექტს აქვს პოტენციალი, ძირეულად გააუმჯობესოს ჩვენი ცხოვრება. მთავარი კი, როგორც Author ამბობს, იმაში მდგომარეობს, რომ ეს პროცესები ჩვენთვის სასარგებლოდ უნდა გამოვიყენოთ.

Walter Frick

Harvard Business Review, May 27, 2024

Harvard Business Review-ის კონტრიბუტორი რედაქტორი და ყოფილი ხელმძღვანელი, ის გამოირჩევა ეკონომიკისა და ბიზნესის თემებზე წერის უნარით და ხშირად ეხება ისეთ საკითხებს, როგორიცაა ინფლაცია, მონაცემებზე დაფუძნებული გადაწყვეტილებები და ტექნოლოგიური ცვლილებების გავლენა ეკონომიკაზე. ვალტერ ფრიკს აქვს ჰარვარდის უნივერსიტეტის ბაკალავრის ხარისხი სოციალური მეცნიერებების მიმართულებით. Nonrival-ის დამფუძნებელი — საინფორმაციო ბიულეტენი, სადაც მკითხველები ეკონომიკასა და ბიზნესზე პროგნოზებს აკეთებენ. Quartz-ის აღმასრულებელი რედაქტორი, ასევე Harvard-ის Nieman Foundation-ის სტუმარი მკვლევარი და Berkman Klein Center-ის Assembly Fellow. მისი სტატიები გამოქვეყნებულია ისეთ გამოცემებში, როგორიცაა The Atlantic, MIT Technology Review, The Boston Globe და BBC.

თარგმნა და კომენტარები დაურთო: 07.07.2025

გიორგი მიქანაძე

– ინოვაციური ეკონომიკური პოლიტიკის მკვლევარი, თსუ ეკონომოკური პოლიტიკის დოქტორანტი

ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა”

სრულად ნახვა
ბიოლოგიაკვლევებიკომუნიკაციამედიცინა

ისტორიაში პირველად, ხელოვნური ნეირონისა და ტვინის ნამდვილი უჯრედის კომუნიკაცია შედგა

691 views on

მასაჩუსეტსის უნივერსიტეტში მომუშავე მეცნიერებმა განსაკუთრებული ხელოვნური ნეირონი შექმნეს — მან ბიოლოგიურ ნეირონთან პირდაპირი კომუნიკაციის დამყარება შეძლო, რაც აქამდე არასდროს მომხდარა. მათ შორის ელექტრული ინფორმაციის მიმოცვლა ისე შედგა, როგორც ბუნებრივად ხდება ხოლმე, იმავე ძაბვისა და ენერგიის გამოყენებით.

მკვლევრები წლებია, რაც ამგვარ ნეირონებს ქმნიან და კომპლექსურ მოწყობილობებთან აკავშირებენ. ამის მიუხედავად, მათი ფუნქციონირება ჩვენი ტვინისას ვერც შეედრება. ახალი ტიპის ხელოვნური ნეირონი რეალურთან ყველაზე მიახლოებულია, რადგან ის სხვებზე 10-ჯერ ნაკლებ ძაბვასა და 100-ჯერ ნაკლებ ენერგიას საჭიროებს.

აქამდე არსებული მოდელები ზედმეტად “ხმაურიანი” იყო იმისთვის, რომ ბიოლოგიურ უჯრედებთან კომუნიკაცია დაემყარებინა. მათგან განსხვავებით, ახალი სინთეზური ნეირონი “ჩუმია”, რაც ინფორმაციის გადაცემას ამარტივებს.

“ის მხოლოდ 0.1 ვოლტ ძაბვას აღწევს. ეს დაახლოებით იგივეა, რაც ჩვენს სხეულში არსებულ ნეირონებში ფიქსირდება”, — აცხადებენ მეცნიერები.

ხელოვნური და ბიოლოგიური ნეირონების დაკავშირების აქამდე ნაცადი გზები ნაკლებად ბუნებრივი იყო, მაგალითად, სინათლის მეშვეობით. ახლა მკვლევრებმა ცილების ისეთი ნანომავთულები გამოიყენეს, რომლებიც ბაქტერიამ წარმოქმნა. ბუნებრივი ფორმირების გამო ამ სტრუქტურებს ნამდვილი ნეირონებისთვის დამახასიათებელ ნოტიო გარემოში გადარჩენა შეუძლია.

ავტორები ამბობენ, რომ ასეთი მოდელები ნეირომორფული ინტეგრაციის პოტენციალს ზრდის (ნეირომორფული კომპიუტერები ადამიანის ტვინითაა შთაგონებული). მათი თქმით, ამჟამად ხელმისაწვდომი ისეთი სენსორები, რომელთაც სხეულზე ვიმაგრებთ, არაეფექტიანია. კომპიუტერმა მათ მიერ მიღებული სიგნალი რომ გააანალიზოს, ჯერ ის ელექტრულად უნდა გაძლიერდეს, რათა აღქმადი გახდეს.

ეს პროცესი მოხმარებულ ენერგიასაც ზრდის და რთული სტრუქტურის წრედსაც საჭიროებს. დაბალი ძაბვის ნეირონებით აღნიშნული დაბრკოლების გადალახვის საშუალება გვეძლევა, რადგან მათ შემთხვევაში სიგნალის გაძლიერება აუცილებელი აღარაა.

თავიანთ მიღწევაზე ავტორები გამოცემა Nature Communications-ში გამოქვეყნებულ ნაშრომში გვიყვებიან.

მომზადებულია პორტალ on.ge-ს მიერ

ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა”

 

 

 

სრულად ნახვა
ტექნოლოგიები

AI გლობალურად ცვლის შრომის ბაზარს

1.09K views on

დიდი ხანია ბევრი ღელავს და ფიქრობს თუ როგორი გავლენა ექნება ხელოვნურ ინტელექტს შრომის ბაზარზე. ზოგიერთები ამ პროცესს ძველ ინოვაციებს ადარებენ, დაახლოებით ისეთს, როგორიც იყო რობოტები, რომელთა ეფექტებიც შედარებით მოკრძალებული იყო. მაშინ, როცა ნაწილი ფიქრობს, რომ გენერაციული  ხელოვნური ინტელექტის გავლენა იქნება გაცილებით მასშტაბური და დრამატული.

2000-იანი წლების დასაწყისში როდესაც ამერიკულმა კომპანია ამაზონმა, რომელიც ამერიკაში ერთ-ერთი მთავარი დამსაქმებელია, წარადგინა რობოტები Kiva რომ სასაწყობო საქმიანობის ავტომატიზაცია მოეხდინა, თანამშრომლებმა პროტესტი გამოთქვეს და შეშინდნენ როცა დაინახეს საფრთხე, რომ ისინი შეიძლება მალე საჭირონი აღარ ყოფილიყვნენ. იკვეთებოდა, რომ მექანიკური მანქანები სულ უფრო მეტი ადამიანის სამუშაო საქმეს ითვისებდნენ. დღეს მიღწევები გენერაციული ხელოვნურ ინტელექტში და სხვადასხვა ხელოვნური ინტელექტის ენები უამრავი ინდუსტრიის ტრანსფორმაციას განაპირობებენ. შესაბამისად, მღელვარება და შიშები ახლა გაცილებით რეალური და ლოგიკურია. განსხვავებით ძველი მეცნიერულ ტექნიკური პროგრესისა და ტექნოლოგიური გარდაქმნებისა, გენერაციულ ხელოვნურ ინტელექტს აქვს უნიკალური და რეალური პოტენციალი ნებისმიერი სახის პროფესიაზე მოახდინოს ზეგავლენა, თანაც ისე რომ ამ მიმართულების პროდუქტიულობა და ეფექტურობა სულ უფრო მეტად გაზარდოს და გააუმჯობესოს დროში. აღნიშული გულისხმობს კიდევ უფრო ღრმად წასვლას ვიდრე ეს უბრალოდ სამუშაოს ჩანაცვლებაა.

ახალ კვლევაში, რომელიც მენეჯმენტის მიმართულებითაა გამოქვეყნებული, ჩვენ აღმოვაჩინეთ რომ გენერაციულმა ხელოვნურმა ინტელექტმა უკვე მოახდინა გავლენა შრომის ბაზარზე. ჩვენ, გარკვეული პერიოდის განმავლობაში ვაკვირდებოდით ონლაინ ფრილენსერების ბაზარს და მის ტენდენციებს. ჩვენმა დაკვირვებებმა აჩვენა მნიშვნელოვანი მოკლევადიანი სამუშაოების ფაქტობრივი ჩანაცვლება მას შემდეგ რაც რიგი ხელოვნური ინტელექტის სერვისებისა გახდა ხელმისაწვდომი. შესაბამისად, ავტომატიზაციისაკენ მიდრეკილი სამუშაოები როგორიცაა გარკვეული სტანდარტული წერილების წერა და კოდირება, ყველაზე მეტად მოექცია ChatGPT გავლენის ქვეშ. ჩვენმა ნაშრომმა გამოიკვლია ასევე როგორ შეიცვალა კონკურენცია, სამუშაო მოთხოვნები და დამსაქმებლის მიერ ამ მიმართულებით ხარჯის გაწევის მზაობა, რომ დაგვედგინა როგორ ვითარდება ონლაინ შრომის ბაზარი ხელოვნური ინტელექტის აღზევების პარალელურად. მიუხედავად იმისა, რომ შეიძლება ითქვას გენერაციული ხელოვნური ინტელექტის თავისი განვითარების საწყის ეტაპზეა, მისი გავლენა დისტანციურ სამუშაო ბაზარზე უკვე შესამჩნევი ხდება, რამაც შეიძლება განაპირობოს სამუშაოს მაძიებელთა მეტი ორიენტირება გრძელვადიან სამუშაოებზე, რამაც თავის მხრივ შეიძლება განაპირობოს რიგი გამოწვევებიც და შესაძლებლობებიც.

გენერაციული ხელოვნური ინტელექტის გავლენა დისტანციურ სამუშაო ბაზარზე

სამუშაოს ჩანაცვლების ეფექტი

ჩვენი კვლევის განსახორციელებლად ჩვენ გავაანალიზეთ 1 388 711 ვაკანსია წამყვანი გლობალური ონლაინ ფრილენსელური პლატფორმები 2021 წლის ივლისიდან 2023 წლის ივლისამდე. ონლაინ ფრილენსელური პლატფორმები იძლევიან დაკვირვების კარგ და ეფექტურ საშუალებას, რომ დადგინდეს ტენდენციები და დინამიკები, რადგან მათ ამ პლატფორმებზე აქვთ ციფრული, დავალებაზე ორიენტირებული, და მოქნილი სამუშაოს შესრულების შესაძლებლობა. ჩვენ ვიყავით ორიენტირებული გაგვეანალიზებინა და წარგვედგინა ორი სახის გენერაციული ხელოვნური ინტელექტის ინსტრუმენტები: ChatGPT და Image-Generating AI. კონკრეტულად კი ჩვენ გვინდოდა დაგვედგინა შეამცირა თუ არა ამ ინსტრუმენტების დანერგვამ და გავრცელებამ ამ პლატფორმაზე სამუშაო ადგილებზე მოთხოვნა და თუ ეს ასეა, რომელი ტიპის სამუშაო ადგილებსა და შრომის უნარებზე იყო ეს ყველაზე მეტად ასახული და რამდენად ძლიერად.

სხვადასხვა კომპიუტერული ალგორითმების გამოყენებით, შესაბამისად სამუშაო პოზიციების აღწერილობიდან გამომდინარე, ჩვენ თავდაპირველად დავაჯგუფეთ ვაკანსიები სხვადასხვა კატეგორიების მიხედვით. შემდგომ ამ კატეგორიების კლასიფიცირება მოვახდინეთ სამ ტიპად:

  • ხელით შესასრულებელი სამუშაოები (მაგ.: მონაცემების მართვა და საოფისე მენეჯმენტი, ვიდეო და აუდიო სერვისები);
  • ავტომატიზაციისაკენ მიმართული სამუშაოები (მაგ.: წერა, პროგრამული უზრუნველყოფა, აპლიკაციები, ვებგვერდის განვითარება და მართვა)
  • სურათების გენერირების სამუშაოები (მაგ.: გრაფიკული დიზაინი და 3 განზომილებიანი მოდელირება).

ამის შემდგომ ჩვენ გამოვიკვლიეთ და დავადგინეთ თუ რა გავლენა იქონია გენერირებულმა ხელოვნურმა ინტელექტმა ზემოთ ხსენებულ კლასიფიცირებული ტიპების სამუშაოებზე სხვადასხვა მიმართულებით.

ჩვენ აღმოვაჩინეთ, რომ ChatGPT და სურათების გენერირების სხვადასხვა ინსტრუმენტების  ბაზარზე გამოსვლამ შეიძლება ითქვას მყისიერად შეამცირა ონლაინ მოკლევადიანი და კონკრეტულ პროექტებზე ერთდროული თუ სხვა დისტანციური სამუშაოზე ორიენტირებული სამუშაოები სრული მასშტაბით, მაგრამ განსაკუთრებული გავლენა მოახდინა ავტომატიზაციაზე მიმართულ სამუშაო ადგილებზე. ChatGPT წარდგენის შემდგომ ავტომატიზაციისაკენ მიდრეკილი სამუშაო ადგილების ყოველკვირეულმა შედარებამ 21%-იანი შემცირება დააფიქსირა ხელით მუშაობაზე ორიენტირებულ სამუშაოებთან შედარებით; სამუშაოებზე სადაც წერა მოითხოვებოდა შემცირება 30.37% მოხდა; იქ სადაც პროგრამული უზრუნველყოფა, აპლიკაციები და ვებ-გვერდების განვითარება იყო საჭირო შესაბამისად 20,62% და საინჟინრო სამუშაოებზე 10,42% შემცირება დაფიქსირდა.

ChatGPT გავლენის შედარება ავტომატიზაციაზე მიმართულ სამუშაოებსა და ფიზიკურ ჩართულობაზე ორიენტირებულ სამუშაოებს შორის. 

ChatGPT წარდგენის შესაბამისად 2022 წლის ნოემბერში, აღინიშნებოდა რამდენიმე საფეხურიანი დაცემა ავტომატიზებულ მოკლევადიან სამუშაოებზე, განსხვავებით მექანიკური, ხელით შესასრულებელი სამუშაოებისა.

ცვლილებები ასახული ციფრებში გამოცხადებულ ვაკანსიებზე ავტომატიზებულ და მექანიკურად შესასრულებელ პოზიციებზე (ChatGPT ბაზარზე გამოსვლასთან მიმართებით)

დაახლოებით იგივე დიაპაზონის კლების რყევებით გამოიკვეთა როდესაც მოხდა პოპულარული ფოტოების მაგენერირებელი ხელოვნური ინტელექტის ხელსაწყოები ისეთი როგორიცაა Midjourney, Stable Diffusion, and DALL-E 2. წარდგენიდან დაახლოებით ერთი წლის განმავლობაში ფოტოების მაგენერირებელი ხელოვნური ინტელექტის ხელსაწყოებმა განაპირობა მოთხოვნის შემცირება 17.01%-ით ისეთ კვალიფიციურ მუშახელზე როგორიცაა 3 განზომილებიანი მოდელირება მოკლევადიანი შეკვეთებისა და სამუშაოებისთვის.

ამასთან, ჩვენ აღმოვაჩინეთ, რომ დროთა განმავლობაში არ შეინიშნებოდა განახლება ჩვენს მიერ ზემოთ ხსენებული სამუშაო ადგილების გაჩენისა, რაც მიუთითებდა იმაზე რომ მიმდინარეობდა აქტიური ჩანაცვლების პროცესი. ჩვენ ეს გავლენა შევადარეთ როგორც სამუშაო პლატფორმაზე სეზონური მოთხოვნის ტიპურ რყევებს, ასევე ავტომატიზაციის მიერ ტრადიციულ შრომის ბაზრებზე წარმოქმნილ გავლენას. გენერაციული ხელოვნური ინტელექტის ინსტრუმენტების გავლენა გაცილებით უფრო მნიშვნელოვანი გახლდათ. მაგალითისთვის, გენერაციული ხელოვნური ინტელექტის შეღწევისას რობოტების ავტომატიზაციის პროცესში, მკვლევრებმა აღმოაჩინეს, რომ ფრანგულ საწარმოებში რობოტების გამოყენების 20%-იანი ნიშნულით ზრდამ ინდუსტრიაში დასაქმების მხოლოდ 3.2% იანი შემცირება გამოიწვია.

გაზრდილი კონკურენცია ადამიანებსა და რობოტებს შორის.

მოთხოვნის ამ შემცირებამ ასევე გამოიწვია კონკურენციის გაძლიერება ავტომატიზაციისკენ მიდრეკილ სამუშაო ადგილებზე. ჩვენ აღმოვაჩინეთ, რომ ChatGPT-ის დანერგვის შემდეგ, ავტომატიზაციისკენ მიდრეკილ სამუშაოებზე მოკლევადიანი ერთჯერადი სამუშაოების მაძებართა მიერ წარდგენილი შეთავაზებების საშუალო რაოდენობა 8.57%-ით გაიზარდა თითო ვაკანსიაზე. აღნიშნული იმაზე მიუთითებს, რომ გარკვეული უნარების მქონე ამ ადამიანებს შესაძლოა უფრო მეტი კონკურენცია შეექმნათ შეზღუდული სამუშაო ადგილების გამო. ონლაინ შრომის ბაზრებზე სამუშაო ადგილებისთვის ისედაც მძაფრი კონკურენციის გამო, დამსაქმებლებისთვის მოკლევადიანი ერთდროული სამუშაოს მაძიებელ ადამიანებსა და ხელოვნური ინტელექტს შორის მზარდმა ჩანაცვლებადობამ შეიძლება მოკლევადიან პერსპექტივაში სამუშაო შესაძლებლობების შემდგომი შემცირება გამოიწვიოს.

მოთხოვნის შემცირება ზემოთ ჩვენს მიერ ხსენებულ სამუშაოებზე კავშირშია ხელოვნური ინტელექტის ინსტრუმენტების შესახებ ცნობიერების ამაღლებასა და მათი გამოყენების ინტერესთან. ჩვენს კვლევაში შევისწავლეთ ასევე სამუშაოზე მოთხოვნასთან და Google-ში ძიების მოცულობასთან დაკავშირებული ტენდენციები. ChatGPT-ის დანერგვის შემდეგ, ჩვენ განვიხილეთ Google-ში შესაბამისი ძიების მოცულობების საშუალო ინდექსი (SVI) სხვადასხვა სამუშაო კატეგორიისთვის და აღმოვაჩინეთ, რომ ავტომატიზაციისკენ მიდრეკილ სექტორებში, როგორიცაა წერა და ინჟინერია, ყველაზე მაღალი ძიების ინტერესი იყო, ხოლო ხელით ინტენსიური დავალებების შესრულებაზე, როგორიცაა აუდიო და ვიდეო სერვისები, ძიების მოცულობის ზრდა თითქმის არ შეინიშნება. საერთო ჯამში, ჩვენ ვხვდებით უარყოფით კორელაციას Google-ის ძიების მოცულობის ინდექსსა (SVI) და სხვადასხვა ტიპის განთავსებული ვაკანსიების რაოდენობას შორის, რაც იმას ნიშნავს, რომ რაც უფრო მაღალია ძიების მოცულობა, მით უფრო სავარაუდოა, რომ ინდუსტრიაზე გავლენა მოახდინა გენერაციულმა ხელოვნურმა ინტელექტმა. ეს იმაზე მიუთითებს, რომ ინდუსტრიებში, რომლებსაც უფრო მეტი საზოგადოებრივი ცნობიერება აქვთ გენერაციული ხელოვნური ინტელექტის პოტენციალის შესახებ, მოკლევადიან ერთდროულ სამუშაოებზე მოთხოვნის უფრო დიდი შემცირება შეინიშნება.

ცვლილებები შრომის ბაზრის დინამიკაში

სამუშაო ადგილების ჩანაცვლების გარდა, ჩვენ ასევე განვიხილეთ მოთხოვნის სხვა ფაქტორები, როგორიცაა სამუშაოს სირთულე და ის, თუ რამდენად არიან დამსაქმებლები მზად, დააკმაყოფილონ თანამშრომლების სახელფასო მოთხოვნილებები. ჩვენ გავზომეთ სირთულე თითოეულ გამოცხადებულ სამუშაო პოზიციაზე თუ რამდენად კომპლექსურ უნარებს ითხოვდნენ დამსაქმებლები თანამშრომლებისგან და აღმოვაჩინეთ, რომ ChatGPT-ის შემდეგ ის 2.18%-ით გაიზარდა ავტომატიზაციისკენ მიდრეკილი სამუშაოებისთვის, ხელით შესასრულებელ მუშაობაზე დაფუძნებულ სამუშაოებთან შედარებით. დამსაქმებლების მზადყოფნა, გადაიხადონ ამ ავტომატიზაციისკენ მიდრეკილი სამუშაოებისთვის, ასევე გაიზარდა 5.71%-ით. ეს შედეგები მიუთითებს, რომ ChatGPT-ის გაშვების შემდეგ, ავტომატიზაციისკენ მიდრეკილი სამუშაოები ოდნავ უფრო რთული და კომპლექსური გახდა, რაც მოითხოვს უნარების უფრო ფართო სპექტრს და რომ დამსაქმებლები მზად არიან, ამ სამუშაოებში მეტი გადაიხადონ.

საინტერესო გახლავთ ის, რომ იმ ვაკანსიების რაოდენობაც გაიზარდა, რომლებშიც მოთხოვნადი უნარების სიაში ChatGPT ცოდნაც შედის. ChatGPT-ის დანერგვის შემდეგ პერიოდში ჩვენ აღმოვაჩინეთ 903 ვაკანსია, რომლებშიც უნარების ჩამონათვალში ChatGPT იყო მითითებული. გარდა ამისა, ამ სამუშაოების 88%-ზე მეტი ავტომატიზაციისკენ მიდრეკილ კატეგორიებს მიეკუთვნება, რომელთა უმეტესობა (82%) კონკრეტულად პროგრამულ უზრუნველყოფას, აპლიკაციებსა და ვებ-განვითარებას უკავშირდება. „ChatGPT“-ის უნარების მაძიებელი ვაკანსიების რაოდენობა სტაბილურად გაიზარდა, მისი დანერგვიდან საშუალოდ კვირაში 0.68 განცხადების მოცულობით.

ეს შედეგები მიუთითებს, რომ ხელოვნური ინტელექტის ინსტრუმენტების სამუშაო ადგილებზე ინტეგრირება სულ უფრო და უფრო ფასდება, მეტი მნიშვნელობა ენიჭება  და დასაქმებულები აახლებენ თავიანთ უნარებს, რათა გენერაციული ხელოვნური ინტელექტის შესაძლებლობებით გაამდიდრონ საკუთარი უნარ-ჩვევები. ეს ცვლილება ხაზს უსვამს იმას, რომ კვალიფიკაციის ამაღლება არა მხოლოდ მიმდინარეობს, არამედ ხდება აუცილებელი პასუხი გენერაციული ხელოვნური ინტელექტის მიღწევებით განპირობებული განვითარებადი შრომის ბაზრისთვის.

როგორ შეუძლიათ კომპანიებს ამ ახალ რეალობაში ორიენტირება?

გენერაციული ხელოვნური ინტელექტის მოკლევადიანი გავლენა კონკრეტულ როლებზე — განსაკუთრებით ავტომატიზაციისადმი მგრძნობიარე როლებზე — სწრაფი და გარდაუვალი პროცესი იყო. ტრადიციულ ავტომატიზაციის ტექნოლოგიებთან შედარებით, გენერაციული ხელოვნური ინტელექტის ეფექტის იმპლემენტაციისა და შედეგების გავლენის სიჩქარე და მასშტაბები უპრეცედენტოა. როგორც ჩვენს კვლევაში ჩანს, ავტომატიზაციისკენ მიდრეკილ სამუშაოებზე, როგორიცაა მაგალითისთვის წერა და კოდირება, მოთხოვნა მნიშვნელოვნად შემცირდა, მაშინ როდესაც ხელოვნურ ინტელექტთან დაკავშირებული უნარების მოთხოვნის ახალი ტიპები გაჩნდა.

გენერაციული ხელოვნური ინტელექტის ტექნოლოგიების სწრაფი განვითარება ბიზნესისთვის ქმნის როგორც შესაძლებლობებს, – ასევე გამოწვევებს, – განსაკუთრებით სამუშაო ძალის მართვის კუთხით. ჩვენი კვლევა აჩვენებს, რომ მაშინ როცა ზოგიერთი სამუშაო ადგილის გაქრობა გარდაუვალია, კომპანიებისთვის გადამწყვეტი მნიშვნელობისაა ხელოვნური ინტელექტი მათ საქმიანობაში ინტეგრირების კუთხით. ჩვენ ქვემოთ გამოვყოფთ ძირითად აქცენტებს მენეჯერებისა და ორგანიზაციებისთვის, რათა ეფექტურად შეძლონ ამ ცვლილებების მართვა.

გენერაციული ხელოვნური ინტელექტი, როგორც შესაძლებლობა კვალიფიკაციის ასამაღლებლად, უნარების გაუმჯობესებისთვის და ახალი შესაძლებლობებისთვის.

სამუშაო ადგილების გაქრობის და ბევრი პროფესიის გაქრობის მიუხედავად, გენერაციული ხელოვნური ინტელექტი, მეორეს მხრივ, გვთავაზობს სამუშაო ადგილების გაზრდის და პროდუქტიულობის მყისიერი ზრდის შესაძლებლობებს. ჩვენი დასკვნები აჩვენებს, რომ ხელოვნურ ინტელექტთან დაკავშირებული უნარების მოთხოვნის მქონე სამუშაო ადგილები, როგორიცაა ChatGPT-თან დაკავშირებული სამუშაო ადგილები, სულ უფრო იზრდება. რადგან სამუშაო როლები ვითარდება ხელოვნური ინტელექტის ინსტრუმენტების ეფექტური იმპლემენტაციისთვის, კომპანიებმა ყურადღება უნდა გაამახვილონ ისეთი სამუშაო ძალის მიღებაზე, ადაპტაციასა და შექმნაზე, რომელიც აღჭურვილი იქნება კომპლექსური უნარ-ჩვევებით. რომლებიც, თავის მხრივ, ახერხებენ ადაპტირებას თანამედროვე რეალობასთან და შეძლებენ გადაწყობას ტექნოლოგიური განვითარებასა და მის შესაძლებლობებთან.

მაღალეფექტურობის და სამუშაო ადგილის შესანარჩუნებლად, დასაქმების მსურველ ადამიანებს მოუწევთ ისწავლონ და გააუმჯობესონ საკუთრი უნარ-ჩვევები და ადაპტირება მოახდინონ თანამედროვე რეალობასთან.

თავიანთ წიგნში „პროგნოზირების მანქანები“, ავტორები Ajay Agrawal, Joshua Gans, Avi Goldfarb ამტკიცებენ, რომ ხელოვნურ ინტელექტს სამუშაოს ფოკუსი პროგნოზირებადი ამოცანებიდან იმ ამოცანებზე გადააქვს, რომლებიც ადამიანის განსჯასა და გადაწყვეტილების მიღებას მოითხოვს. ჩატარებული კვლევა ხაზს უსვამს, რომ ხელოვნური ინტელექტის ინტეგრაცია მნიშვნელოვნად ზრდის პროდუქტიულობას დასაქმებულთა სხვადასხვა კვალიფიკაციის დონეებს შორის. ყველაზე დიდი სარგებელი კი შეინიშნება დაბალანაზღაურებად სამუშაოებზე დასაქმებულ მუშაკებში. ეს მტკიცებულება აძლიერებს არგუმენტს სტრატეგიული განსაკუთრებულობისა ხელოვნური ინტელექტის ტრენინგებისა და გადამზადების მიმართულებით, რადგანაც მას შეუძლია ხელი შეუწყოს დასაქმებულთა კვალიფიკაციის ხარვეზებს და ზოგადად გაზარდოს პროდუქტიულობა. მენეჯერებმა უნდა განიხილონ დაბალანაზღაურებადი მუშაკების ხელოვნური ინტელექტის ინსტრუმენტებზე ხელმისაწვდომობა და ფოკუსირდნენ ამ მიმართულებით დამხმარე სასწავლო პროგრამების შემუშავებაზე.

ბოლოდროინდელი დასკვნები ასევე მიუთითებს მნიშვნელოვან გენდერულ უთანასწორობაზე სამსახურში ChatGPT-ის გამოყენებასთან დაკავშირებით. მაგალითისთვის ქალები გაცილებით ნაკლებად იყენებენ ChatGPT-ს ერთიდაიმავე პროფესიებში. ეს ხაზს უსვამს, რომ აუცილებელია მორგებული სასწავლო პროგრამების საჭიროება, რათა აღმოიფხვრას ეს უთანასწორობა და უზრუნველყოფილი იყოს ყველა თანამშრომლისთვის ხელოვნური ინტელექტის უპირატესობებზე თანაბარი წვდომა. გარდა ამისა, ხელოვნურ ინტელექტზე წვდომის უზრუნველყოფა შესაძლოა საკმარისი არ იყოს; კომპანიებმა ასევე უნდა ჩადონ ინვესტიცია კონკრეტულ სამუშაოსთან დაკავშირებულ და მიზნობრივ სასწავლო პროგრამებში, რაც თანამშრომლებს მათი სამუშაოს გასაუმჯობესებლად ამ ინსტრუმენტების ეფექტურად გამოყენებაში დაეხმარება.

ბიზნესებისთვის ეს ცვლილებები მოითხოვს ახალ სასწავლო და განვითარების ინიციატივებისთვის სივრცის შექმნას, რომელიც ხელოვნური ინტელექტით მართულ ეკონომიკაზე იქნება მორგებული. ინდუსტრიის ლიდერებთან და საგანმანათლებლო დაწესებულებებთან პარტნიორობა მენეჯერებს დაეხმარება შეიმუშაონ შესაბამისი სასწავლო პროგრამები, რომლებიც ითვალისწინებენ უნარების ადაპტაციისა და ცვლილებების საჭიროებებს. ისეთი კომპანიები, როგორიცაა Microsoft-ი და IBM, რომლებმაც უკვე დაამყარეს ძლიერი პარტნიორობა ხელოვნური ინტელექტის ტრენინგების მიმართულებით, ღირებულ მაგალითებს იძლევიან იმისა, თუ როგორ შეუძლიათ ბიზნესებს, წინ უსწრებდნენ ხელოვნური ინტელექტის შესწავლის ტენდენციებს.

ამასთან, მენეჯერებსაც დასჭირდებათ ახალი კომპეტენციების განვითარება, განსაკუთრებით ხელოვნური ინტელექტის ამოცანების დელეგირების კუთხით. იმის გაგება, თუ რომელი დავალებები უნდა შეასრულოს ხელოვნურმა ინტელექტმა და რომელი სამუშაოები თავად ადამიანებმა. ეს უკანასკნელი იქნება კრიტიკულად მნიშვნელოვანი, ადამიანური კრეატიულობისა და ზედამხედველობის შენარჩუნების პარალელურად. რადგან, ხელოვნური ინტელექტი უფრო რუტინულ ფუნქციებს იღებს. მენეჯერებმა ყურადღება უნდა გაამახვილონ გუნდების ისე წარმართვაზე, რომ გამოიყენონ როგორც ადამიანის, ასევე მანქანის შესაძლებლობების უნიკალური ძლიერი მხარეები.

***
გრძელვადიან პერსპექტივაში, ის კომპანიები, რომლებიც კვალიფიკაციის ამაღლებისა და გადამზადების ინიციატივებს მიიღებენ, უკეთეს მდგომარეობაში იქნებიან ხელოვნური ინტელექტით მართულ გარემოში წარმატების მისაღწევად. მზარდი სირთულისთვის  სამუშაო ძალის მომზადებითა და ადაპტირების უნარის ხელშეწყობით, ბიზნესები შეძლებენ კონკურენტუნარიანობის შენარჩუნებას ტექნოლოგიური ცვლილებების ფონზე.

ხელოვნური ინტელექტი გააგრძელებს შრომის ბაზრის აქტიურ ტრანსფორმაციას ამოცანების ფართო სპექტრის ავტომატიზაციით. წარმატების მისაღწევად, ორგანიზაციებმა უნდა ჩადონ ინვესტიცია ისეთ სამუშაო ძალაში, რომელსაც შეუძლია ხელოვნური ინტელექტის ყოველდღიურ ოპერაციებში გამოყენება. სტრატეგიული ფოკუსი ადამიანური პოტენციალის ზრდასა და განვითარებაზე უნდა იყოს და არა უბრალოდ მის ჩანაცვლებაზე. მენეჯერები, რომლებიც ამ აზროვნებას იზიარებენ, არა მხოლოდ დაეხმარებიან თავიანთ გუნდებს ახალი ტექნოლოგიების დანერგვაში, არამედ ხელს შეუწყობენ ორგანიზაციებში გრძელვადიან ზრდასა და ინოვაციებს.

Research: How Gen AI Is Already Impacting the Labor Market
November 11, 2024
by Ozge Demirci, Jonas Hannane and Xinrong Zhu
Ozge Demirci
თანამდებობა: Assistant Professor, Imperial College London Business School
განათლება: Ph.D. in Economics, University of Warwick
წარსული გამოცდილება: Postdoctoral Fellow, Harvard Business School; Research Analyst, International Monetary Fund
კვლევის სფეროები: Digital economics, consumer and firm behavior, AI ტექნოლოგიების გავლენა
ჯილდოები: John A. Howard AMA Doctoral Dissertation Award; CESifo Distinguished Affiliate Award; Finalist – American Statistical Association Dissertation Award
Jonas Hannane
თანამდებობა: Ph.D. Candidate, DIW Berlin, Berlin School of Economics via TU Berlin
კვლევის სფეროები: Digital economics, online labor markets, AI ტექნოლოგიები
წარსული გამოცდილება: Worked in competition practice at an economic consulting firm
მეთოდოლოგია: Econometrics, machine learning, network analysis
Xinrong Zhu
თანამდებობა: Assistant Professor of Marketing, Imperial College London Business School
განათლება: Ph.D. in Economics, University of Wisconsin–Madison
კვლევის სფეროები: Quantitative marketing, retail analytics, empirical industrial organization
სპეციალიზაცია: Vertical relationships, causal impact of tech and policy on consumer behavior

მთარგმნელი:

გიორგი მიქანაძე

– ინოვაციური ეკონომიკური პოლიტიკის მკვლევარი, თსუ ეკონომოკური პოლიტიკის დოქტორანტი

გიორგი მიქანაძე

ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა“

სრულად ნახვა
ტექნოლოგიები

ეს განსაკუთრებით ხშირია ახალგაზრდებში… – ChatGPT-ის შემქმნელი მოსახლეობას აფრთხილებს

870 views on

OpenAI-ის გენერალურმა დირექტორმა სემ ალტმანმა განაცხადა, რომ სულ უფრო მეტი ადამიანი სულ უფრო მეტად ეყრდნობა ჩატბოტ ChatGPT-ს გადაწყვეტილებების მიღებისას – წერს Business Insider-ი.

გამოცემის ინფორმაციით, ამ კვირაში აშშ-ის ფედერალური სარეზერვო სისტემის მიერ ორგანიზებულ საბანკო კონფერენციაზე გამოსვლისას ალტმანმა შეშფოთება გამოთქვა იმ ტენდენციის გამო, რომელსაც ის აღწერს, როგორც “ემოციური დამოკიდებულების გადაჭარბებულ ფორმას” ChatGPT-ზე. მისი თქმით, ეს განსაკუთრებით ხშირია ახალგაზრდებში.

„ადამიანები ზედმეტად ეყრდნობიან ChatGPT-ს. არიან ახალგაზრდები, რომლებიც ამბობენ: “ვერანაირ გადაწყვეტილებას ვერ მივიღებ ჩემს ცხოვრებაში, თუ ყველაფერს არ მოვუყვები ChatGPT-ს. მას ესმის ჩემი, იცნობს ჩემს მეგობრებს, გავაკეთებ ყველაფერს, რასაც მეტყვის.” ეს სულაც არ მომწონს,“ — განაცხადა ალტმანმა.

ანალიტიკოსთა და მეცნიერთა დარბაზი – ,,დოქტრინა”

სრულად ნახვა
ტექნოლოგიები

რა არის კვანტური კომპიუტერები?

1.45K views on

კვანტური გამოთვლები კომპიუტერული მეცნიერებისა და ინჟინერიის ახალ, განვითარებად დისციპლინას წარმოადგენს, რომელიც კვანტური მექანიკის უნიკალურ პრინციპებს ეფუძნება და მიზნად ისახავს ისეთი პრობლემების გადაჭრას, რომელთა გადაწყვეტაც უკიდურესად რთულია ან შეუძლებელია ტრადიციული (კლასიკური) გამოთვლითი სისტემებისთვის.

კვანტური გამოთვლების სფერო მოიცავს დისციპლინების ფართო სპექტრს, მათ შორის კვანტურ აპარატურას და კვანტურ ალგორითმებს. მიუხედავად იმისა, რომ კვანტური ტექნოლოგია ჯერ კიდევ განვითარების პროცესშია, ის მალე შეძლებს ისეთი რთული პრობლემების გადაჭრას, რომელთა გადაჭრაც კლასიკური თუნდაცსუპერ–კომპიუტერებისთვის დღეს პრაქტიკულად შეუძლებელია — ან სიჩქარის თვალსაზრისით მიუღწეველი.

კვანტური ფიზიკის შესაძლებლობების გამოყენებით, ფართომასშტაბიან კვანტურ კომპიუტერებს შეეძლებათ გარკვეული რთული ამოცანების და პრობლემების გადაჭრა გაცილებით სწრაფად, ვიდრე თუნდაც ყველაზე მძლავრ კლასიკურ კომპიუტერებს. ამ გზით, პრობლემები, რომლებსაც კლასიკურ კომპიუტერს ათასობით წელი დასჭირდებოდა, კვანტური კომპიუტერისთვის შესაძლოა წუთების ან საათების საქმე გახდეს.

კვანტური მექანიკა — ფიზიკის სფერო, რომელიც მიკროსკოპული სამყაროს კანონებს იკვლევს — ავლენს ბუნების მოულოდნელ, გასაოცარ და ფუნდამენტურ, ბუნებრივ პრინციპებს. კვანტური კომპიუტერები სწორედ ამ ფენომენებს იყენებენ მათემატიკური მეთოდების იმგვარადგადასაჭრელად, რაც კლასიკური კომპიუტერებით ვერასდროს იქნებოდა შესაძლებელი.

კვანტური გამოთვლების პრაქტიკული გამოყენება

პრაქტიკაში, კვანტური კომპიუტერები, როგორც მოსალოდნელია, ფართოდ გამოიყენება ორი ძირითადი ტიპის ამოცანისთვის: ფიზიკური სისტემების ქცევის მოდელირება და ინფორმაციაში შაბლონებისა და სტრუქტურების იდენტიფიცირებაში.

კვანტური მექანიკა ერთგვარად სამყაროს ოპერაციულ სისტემას ჰგავს. კომპიუტერი, რომელიც ინფორმაციის დასამუშავებლად კვანტური მექანიკის პრინციპებს იყენებს, განსაკუთრებულ უპირატესობას იძენს ფიზიკური სისტემების მოდელირებისას. სწორედ ამიტომ, კვანტური გამოთვლები განსაკუთრებით საინტერესოა ქიმიისა და მასალათმცოდნეობის, მატერიის მეცნიერების სფეროებისთვის. მაგალითად, კვანტური კომპიუტერები შეიძლება დაეხმარონ მკვლევრებს ეფექტურად და სწრაფად აღმოაჩინონ სასარგებლო მოლეკულები, რომლებიც წამლების შექმნაში ან ეკონომიკური და საინჟინრო მიზნებისთვის იქნება გამოსაყენებელი.

კვანტურ კომპიუტერებს შეუძლიათ ასევე მონაცემების დამუშავება ისეთი მათემატიკური მეთოდებით, რომლებიც კლასიკურ კომპიუტერებზე ხელმისაწვდომი არ არის. ეს იმას ნიშნავს, რომ კვანტური კომპიუტერები უკეთესად ადგენენმონაცემებს და პოულობენ იმ კანონზომიერებებს, რომლებიც კლასიკურ ალგორითმებს შეიძლება გამორჩენოდათ. პრაქტიკაში ეს შეიძლება იყოს გამოსადეგი, მაგალითად, დაწყებული ბიოლოგიიდან (როგორიცაა ცილათა ნაკეცების შესწავლა) დამთავრებული ეკონომიკით ან ფინანსებში.

დღეს, კვანტური კომპიუტერის განვითარებასთან დაკავშირებული კვლევები უმეტესწილად ორი ძირითადი მიმართულებით — ალგორითმების სპეციფიკა და პრაქტიკული გამოყენებების ფართო არეალების ძიება — მიმდინარეობს, თავად ტექნოლოგიის დახვეწა-განვითარების პარალელურად.

რადგან წამყვანი კომპანიები, როგორიცაა IBM, Amazon, Microsoft და Google, ასევე სტარტაპები, როგორიცაა Rigetti და IonQ, ამ დამაინტრიგებელ ტექნოლოგიაში აგრძელებენ საკმაოდ მძლავრ ინვესტირებებს, ვარაუდობენ, რომ 2035 წლისთვის კვანტური კომპიუტერული ინდუსტრია 1.3 ტრილიონ აშშ დოლარამდე გაიზრდება.

კვანტური მექანიკის ოთხი ძირითადი პრინციპი

კვანტურ კომპიუტერებზე საუბრისა და განხილვისას მნიშვნელოვანია გვესმოდეს, რომ სამყარო მიკრო დონეზე აბსოლუტურად განსხვავებულად მოქმედებს იმისგან, რასაც ჩვენ ყოველდღიურ ცხოვრებაში ვართ მიჩვეულები და ვიცოდით. იმისგან განსხვავებით, რასაც დაწყებითი სკოლის ფიზიკაში ვსწავლობდით, კვანტური ობიექტების ქცევები და მოქმედებახშირად უცნაურ, განსხვავებული და ჩვენი ინტუიციისა და აღქმების საწინააღმდეგოა.

კვანტური ნაწილაკების ქცევის აღწერა უნიკალურ სირთულეს და გამოწვევას წარმოადგენს. ბუნებრივი სამყაროს ჩვეულებრივი აღქმის კატეგორიებს არ გააჩნია შესაბამისი ენა, რათა გადმოსცეს ის სიურპრიზებით სავსე ქცევები, რასაც კვანტური ნაწილაკები რეალურად ავლენენ. მაგრამ, კვანტური მექანიკა გვაჩვენებს, როგორ მოქმედებს სამყარო რეალურად.

კვანტური კომპიუტერები სწორედ ამ ფენომენების გამოყენებით მუშაობენ — ისინი კლასიკური ბინარული ბიტების ნაცვლად იყენებენ კვანტურ ნაწილაკებს, ე.წ. ქუბიტებს (Qubits). ქუბიტებს ბიტებისაგან განსხვავებით სხვა თვისებები და მახასიათებლები გააჩნიათ და სხვანაირად მოქმედებენ, რომლებიც მხოლოდ კვანტური მექანიკით შეიძლება აიხსნას.

კვანტური გამოთვლების გასაგებად მნიშვნელოვანია კვანტური მექანიკის ოთხი ძირითადი პრინციპის გაგება და შემდგომ ავხსნათ თოთოეული მათგანი:

• სუპერპოზიცია (Superposition)
• გადაჯაჭვულობა (Entanglement)
• ინტერფერენცია (Interference)
• დეკოჰერენცია (Decoherence)

სუპერპოზიცია (Superposition)

ქუბიტი თავისთავად, ასე განცალკევებულადარც ისე ხშირად გამოყენებადია. თუმც, სინქრონში და კონტექსტურად, მას შეუძლია კვანტური ინფორმაცია ჩასვას სუპერპოზიციის მდგომარეობაში — ეს ნიშნავს, რომ ის ერთდროულად შეიძლება წარმოადგენდეს ყველა შესაძლო კონფიგურაციის კომბინაციას. როდესაც რამდენიმე ქუბიტი სუპერპოზიციაშია, ისინი ქმნიან კომპლექსურ, მრავალგანზომილებიან მათემატიკურ სივრცეს, რომელშიც რთული ამოცანების წარმოდგენა და დამუშავება სრულიად ახალ გზებზე ხდება შესაძლებელი.

როდესაც კვანტური სისტემა იზომება, მისი მდგომარეობა სუპერპოზიციიდან ერთ-ერთ კონკრეტულ ბინარულ მნიშვნელობად კოლაფსირდება — ანუ ნულად ან ერთად, როგორც კლასიკურ ბიტში.

გადაჯაჭულობა (Entanglement)

დაკავშირება — ეს არის ქუბიტების უნარი, ერთმანეთს დაუკავშირონ თავიანთი მდგომარეობები. უკიდურესად დაკავშირებული სისტემები ისე მჭიდროდ არიან გადაჯაჭვული, რომ როდესაც კვანტური პროცესორი ზომავს თუნდაც მხოლოდ ერთ კავშირში მყოფ ქუბიტს, მას შეუძლია მყისიერად დაადგინოს ინფორმაცია სხვა ქუბიტებზეც, რომლებიც იმავე დაკავშირებულ სისტემაში არიან.

ინტერფერენცია (Interference)

ინტერფერენცია წარმოადგენს კვანტური გამოთვლის ძირითად მექანიზმს. ქუბიტების სისტემა, რომელიც კოლექტიურ სუპერპოზიციაში არიან მოთავსებული, ინფორმაციის სტრუქტურირებას ტალღური ფორმით ახდენენ — თითოეულ შესაძლო შედეგთან დაკავშირებულია გარკვეული ამპლიტუდა.

ეს ამპლიტუდები, კვანტური სისტემის გაზომვისას, გარდაიქმნება შესაბამისი შედეგების მიღების ალბათობად. როდესაც ტალღები ერთმანეთს ემთხვევა, ამპლიტუდა იზრდება და კონკრეტული შედეგის დადგომის ალბათობა მატულობს. ხოლო, როდესაც ტალღები ერთმანეთს აბათილებენ შედეგი არ დგება. ანუ, ამ გზით, ზოგიერთი შედეგი ძლიერდება, ზოგი კი — ნულდება. ალბათობის გაძლიერება ან სხვა ვარიანტების გაქარწყლება — ორივე ინტერფერენციის ფორმაა.

დეკოჰერენცია (Decoherence)

დეკოჰერენცია არის პროცესი, რომლის დროსაც კვანტურ მდგომარეობაში მყოფი სისტემა გადაიზრდება არა კვანტურ მდგომარეობად. ეს შეიძლება მოხდეს გამიზნულად — მაგალითად, როცა ხდება სისტემის გაზომვა — ან ეს შესაძლოა გამოიწვიოს გარემო ფაქტორებმა (ხშირად ეს უკანასკნელი არაპირდაპირ, უნებლიედ ხდება).ზოგადად, კვანტური გამოთვლების პრაქტიკაში უმთავრესად საჭიროა დეკოჰერენციის თავიდან აცილება და მაქსიმალურად შემცირება, რადგან ის არღვევს კვანტური ინფორმაციის სიზუსტესა და სისტემის მუშაობის სტაბილურობას.

როგორ მუშაობენ ეს პრინციპები ერთად

კვანტური გამოთვლების უკეთ გასაგებად, უნდა გავითვალისწინოთ, რომ ქვემოთ ხსენებული ორი მოულოდნელი ფაქტი და მოცემულობა ერთდროულად შეიძლება იყოს მართებული: პირველი — ობიექტები, რომლებსაც შეიძლება ჰქონდეთ განსაზღვრული მდგომარეობები (მაგალითად, ქუბიტები სუპერპოზიციაში, განსაზღვრული ალბათობრივი ამპლიტუდებით), მაინც შემთხვევითი ქცევით გამოირჩევიან. მეორე — დაშორებული ობიექტები (ამ შემთხვევაში, გადაჯაჭვული ქუბიტები) — მიუხედავად იმისა, რომ მათი ქცევა ცალ-ცალკე კვლავ შემთხვევითია, ისინი მაინც ძლიერ კორელაციაში იმყოფებიან და კოორდინირებულად მოქმედებენ.

კვანტურ კომპიუტერში გამოთვლა ხორციელდება გამოთვლითი მდგომარეობებისთვის სუპერპოზიციის შექმნით. მომხმარებლის მიერ მომზადებული კვანტური სქემა იყენებს ოპერაციებს ქუბიტების გადასაჯაჭვად და ინტერფერენციული სტრუქტურების წარმოქმნისთვის — როგორც ამას კვანტური ალგორითმი განსაზღვრავს. ინტერფერენციის მეშვეობით ბევრი შესაძლო შედეგი გაუქმდება, ხოლო სხვები — გაძლიერდება. ეს გაძლიერებული შედეგები წარმოადგენენ გამოთვლის საბოლოო ამოხსნებს.

როგორ მუშაობენ კვანტური კომპიუტერები?

მთავარი განსხვავება კლასიკურ და კვანტურ კომპიუტერებს შორის არის ის, რომ კვანტური კომპიუტერები იყენებენ ქუბიტებს ბიტების ნაცვლად. მიუხედავად იმისა, რომ კვანტური გამოთვლებიც იყენებენ ბინარულ კოდებს ქუბიტები ინფორმაციის დამუშავებას კლასიკური კომპიუტერებისგან განსხვავებულად ახდენენ. მაინც რა არის ქუბიტები და საიდან მოდიან ისინი?

რა არის ქუბიტები?

მიუხედავად იმისა, რომ კლასიკური კომპიუტერები მონაცემების შესანახად და დასამუშავებლად ასევე იყენებენ ბიტებს (ნულებს და ერთებს), კვანტური კომპიუტერები ამას განსხვავებულად აკეთებენ — ისინი იყენებენ კვანტურ ბიტებს (ქუბიტებს), რომლებიც სუპერპოზიციაში იმყოფებიან.

ქუბიტის მოქნილობა: ქუბიტს შეუძლია მოიქცეს ბიტივით და შეინახოს მონაცემად ნული ან ერთი, თუმცა მას შეუძლია ამავდროულად წარმოადგენდეს ნულისა და ერთის წონიან კომბინაციასაც. როდესაც ქუბიტები ერთმანეთთან ერთიანდება, მათი სუპერპოზიციები მყისიერად, სწრაფად მზარდი ტემპით შეიძლება გართულდეს:ორი ქუბიტი შეიძლება იმყოფებოდეს ოთხი შესაძლო 2-ბიტიანი სტრიქონის სუპერპოზიციაში;სამი ქუბიტი — ხუთი შესაძლო 3-ბიტიან სტრიქონშიდა ასე შემდეგ. 100 ქუბიტის შემთხვევაში შესაძლო კომბინაციების სპექტრი ასტრონომიულ მასშტაბს აღწევს.

კვანტური ალგორითმები ინფორმაციის ისეთი მეთოდებით მანიპულირებას ახერხებენ, რაც კლასიკური კომპიუტერებისთვის მიუწვდომელია. აღნიშნული მიდგომა სხვადასხვა აქამდე გადაულახავი და წარმოუდგენელი დაშვებებს რეალურს ხდის, რადგან მას აქამდე წარმოუდგენელი სიჩქარით მუშაობა შეუძლია. ეს განსაკუთრებით მაშინ, როდესაც ერთად ხდება მაღალი ეფექტურობის კლასიკური სუპერკომპიუტერებისა და კვანტური კომპიუტერების ერთობლივი კომბინირებული მუშაობა.

ქუბიტის ტიპები

ზოგადად, ქუბიტები იქმნება იმ სისტემების მანიპულაციისა და გაზომვის გზით, რომლებიც ფლობენ კვანტურ მექანიკურ თვისებებს — მაგალითად, სუპერ გამტარი წრედები, ფოტონები, ელექტრონები, შებოჭილი იონები და ატომები.  

დღეს კვანტურ გამოთვლებში გამოსაყენებელი ქუბიტების შესაქმნელად მრავალი ტექნოლოგიაარსებობს, ზოგი კონკრეტულ დავალებებზე მუშაობისთვის უფრო ხელსაყრელია.  

ქვემოთ წარმოვადგენთ მეტ-ნაკლებად გავრცელებული ქუბიტების ტიპებს:

– სუპერ გამტარი ქუბიტები: შედგება სუპერ გამტარი მატერიებისგან, რომლებიც უკიდურესად დაბალ ტემპერატურაზეფუნქციონირებენ. მისი განსაკუთრებულობა ფასდება გამოთვლის სიჩქარითა და დახვეწილი კონტროლის მექანიზმებით.

– შებოჭილი იონების ქუბიტები: შებოჭილი იონების ნაწილაკები შეიძლება გამოყენებულ იქნას ქუბიტებად; ისინი ხასიათდებიან ხანგრძლივი ჯაჭვური თანამიმდევრულობის დროით და მაღალი სანდოობით გაზომვის სიზუსტეში, თუმცა მნიშვნელოვნად ნელია სუპერ გამტარ ქუბიტებთან შედარებით.

– კვანტური წერტილები: კვანტური წერტილები არიან პატარა ნახევარგამტარები, რომლებიც აფიქსირებენ ცალ ელექტრონებს და იყენებენ მას ქუბიტად. ისინი გვთავაზობს მასშტაბებისა და არსებულ ნახევარგამტარულ ტექნოლოგიასთან თავსებადობის პერსპექტიულ პოტენციალს.

– ფოტონები: ფოტონები ცალკეული სინათლის ნაწილაკებია. მათი გამოყენება შესაძლებელია ქუბიტების შესაქმნელად და კვანტური ინფორმაციის ოპტიკურ-ბოჭკოვანი კაბელების მეშვეობით დიდ მანძილზე გადასაცემად. ისინი გამოიყენება კვანტურ კომუნიკაციასა და კვანტურ კრიპტოგრაფიაში.

რატომ არის ქუბიტები სასარგებლო?

კვანტური ბიტების გამომყენებელ კომპიუტერებს კლასიკური ბიტების გამომყენებელ კომპიუტერებთან შედარებით განსაზღვრული უპირატესობები გააჩნიათ. რადგან ქუბიტებს შეუძლიათ სუპერპოზიციის შენარჩუნება და ინტერფერენციის გამოვლენა, ქუბიტების გამოყენებით კვანტურ კომპიუტერს კლასიკური კომპიუტერებისგან განსხვავებული გამოწვევების გადაჭრის უნიკალური მიდგომები გააჩნია.

კვანტური კომპიუტერების მიერ ქუბიტების გამოყენების პროცესის გასაგებად, როდესაც ის რთულ დავალებას უმკლავდება, წარმოიდგინეთ, რომ ჩახლართული ლაბირინთის ცენტრში დგახართ. ლაბირინთიდან თავის დასაღწევად, ტრადიციული კლასიკური გამოთვლითი მიდგომა იქნებოდა პრობლემის „უხეში ძალის გამოყენებით“ გადაჭრა. აქ იგულისხმება, რომ გამოსავლის საპოვნელად გზების ყველა შესაძლო კომბინაცია იქნებოდა განხილული და მოსინჯული, რომ მოძებნილიყო გასასვლელი. ასეთ დროს კომპიუტერი გამოიყენებდა ბიტებს რომ დაედგინა ყველა მარშრუტი და დაემახსოვრებინა, თუ რომელი იყო ჩიხი და შემდგომ განესაზღვრა სასურველი სტრატეგია.

აი, კვანტურ კომპიუტერს კი შეუძლია სწორი გზის დადგენა ისე, რომ არ იქნება მისთვის აუცილებელი შეამოწმოს სასურველი გზის ყველა შესაძლო სტრატეგია. თითქოს მას აქვს ე.წ. არწივის თვალი და ყველა კუთხიდან შეუძლია პროცესების ზემოდან დაკვირვება და შეგრძნება ერთდროულად. ამასთან, ქუბიტები აქ არც ერთდროულად ამოწმებენ ყველა გზას. ამის ნაცვლად, კვანტური კომპიუტერები გამოსავლის მოსაძებნად ქუბიტების ალბათობის ამპლიტუდებს  ზომავენ.

ეს ამპლიტუდები მოქმედებენ როგორც ტალღები, რომლებიც ერთმანეთში შედიან, გამოდიან და ურთიერთქმედებენ ერთმანეთის ტრაექტორიების ცოდნითა და გათვალისწინებით. როდესაც ასინქრონული ტალღები ერთმანეთს გადაკვეთენ ეს ეფექტურად გამოარკვევს რთული პრობლემების შესაძლო გადაწყვეტებს და დარჩენილი თანმიმდევრული და სინქრონული ტალღა ან ტალღები სწორ გადაწყვეტაზე მიანიშნებენ.

კვანტური გამოთვლების კომპონენტები

მაგალითისთვის IBM-ის კვანტური პროცესორი არის ვაფლივით, რომელიც ლეპტოპში არსებულ სილიკონის ჩიპებზე ბევრად დიდი არ არის. თუმცა, თანამედროვე კვანტური აპარატურული სისტემები (რომლებიც გამოიყენება ინსტრუმენტების სასურველი ცივი ტემპერატურის შესანარჩუნებლად) და კვანტური მონაცემების დასამუშავებლად განკუთვნილი დამატებითი სივრცის ტემპერატურის ელექტრონული კომპონენტები, დაახლოებით საშუალო ზომის მანქანის ზომისაა.

მიუხედავად იმისა, რომ სრული კვანტური აპარატურის სისტემის მასშტაბურობა პრაქტიკულად გამორიცხავს კვანტური კომპიუტერების პორტაბელურობას, მკვლევრები და კომპიუტერული მეცნიერების სპეციალისტები კვლავაც შეძლებენ დისტანციურად გამოიყენონ კვანტური გამოთვლის შესაძლებლობები მონაცემთა შენახვის სხვადასხვა სისტემების გამოყენების მეშვეობით.

კვანტური პროცესორები

კვანტური ჩიპები, რომლებიც სხვადასხვა კონფიგურაციით განლაგებულ ქუბიტებს შეიცავს კომუნიკაციის უზრუნველყოფის მიზნით, წარმოადგენენ კვანტური კომპიუტერის “ტვინს” — ისინი ცნობილია ასევე როგორც კვანტურ მონაცემთა სიბრტყე.

როგორც კვანტური კომპიუტერის ძირითადი კომპონენტი, კვანტური პროცესორი მოიცავს სისტემის ფიზიკურ ქუბიტებს და იმ სტრუქტურებს, რომლებიც მათი სტაბილურობისთვის აუცილებელია. კვანტური დამუშავების ერთეული (Quantum Processing Unit – QPU) შედგება: კვანტური ჩიპისგან, კონტროლის ელექტრონიკისგან, კლასიკური გამოთვლითი აპარატურისგან, რომელიც უზრუნველყოფს მონაცემთა შეტანასა და გამოტანას.

ზეგამტარები

თქვენი სამუშაო კომპიუტერი, სავარაუდოდ, იყენებს ვენტილატორს, რათა საკმარისად გაცივდეს და ფუნქციონირება შეძლოს. კვანტურ პროცესორებს კი გაცილებით უფრო დაბალი ტემპერატურა სჭირდებათ, რათა მინიმუმამდე დაიყვანონ შიდა ხმაური და შენარჩუნდეს თანამიმდევრულობისა და სინქრონულობის გარემო, რაც აუცილებელია კვანტური მდგომარეობების შენარჩუნებისთვის. ეს უკიდურესად დაბალი ტემპერატურა მიიღწევა ექსტრემალურად ცივი სპეციფიკური სითხე-საშუალებებით. ასეთ პირობებში ზოგიერთი მასალა აჩვენებს მნიშვნელოვან კვანტურ მექანიკურ ეფექტს: ელექტრონები გადაადგილდებიან მასალაში წინააღმდეგობის გარეშე. სწორედ ეს ეფექტი აქცევს მათ სუპერგამტარებად.

როცა მასალები სუპერგამტარები ხდებიან, მათში ელექტრონები ერთიანდებიან და ქმნიან ე.წ. კუპერის წყვილებს (Cooper pairs). ეს წყვილები საშუალებას იძლევიან მუხტმა გადაკვეთოს ბარიერები — ანუ იზოლატორები — კვანტური გვირაბის (quantum tunneling) მექანიზმის მეშვეობით. როდესაც ორი სუპერგამტარი მოთავსებულია იზოლატორის რომელიმე მხარეს, ისინი ქმნიან ჯოზეფსონის შეერთებას (Josephsonjunction) — ერთ-ერთ ფუნდამენტურ ელემენტს კვანტური გამოთვლის აპარატურაში.

კონტროლი

კვანტური კომპიუტერები კონდენსატორებითადა ჯოზეფსონის შეერთებებით სქემებს ზეგამტარ ქუბიტებად იყენებენ. ამ ქუბიტებზე მიკროტალღური ფოტონების გაშვებით, ჩვენ შეგვიძლია მათი ქცევის კონტროლი და კვანტური ინფორმაციის ცალკეული ერთეულების შენახვა, შეცვლა და წაკითხვა.

მიუხედავად იმისა, რომ კვლევა მუდმივად აუმჯობესებს კვანტური აპარატურის კომპონენტებს, ეს რთული განტოლების მხოლოდ ერთი ნაწილია. კვანტური უპირატესობის რეალურ აღმოჩენას მომხმარებლებისთვის სწორედ მაღალეფექტური და სტაბილური კომპლექსური კვანტური პროგრამული პლატფორმის უზრუნველყოფაა — რომელიც შესაძლებელს გახდის კვანტური ალგორითმების მომავალი თაობის განვითარებას.

მაგალითისთვის 2024 წელს, IBM-მა წარადგინა Qiskit-ის ღია კოდის მქონე პროგრამული განვითარების კომპლექტის (SDK) პირველი სტაბილური ვერსია — Qiskit SDK 1.x. Qiskit-ს 600,000-ზე მეტი რეგისტრირებული მომხმარებელი ჰყავს და მსოფლიოს 700 უნივერსიტეტზე მეტი იყენებს მას კვანტური გამოთვლის სწავლებაში. როგორც IBM-ში აცხადებენ Qiskit ჩამოყალიბდა, როგორც კვანტური გამოთვლისთვის უპირატესი პროგრამული პლატფორმა. Qiskit ბევრად მეტია, ვიდრე უბრალოდ მსოფლიოში ყველაზე პოპულარული კვანტური განვითარების პროგრამა კვანტური სქემების გასავითარებლად და შესამუშავებლად. ჩვენ Qiskit-ს ხელახლა ვადგენთ, როგორც IBM-ის სრულფასოვან პროგრამულ კომპლექსს. მას ვქმნითკვანტური სისტემებისთვის — ვაძლიერებთ QiskitSDK-ს პროგრამული უზრუნველყოფითა და სერვისებით, რაც შესაძლებელს გახდის პროგრამების წერას, ოპტიმიზაციას და შესრულებას IBM Quantum სისტემებზე — მათ შორის ახალი გენერაციული ხელოვნური ინტელექტისთვისროგორც კოდების წერის დამხმარე ხელსაწყო.

კლასიკური გამოთვლები კვანტური გამოთვლების პირისპირ

კვანტური გამოთვლა ეფუძნება კვანტური მექანიკის პრინციპებს, რომლებიც აღწერენ, როგორ იქცევიან ძალიან პატარა ობიექტები დიდი ობიექტებისგან განსხვავებულად. ამასთან, რადგან კვანტური მექანიკა ჩვენი მთლიანი სამყაროს ფუნდამენტურ კანონებს წარმოადგენს, ძალიან მცირე მასშტაბზე თუ განვიხილავთ ყოველი სისტემა ამ სამყაროში კვანტურია.

ზემოთ ხსენებულზე დაყრდნობით, შეგვიძლია ვთქვათ, რომ მიუხედავად იმისა, რომ საბოლოო ჯამში გამოდის, რომ ტრადიციული კომპიუტერებიც აგებულნი არიან კვანტურ სისტემებზე, ისინიგამოთვლებისას სრულად ვერ იყენებენ კვანტური მექანიკის სასარგებლო თვისებებს. კვანტური კომპიუტერებისგან კი მოლოდინია, რომ ისინი ბევრად ეფექტურად გამოიყენებენ კვანტურ მექანიკას იმ გამოთვლებისთვის, რომელთა შესრულებაც შეუძლებელია თუნდაც მაღალი პროდუქტიულობის მქონე კლასიკური კომპიუტერებისთვის.

რა არის კლასიკური კომპიუტერი?

დაწყებული ძველი პერფორირებულიბარათებით ფუნქციონირებადი კომპიუტერებიდან ვიდრე თანამედროვე სუპერკომპიუტერებამდე, ტრადიციული (ან კლასიკური) კომპიუტერები არსებითად მაინც ერთიდაიგივე პრინციპით მოქმედებენ. ეს მოწყობილობები, როგორც წესი, ასრულებენ გამოთვლებს თანმიმდევრულად, და ინახავენ მონაცემებს ორობითი ბიტების გამოყენებით — სადაც თითოეული ბიტი წარმოადგენს „0“-ს ან „1“-ს.

როდესაც ეს ბიტები შეკრებილია ორობით კოდში და ლოგიკური ოპერაციების საშუალებით ხდება მათი მანიპულაცია, კომპიუტერები გვაძლევენ საშუალებას განვახორციელოთ ყველაფერი — დაწყებული მარტივი საოპერაციო სისტემებიდან, დამთავრებული ყველაზე დახვეწილი სუპერ გამოთვლითი ამოცანებით.

რა არის კვანტური კომპიუტერი?

კვანტური კომპიუტერებიც, ისევე, როგორც კლასიკური კომპიუტერები სხვადასხვა დავალებებისა და პრობლემების გადაჭრისთვის შექმნილი მანქანებია. თუმცა, ბიტების ნაცვლად კვანტური გამოთვლა იყენებს ქუბიტებს. ქუბიტები მონაცემებს ამუშავებენ ბიტების მსგავსად, მაგრამ — კვანტური ფენომენების გამოყენებით — მათ ხელმისაწვდომია უფრო რთული მათემატიკა განსხვავებული ტიპის გამოთვლების განსახორციელებლად. ეს შესაძლებლობა გამომდინარეობს კვანტური მექანიკის ისეთი ძირითადი ცნებებიდან, როგორებიცაა სუპერპოზიცია და ინტერფერენცია, რომლებზეც ზემოთ უკვე ვისაუბრეთ.

განსხვავება კვანტურ და კლასიკურ გამოთვლებს შორის

კლასიკური გამოთვლა

– გამოიყენება მრავალფუნქციური დანიშნულების ტრადიციულ კომპიუტერებსა და მოწყობილობებში.
– მონაცემების დამუშავება ხდება ბიტების გამოყენებით, რომელთაც აქვთ ფიქსირებული, დისკრეტული მდგომარეობები — „0“ ან „1“.

კვანტური გამოთვლა

– გამოიყენება სპეციალიზებული აპარატურის მიერ, რომელიც დაფუძნებულია კვანტური მექანიკის პრინციპებზე.
– მონაცემების დამუშავება ხდება ქუბიტების გამოყენებით, რომლებიც შეიძლება იყვნენ „0“, „1“ ან ამ მდგომარეობების სუპერპოზიციაში.
– მონაცემთა ანალიზი და პრობლემების გადაჭრა განხორციელდება კვანტური ლოგიკით — ინტერფერენციის გამოყენებით.

ამასთან, დავამატებთ, რომ კვანტური პროცესორები მათემატიკურ განტოლებებს იმავე პრინციპით არ ასრულებენ, როგორითაც ამას კლასიკური კომპიუტერები აკეთებენ. განსხვავებით კლასიკური კომპიუტერებისგან, რომლებიც რთული გამოთვლის თითოეულ ეტაპს ანგარიშობენ, კვანტური სქემები — რომლებიც შედგენილია ლოგიკური ქუბიტებისგან — რთულ და კომპლექსურ დავალებებს აბსოლუტურად სხვა მეთოდით მნიშვნელოვნად უფრო ეფექტურად ამუშავებენ.მიუხედავად იმისა, რომ ტრადიციული კომპიუტერები, როგორც წესი, იძლევიან ერთმნიშვნელოვან პასუხებს, შესაძლო ალტერნატივების კომბინირებული გათვალისწინებით, ალბათურად კვანტური მანქანები ხშირად წარმოქმნიან შესაძლო პასუხთა სპექტრს/ალტერნატივებს. შესაბამისად, ეს მრავალფეროვნება შესაძლოა კვანტურ გამოთვლას ტრადიციულ მეთოდებთან შედარებით ნაკლებად ზუსტად წარმოაჩენდეს. თუმცა, შედარებისთვის იმ უკიდურესად რთულ ამოცანების შესრულება, რომელიც კვანტურ კომპიუტერებს შეიძლება მალე შეეძლოს, წარმოუდგენელიც კი შეიძლება ყოფილიყო ტრადიციული კომპიუტერებისთვის. ან, თუ ამას დავუშვებდით მსგავსი გამოთვლის მოდელი შესაძლოა ასიათასობით წელი დასჭირდებოდა და ფანტასტიკის სფერო იქნებოდა.

პრაქტიკაში, კვანტური და კლასიკური კომპიუტერები სხვადასხვა ამოცანების გადასაჭრელად თანამშრომლობენ და კოორდინირებულად შეუძლიათ მუშაობა.  ყველაზე ეფექტური მიდგომებით სამუშაოს შესასრულებლად გამოთვლების პროცესები ნაწილდება რომელთა შესრულებაც კვანტურ კომპიუტერებს უკეთესად შეუძლიათ — კვანტური რესურსებისკენ მიიმართება, ხოლო იმ ნაწილებისა, რომელთა მიმართაც კლასიკური კომპიუტერები განსაკუთრებით ეფექტიანები არიან — კლასიკური გამოთვლის რესურსებისკენ მიიმართება.

სრული დატვირთვით მომუშავე კვანტური კომპიუტერები, რომლებიც კოორდინირებენ და მუშაობენ მაღალი პროდუქტიულობის მქონე კლასიკურ სისტემებთან ერთად, გარკვეული ტიპის ამოცანების — მაგალითად, მთელი რიცხვების ფაქტორიზაციის — გადაჭრისას მნიშვნელოვნად უფრო ეფექტიან შედეგებს გვთავაზობენ, ვიდრე მხოლოდ კლასიკური კომპიუტერები. ამასთან, უნდა ითქვას, რომ კვანტური გამოთვლა არ წარმოადგენს იდეალურ გადაწყვეტას ყველა (და არც უმეტესობა) ტიპის ამოცანისთვის.

როდის არის კვანტური გამოთვლები უპირატესი?

ამოცანებისა და პრობლემების უმეტესობისთვის, კლასიკური კომპიუტერები სავარაუდოდ კვლავაც დარჩებიან საუკეთესო გადაწყვეტად. თუმცა, როდესაც მეცნიერები და ინჟინრები წააწყდებიან განსაკუთრებით რთულ ამოცანებს, კვანტური გამოთვლის შესაძლებლობები გამოდის წინა პლანზე. ამ ტიპის რთული გამოთვლებისთვის, თუნდაც ყველაზე პროდუქტიული კლასიკური სუპერკომპიუტერებიკვანტურ სისტემებთან შედარებით მკვეთრად სუსტები ჩანან. ეს იმიტომ, რომ მათგან ყველაზე განვითარებულიც კი წარმოადგენს ორობით კოდზე დაფუძნებულ მანქანას, რომელიც ეფუძნება მე-20 საუკუნის ტექნოლოგიურ პრინციპებს.

რთულ ამოცანებში ვგულისხმობთ ისეთ ამოცანებს, რომელთაც მრავალი ცვლადი აქვთ, რომლებიც ერთმანეთთან რთულად ურთიერთქმედებენ. მაგალითად, ცალკეული ატომების ქცევის მოდელირება მოლეკულაში რთულ პრობლემას წარმოადგენს, რადგან ელექტრონებს შორის არსებული მრავალფეროვანი ურთიერთქმედებები არაპირდაპირად და კომპლექსურად განსაზღვრავენ მთლიანი სისტემის დინამიკას. ახალი ფიზიკის აღმოჩენა სუპერკოლაიდერი (Supercollider) ასევე რთულ და კომპლექსურ ამოცანად მიიჩნევა. ასევე, არსებობენ სხვადასხვა რთული გამოწვევებიც, რომელთა გადაჭრის პრაქტიკული გზებიც ტრადიციული კომპიუტერული სისტემების საშუალებით ჯერ კიდევ არ ვიცით და ვერც წარმოგვიდგენია.

კლასიკური კომპიუტერი შესაძლოა ძალიან ეფექტიანი იყოს რთულ ამოცანებში, როგორიცაა დიდი მოლეკულური მონაცემთა ბაზის დალაგება, მაგრამ მას გაუჭირდება უფრო კომპლექსური პრობლემების გადაჭრა — მაგალითად, იმიტაცია იმისა, თუ როგორ იქცევიან ეს მოლეკულები.

დღესდღეობით, თუ მეცნიერებს სურთ გაიგონ, როგორ იქცევა კონკრეტული მოლეკულა, მათ უწევთ მისი სინთეზირება და რეალურ გარემოში ექსპერიმენტების ჩატარება. თუ მათ აინტერესებთ, როგორ იმოქმედებს მცირედი ცვლილება მოლეკულის ქცევაზე, ჩვეულებრივ საჭიროა ახალი ვარიანტის სინთეზირებაც და ექსპერიმენტის თავიდან ჩატარება. ეს პროცესი ძალიან ძვირი ჯდება როგორც ფინანსურად, ისე დროის მხრივ, რაც მნიშვნელოვნად აფერხებს პროგრესს ისეთ მრავალფეროვან დარგებში, როგორიცაა მედიცინა და ნახევარგამტარების დიზაინი.

კლასიკური სუპერკომპიუტერი შეეცდება მოლეკულური ქცევის სიმულაციას “ძალით” — ანუ მრავალი პროცესორის გამოყენებით, რომშეისწავლოს მოლეკულის თითოეული ნაწილისშესაძლო ქცევათა ყველა ვარიანტი. თუმცა, როგორც კი გამოთვლა სცილდება ყველაზე მარტივ და პირდაპირ სტრუქტურირებულ მოლეკულებს, სუპერკომპიუტერი ჩერდება. კლასიკურ კომპიუტერს არ აქვს მსგავსი უნარი, რაიმე ჩვენთვის ცნობილი მეთოდით, სრულად მართოს მოლეკულური ქცევის ყველა შესაძლო ქცევა და გამოვლინება.

კვანტური ალგორითმები რთული ტიპის ამოცანებს განსხვავებული მიდგომით უყურებენ — ისინი ქმნიან მრავალგანზომილებიან გამოთვლით სივრცეებს, რომელშიც ალგორითმები მოქმედებენ ისე, როგორც თავად ეს მოლეკულები იქცევიან.გამოიკვეთა, რომ ამგვარი მიდგომა მნიშვნელოვნად უფრო ეფექტურია რთული ამოცანების — როგორიცაა ქიმიური სიმულაციები — გადასაჭრელად.

ერთ-ერთი შესაძლო ხედვა შემდეგია:კლასიკური კომპიუტერები საჭიროებენ რაოდენობრივი გამოთვლების ჩატარებას იმის დასადგენად, თუ როგორ მოიქცევა მოლეკულა.კვანტურ კომპიუტერს არ სჭირდება ამ ციფრებით წვალება და მანიპულაციები — ის პირდაპირ ცნობს, გრძნობს და ბაძავს ამ მოლეკულურ სისტემას.

გარდა ამისა, კვანტური ალგორითმები ამუშავებენ მონაცემებს ისეთი ფორმით, რაც კლასიკურ კომპიუტერებს არ შეუძლიათ, რაც იძლევა ახალი ხედვების რეალიზების და განვითარების შესაძლებლობას და ინტერპრეტაციებს.

კვანტური გამოთვლების გამოყენების პრაქტიკული შემთხვევები

მიუხედავად იმისა, რომ კვანტური მანქანის თეორიული კონცეფცია პირველად 1980-იან წლებში გაჩნდა, ის არ ყოფილა ხელმისაწვდომი 1994 წლამდე, ვიდრე ის ოფიციალურად მათემატიკოსმა პიტერ შორმა არ წარადგინა, სადაც საუბარი იყო პირველ ჰიპოთეტურად რეალისტურ კვანტურ მანქანებზე. შორის ალგორითმი მთელი რიცხვების ფაქტორიზაციისთვის აჩვენებდა, თუ როგორ შეუძლია კვანტურ მექანიკურ კომპიუტერს იმ დროის — მათ შორის დღეს არსებული ყველაზე დახვეწილი კომპიუტერული სისტემების უბრალოდ „გაცამტვერება“, გატეხვა და დომინაცია. შორის მიერ აღმოჩენილი მიგნებები წარმოადგენდა კვანტური სისტემების პრაქტიკულად გამოყენებადი მაგალითის დემონსტრაციას — რაც მნიშვნელოვან ზეგავლენას ახდენს არა მხოლოდ კიბერ–უსაფრთხოებაზე, არამედ სხვა მრავალ სფეროზეც.

საინჟინრო კომპანიები, საფინანსო ინსტიტუტები და გლობალური სატრანსპორტო კორპორაციები — სხვა მრავალი დარგის წარმომადგენლებთან ერთად — აქტიურად იკვლევენ იმ პრაქტიკულ შემთხვევებს, სადაც კვანტური კომპიუტერები შესაძლოა მნიშვნელოვანი პრობლემების გადაჭრაში დაეხმარონ მათ სფეროებს. კვანტური კვლევისა და განვითარების შედეგად შექმნილი სარგებლიანობის ბუმი უკვე იკვეთება ჰორიზონტზე.როდესაც კვანტური აპარატურა უფრო ფართოდ ხელმისაწვდომი გახდება და კვანტური ალგორითმები კიდევ უფრო განვითარდება,შესაძლებელი გახდება ახალი გამოსავლებისა და გადაწყვეტების პოვნა ისეთ მასშტაბურ და მნიშვნელოვან ამოცანებზე, როგორებიცაა მოლეკულური სიმულაცია, ენერგეტიკული ინფრასტრუქტურის მართვა და საფინანსო ბაზრების მოდელირება.

კვანტური კომპიუტერები განსაკუთრებულად ეფექტიანად მუშაობენ რთულ პრობლემებზე, რომლებიც მრავალცვლადიან სტრუქტურას მოიცავენ. დაწყებული ახალი მედიკამენტების შემუშავებით, გაგრძელებული ნახევარგამტარების განვითარების პროგრესითა და რთული ენერგეტიკული პრობლემების გადაჭრით — კვანტურ გამოთვლას შესაძლოა ეკავოს გადამწყვეტი როლი კრიტიკულად მნიშვნელოვან მრეწველობებში გარდამტეხი მიღწევების წარმოსაჩენად და განსავითარებლად.

ფარმაცევტული ინდუსტრია

კვანტური კომპიუტერებს, რომლებსაც შეუძლიათ მოლეკულური ქცევისა და ბიოქიმიური რეაქციების სიმულაცია, შესაძლოა მნიშვნელოვნად დააჩქარონ სიცოცხლის გადამრჩენი ახალი მედიკამენტებისა და სამკურნალო მეთოდების კვლევა და განვითარება.

ქიმია

იმავე მიზეზების გამო, რის გამოც კვანტურ კომპიუტერებს შეუძლიათ გავლენა მოახდინონ სამედიცინო კვლევაზე, მათ ასევე შეიძლება შესთავაზონ ჯერ კიდევ უცნობი და შესაძლო აღმოსაჩენი გადაწყვეტილებები საშიში ან დამაზიანებელი ქიმიური ნარჩენების შემსუბუქებისთვის. კვანტური გამოთვლამშეიძლება მიგვიყვანოს უკეთეს კატალიზატორებამდე, რომლებიც ხელს შეუწყობენ ქიმიური ნარჩენების ალტერნატიული გადაწყვეტების და მავნე ზეგავლენებისგან დაცვის განვითარებას. ან წარმოების პროცესში ქიმიური და მავნე ნარჩენების გაუვნებელყოფის მიმართულებით უკეთესი გადაწყვეტები შემოგვთავაზოს — რაც აუცილებელია კლიმატისთვის საფრთხის შემცველი გამოვლენების წინააღმდეგ ბრძოლაში.

მანქანური სწავლებები

როდესაც ხელოვნური ინტელექტის (AI) და მასთან დაკავშირებული სფეროების — როგორიცაა მანქანური სწავლება — მიმართ ინტერესიც და ინვესტიციაც მკვეთრად იზრდება, მკვლევრები სულ უფრო აქტიურად ცდილობენ გამოავლინონ სად შეიძლება AI მოდელებს აქტიური გამოყენება. აღნიშნულ პროცესებს არსებული ტექნიკური რესურსების შესაძლებლობების ზღვარზე მივყავართ და უდიდეს დანახარჯებს საჭიროებს. არსებობს გარკვეული საფუძველი ვიფიქროთ, რომ კვანტური ალგორითმები შეიძლება მონაცემთა ნაკრებს სრულიად ახალი პერსპექტივით მიუდგნენ, რაც გარკვეული ტიპის მანქანური სწავლების ამოცანებზე მნიშვნელოვნად დააჩქარებს გამოთვლის პროცესს. შესაბამისად,გამარტივდება გამოსავლებიც და გადაწყვეტების მრავალფეროვნების მიწოდება მომხმარებლებამდე უფრო გაადვილდება.

კვანტური სარგებლიანობა კვანტური უპირატესობის პირისპირ

მიუხედავად იმისა, რომ კვანტური გამოთვლა უკვე აღარ არის მხოლოდ თეორიული კონცეფცია, ის კვლავ განვითარებისა და სრულყოფის პროცესშია. მთელ მსოფლიოში მეცნიერები ცდილობენ ახალი მეთოდების აღმოჩენას, რომლებიც გააუმჯობესებს კვანტური მანქანების სიჩქარეს, სიმძლავრესა და ეფექტიანობას — და ამ ტექნოლოგიამ უკვე მიაღწია გარდამტეხ წერტილს.ჩვენ ვახერხებთ პრაქტიკული კვანტური გამოთვლის ევოლუციის გააზრებას ისეთი ცნებების მეშვეობით, როგორებიცაა კვანტური უპირატესობა (quantum advantage) და კვანტური სარგებელი (quantumutility).

კვანტური უპირატესობა

განსაზღვრებით, ტერმინი „კვანტური უპირატესობა“ აღნიშნავს ისეთ სიტუაციას, როცა კვანტურ სისტემას შეუძლია თავისი თავის ყველაზე საუკეთესოდ გამოვლენა, უფრო სწრაფად და უფრო იაფად, ვიდრე აქამდე არსებული ნებისმიერი კლასიკური მეთოდით იყო შესაძლებელი. კვანტურ კომპიუტერების ალგორითმმა, რომელიც დემონსტრირებს „კვანტურ უპირატესობას“, უნდა უზრუნველყოს მნიშვნელოვანი და პრაქტიკული სარგებელი ყველა ცნობილი კლასიკური გამოთვლითი მეთოდის შესაძლებლობების ზღვარს მიღმა. IBM-ის პროგნოზით, პირველი კვანტური უპირატესობები უნდა ჩაეშვას 2026 წლის ბოლოსთვის — ეს შესაძლებელი იქნება იმ შემთხვევაში, თუ კვანტური და მაღალი პროდუქტიულობის გამოთვლის (HPC) საზოგადოებები ერთად იმუშავებენ.

კვანტური სარგებლიანობა

„კვანტური სარგებელი“ (Quantum utility) აღნიშნავს ნებისმიერ კვანტურ გამოთვლას, რომელიც უზრუნველყოფს საიმედო და ზუსტ გადაწყვეტილებებს იმ ამოცანებისთვის, რომლებიც „უხეში-ძალის“ ტიპის კლასიკური გამოთვლის ტიპებისთვის შეუძლებელი იყო. მანამდე, ამ რთული ამოცანების გადასაჭრელად გამოიყენებოდა მხოლოდ კლასიკური მიახლოებითი/სავარაუდო მეთოდები — ხშირად სპეციფიკურ ამოცანაზე მორგებული, მიზნობრივად შემუშავებული ალგორითმები, რომლებიც კონკრეტული ამოცანის უნიკალურ სტრუქტურებს იყენებდნენ. IBM-მა პირველად კვანტური სარგებლიანობის დემონსტრირება 2023 წელსმოახდინა.

საორიენტაციო კვანტური მაჩვენებლები

გამომდინარე იქიდან, რომ კვანტური გამოთვლები ახლა წარმოგვიდგება, როგორც ახალი ალტერნატივა კლასიკურ ალბათურმეთოდებთან შედარებით, სამეცნიერო დარგში მკვლევრები და მეცნიერები მიიჩნევენ, რომ ის სასარგებლო ინსტრუმენტია სამეცნიერო აღმოჩენებისთვის — ანუ აქვს მაღალი „კვანტური სარგებელი“ (quantum utility). თუმცა, კვანტური სარგებელი არ გულისხმობს იმას, რომ კვანტურმამეთოდებმა მიაღწიეს დადასტურებულ სიჩქარის ზრდას ყველა ცნობილ კლასიკურ მეთოდთან შედარებით — ეს წარმოადგენს პრინციპულ განსხვავებას “კვანტურ უპირატესობასთან” (quantumadvantage) შედარებით.

მოცემული ეტაპისთვის IBM-მა კვანტური კომპიუტერების შეფასების მიზნით შემოიღო ორი ძირითადი მეტრიკა: ფენის სიზუსტე (layer fidelity) წრიული ფენის ოპერაციები წამში (circuit layeroperations per second, CLOPS)

ფენის სიზუსტე (layer fidelity)

კვანტური პროცესორის შეფასებისთვის უკიდურესად მნიშვნელოვანი მეტრიკა —უზრუნველყოფს საშუალებას, ერთიან ჩარჩოში გადმოიცეს მთელი მოწყობილობის უნარი კვანტური წრედების გაშვებაში, თან უჩვენებს ინფორმაციას ინდივიდუალური ქუბიტების, ლოგიკური გამოსავლებისა და შესაძლო ჩარევების შესახებ.

კვანტური დამუშავების სიჩქარე

Layer fidelity-ის პარალელურად, IBM-მა განსაზღვრა სიჩქარის მაჩვენებელი — წრიული ფენის ოპერაციები წამში (CLOPS). ამჟამად, CLOPS წარმოადგენს მაჩვენებელს, თუ რა სისწრაფით შეუძლიათ პროცესორებს სერიულად გაუშვან quantum volume-ის წრედები, რაც ითვლება სისტემის მთლიანი სიჩქარის შეფასების მეთოდად, რომელიც აერთიანებს კვანტურ და კლასიკურ გამოთვლას.

ფენის სიზუსტე (layer fidelity) და CLOPS ერთად ქმნიან სისტემების შეფასების ახალ მეთოდოლოგიას, რომელიც ბევრად უფრო მნიშვნელოვნად აღიქმება იმ ადამიანებისთვის, ვინც ცდილობს კვანტური აპარატურის გაუმჯობესებას და გამოყენებას.

ეს საზომები ამარტივებს სისტემების ერთმანეთთან შედარებას, ჩვენს სისტემების სხვა სპეციფიკის არქიტექტურასთან შეპირისპირებას და შესრულების ზრდის დემონსტრირებას სხვადასხვა მასშტაბზე.

Circuit depth (წრედის სიღრმე)

წრედის სიღრმე ასევე წარმოადგენს კვანტური დამუშავების ერთ-ერთ აუცილებელ შესაძლებლობას. ის აღწერს პარალელურად განხორციელებული კვანტური გამოსავლებისრაოდენობას — ანუ იმ ნაბიჯების რაოდენობას კვანტურ წრედში, რომლის შესრულებაც ერთეულს შეუძლია, სანამ ქუბიტები დაკარგავენ კვანტურ თანამიმდევრულობას. რაც უფრო მაღალია წრედის სიღრმე, მით უფრო რთული წრედები შეუძლია კომპიუტერმა აწარმოოს.

კვანტური გამოწვევები, როგორ გავხადოთ კვანტური კომპიუტერები უფრო სასარგებლო

დღესდღეობით ისეთი კომპანიები, როგორებიც არიან IBM, Google, Microsoft, D-Wave, Rigetti Computingდა სხვა, უკვე აწარმოებენ რეალურ კვანტურ აპარატურას. ის უახლესი ტექნოლოგიური საშუალებები, რომლებიც ოთხი ათწლეულის წინ მხოლოდ თეორიული იდეა იყო, ახლა ხელმისაწვდომია ასიათასობით დეველოპერისთვის. ინჟინრები რეგულარულად იღებენ სულ უფრო ძლიერი სუპერგამტარ კვანტურ პროცესორებს, პარალელურად სთავაზობენ მნიშვნელოვანი პროგრესს პროგრამული უზრუნველყოფისა და კვანტურ-კლასიკური ოპერაციების თანწყობის მიმართულებით. ეს ძალისხმევა მიზნად ისახავს კვანტური გამოთვლის იმ სიჩქარისა და შესაძლებლობის მიღწევას, რომელიც მსოფლიოში რეალურ გარდაქმნას გამოიწვევს.

მას შემდეგ, რაც სფერომ კვანტური სარგებლიანობის აღიარების ეტაპს მიაღწია, მკვლევრები ინტენსიურად მუშაობენ იმაზე, რომ უახლესი კვანტური კომპიუტერები კიდევ უფრო პრაქტიკულ ინსტრუმენტებად აქციონ. IBM Quantum-ისა და სხვა წამყვანი ინსტიტუტების მკვლევრებმა უკვე დააფიქსირეს რამდენიმე საკვანძო გამოწვევა, რომელიც უნდა გადაჭრან „კვანტური სარგებლის“ გასაუმჯობესებლად და შესაძლოა, „კვანტური უპირატესობის“ მისაღწევად:

1. კვანტური პროცესორების მასშტაბები:

მიუხედავად იმისა, რომ ქუბიტებზე დაფუძნებულ პროცესორებს კვანტურ კომპიუტერებში მაღალი პოტენციალი აქვთ, რომ ბიტებზე დაფუძნებულ პროცესორებს შთამბეჭდავად გადააჭარბონ, ამჟამინდელი კვანტური პროცესორები მხოლოდ მცირე რაოდენობის ქუბიტების მხარდაჭერას ახერხებენ.

კვლევითი პროცესების პარლელურად, IBM გეგმავს 2029 წლისთვის დანერგოს კვანტური სისტემა, რომელიც მოიცავს 200 ლოგიკურ ქუბიტს და შეძლებს 100 მილიონი კვანტური კავშირის ჩაშვებას. საბოლოო მიზანია 2033 წლისთვის შექმნას სისტემა, რომელიც მოიცავს 2,000 ლოგიკურ ქუბიტს და 1 მილიარდი კავშირის შესრულებას.

2. კვანტური აპარატურის მასშტაბები:

ქუბიტების ძლევამოსილების პარალელურად ისინი შეცდომაზე მიდრეკილებიც არიან და საჭიროებენ მასშტაბურ გაგრილების სისტემებს, რომლებიც კოსმოსის სიცივესაც კი აღემატება. ამჟამად მკვლევრები ავითარებენ ქუბიტების, ელექტრონიკის, ინფრასტრუქტურისა და პროგრამული უზრუნველყოფის ალტერნატიულ გზებს, რათა შეამცირონ ხარჯები და ენერგიის მოხმარება.

3. კვანტური შეცდომების კორექცია:

დეკოჰერენტულობა — პროცესი, რომლის დროსაც ქუბიტები ვერ ფუნქციონირებენ სწორად და წარმოქმნიან არაზუსტ შედეგებს — წარმოადგენს მთავარ გამოწვევას ნებისმიერი კვანტური სისტემისთვის.კვანტური შეცდომების გამოსწორება მოითხოვს, რომ კვანტური ინფორმაციის კოდირება მოვახდინოთ უფრო მეტ ქუბიტში, ვიდრე ჩვეულებრივ საჭიროება იქნებოდა.

2024 წელს IBM-მა წარადგინა გარდამტეხი ახალი კვანტური შეცდომების გამოსასწორებელი კოდი, რომელიც დაახლოებით 10-ჯერ უფრო ეფექტურია წინა მეთოდებთან შედარებით.
მიუხედავად იმისა, რომ კვანტური შეცდომების კორექციის კოდების დანერგვა და დაშიფრული კვანტური ინფორმაციის საფუძველზე გამოთვლების განხორციელება კვლავ გამოწვევად რჩება, ეს ახალი კოდი მკაფიოდ ხსნის გზას კვანტური წრედების გაშვებისთვის, რომელთაც ერთი მილიარდი ლოგიკური ბმა ან მეტი შეეძლებათდაამყარონ.

4. კვანტური ალგორითმების აღმოჩენა

კვანტური უპირატესობა ორ ძირითად კომპონენტზეა დამოკიდებული: პირველი — ეფექტური და რეალურად გამოყენებადი კვანტური წრედებია; მეორე — მეთოდი, რომელიც აჩვენებს, რომ ეს კვანტური წრედები უკეთესად წყვეტენ კვანტურ ამოცანას, ვიდრე ცნობილი კლასიკური მიდგომები. კვანტური ალგორითმის აღმოჩენა ის პროცესია, რომელიც მოქმედ კვანტურ ტექნოლოგიებს გადაიყვანს კვანტური სარგებლობიდან კვანტურ უპირატესობამდე.

5. კვანტური პროგრამული უზრუნველყოფა და შუალედური პროგრამული უზრუნველყოფა

კვანტური გამოთვლების უპირატესობისთვის მაღალეფექტური და სტაბილური პროგრამული უზრუნველყოფისთვის საჭიროა დაიწეროს კვანტური პროგრამების დასტა,მათი ოპტიმიზაციისა და იმპლემენტაცია ღია კოდისა და Python-ზე დაფუძნებული IBM-ის Qiskit მსოფლიოში ყველაზე ფართოდ გამოყენებადი კვანტური SDK-ია. ის სასარგებლოა როგორც IBM-ის ზეგამტარიკვანტური კომპიუტერების ფლოტზე, ასევე ალტერნატიული ტექნოლოგიების გამოყენებით სისტემებზე, როგორიცაა მაგნიტურ ველებში ჩარჩენილი იონები ან კვანტური გახურება.

6. კვანტურ-ცენტრული სუპერკომპიუტერები

უახლოეს მომავალში კვანტური გამოთვლები თანამედროვე და მომავლის კლასიკურ სუპერ–გამოთვლებთან ერთად იმუშავებს, რომ ამ საქმიდან სარგებელი მეტი იყოს.შესაბამისად, კვანტური მკვლევრები ემზადებიან ისეთი მსოფლიოსთვის, სადაც კლასიკურ სუპე–რკომპიუტერებს შეეძლებათ გამოიყენონ კვანტური წრედები პრობლემების გადასაჭრელად.

10 ივნისი 2025 წ.

Josh Schneider

Based in Brooklyn, Josh is a seasoned technology writer and content creator.
His expertise spans quantum computing, artificial intelligence, and cybersecurity.
Beyond IBM, his work has appeared in VICE, Forbes, HuffPost, Yahoo Finance, Buzzfeed, and more.
He holds an MFA in poetry from Columbia University, which adds a creative edge to his tech storytelling.

Ian Smalley

Ian is a content director and strategist focused on IT infrastructure, hybrid cloud, and AI.
He contributes to IBM’s Think blog and podcast, shaping editorial direction and strategic messaging.
His work often bridges technical depth with accessible narratives, helping IBM communicate complex innovations like quantum-centric supercomputing.

თარგმნა:
გიორგი მიქანაძე

– ინოვაციური ეკონომიკური პოლიტიკის მკვლევარი, თსუ ეკონომოკური პოლიტიკის დოქტორანტი

გიორგი მიქანაძე

ახალგაზრდა ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა“

სრულად ნახვა
მედიცინარობოტექნიკატექნოლოგიები

ისტორიაში პირველად, რობოტმა ქირურგების მითითებებით ოპერაცია წარმატებით ჩაატარა

742 views on

რობოტული ქირურგია ახალ ეტაპზე გადავიდა. ცოტა ხნის წინ რობოტმა ნაღვლის ბუშტის ამოკვეთის ოპერაცია წარმატებით ჩაატარა. ის ქირურგების მითითებებს უსმენდა და შესაბამისად მოქმედებდა. რობოტს ოპერაციისას მოულოდნელი სიტუაცია შეექმნა, რომელზეც სწორი რეაგირება მოახდინა.

“ეს წინა მცდელობების შემდეგ დიდი ნაბიჯია. ჩვენ თითქმის ვიცით, როგორ განვათავსოთ ავტონომიური ქირურგიული რობოტები რეალურ გარემოში”, — განაცხადა კვლევის მთავარმა ავტორმა, ჯი ვუნგ კიმმა.

რობოტისთვის რთული, მრავალსაფეხურიანი ქირურგიული ოპერაციის სწავლება ურთულესი ამოცანაა. ზუსტად უნდა იცოდე, რომელი მოქმედებები შეასრულო და სად არ უნდა მოგიხვდეს სკალპელი. შემდეგ კი ეს რობოტის კოდში უნდა ჩაწერო.

“აი, ამიტომ არის ეს ყველაფერი ასეთი რთული. როგორ უნდა დაწერო ეს კოდად?” — თქვა დოქტორმა მათიას უნბერათმა, ჯონს ჰოპკინსის უნივერსიტეტის ასოცირებულმა პროფესორმა.

ამ მიდგომას იმიტირებული სწავლება ეწოდება და ეს უახლესი კვლევადაფუძნებული მასზე იყო. ჯონს ჰოპკინსის უნივერსიტეტის პროფესორის, აქსელ კრიგერის ხელმძღვანელობით, კიმმა და ამერიკის მასშტაბით სხვადასხვა ინსტიტუტის წარმომადგენლებმა რობოტს აჩვენეს, როგორ იღებდნენ ნაღვლის ბუშტს ღორის სხეულიდან.

ამ კვლევამდე, გასულ წელს, კრიგერის გუნდმა დაამტკიცა, რომ რობოტს ქირურგიული ნემსის გამოყენება, ქსოვილის აწევა და ნაკერების დადება სწავლისთანავე შეეძლო. მიუხედავად ამისა, ნაღვლის ბუშტის ამოკვეთა გაცილებით რთულია. ეს ოპერაცია 17 სხვადასხვა ეტაპისგან შედგება, მათ შორის, ქსოვილის ამოცნობისა და ზუსტი გაკვეთისგან.

„ეს თითქმის ისეთივე პროცესია, როგორიც მანქანისთვის ნებისმიერ გზასა და პირობებში მოძრაობის სწავლება”, — ახსნა კრიგერმა.

ვიდეო გაკვეთილების ნახვის შემდეგ, რობოტმა ოპერაცია 100%-იანი სიზუსტით ჩაატარა. პროცესი იმაზე მეტხანს გაგრძელდა, ვიდრე ადამიანებს სჭირდებათ ხოლმე. გარდა ამისა, რობოტი ხმოვან მითითებებზე რეაგირებდა — მაგალითად: “მარცხენა მკლავი ცოტათი მარცხნივ გაწია”.

კვლევისთვის მეცნიერებმა მოულოდნელი სიტუაციები სპეციალურად შექმნეს — შეცვალეს რობოტის მდებარეობა და ქსოვილებში საღებავით ფერები დაამატეს. მიუხედავად ამისა, ამ ყველაფერს დაბნეულობა არ გამოუწვევია და პროცესი წარმატებით დასრულდა.

„ეს ნამდვილად აჩვენებს, რომ რთული ქირურგიული პროცედურების ავტონომიური შესრულება შესაძლებელია. ეს არის იმის მაგალითი, რომ იმიტირებული სწავლით ასეთი კომპლექსური პროცესის საოცარი სიზუსტით ჩატარება რეალურია”, — თქვა კრიგერმა.

“ჩვენი ნამუშევარი აჩვენებს, რომ AI მოდელები შეიძლება, ქირურგიული ოპერაციებისთვის სანდო გახდეს. ის, რაც ერთ დროს წარმოუდგენელი გვეგონა, ახლა რეალურად მიღწევადია”, — განაცხადა კიმმა.

 

წყარო

ანალიტიკოსთა და მეცნიერთა დარბაზი – ,,დოქტრინა”

სრულად ნახვა
რობოტექნიკა

რობოტებისთვის შექმნეს „კანი”, რომელიც შეხებას ადამიანის მსგავსად გრძნობს

573 views on

მეცნიერებმა ელექტრონული “კანი” შექმნეს, რომლითაც რობოტები შეძლებენ, სხვადასხვა შეხება ადამიანივით იგრძნონ – მაგალითად, დარტყმა, ტემპერატურის ცვლილება და დანით დაჭრაც კი.

კანი ჟელატინისგან დამზადებული ელექტროგამტარი მასალისგან შექმნეს. შესაძლებელია, იგი სხვადასხვა ფორმაში ჩამოისხას. სპეციალური ელექტროდის გამოყენებით მასალა ასიათასობით სიგნალს გრძნობს, რომლებიც განსხვავებულ შეხებასა თუ ზეწოლას ასახავს.

მეცნიერების თქმით, ეს მასალა შეიძლება, ჰუმანოიდ რობოტებში ან პროთეზებში გამოიყენონ, რადგან ამ შემთხვევებში შეხების შეგრძნება ძალიან მნიშვნელოვანია. გარდა ამისა, ის შეიძლება, ავტომობილების ინდუსტრიასა და სტიქიური უბედურებების დროს დახმარების გაწევაშიც გამოდგეს.

შეხების შეგრძნების დახვეწა დღეს რობოტიკის ერთ-ერთი მთავარი მიზანია. მეცნიერები ისეთი მოწყობილობების შექმნას ცდილობენ, რომლებიც გარემოს აღქმას ადამიანების მსგავსად შეძლებენ.

ელექტრონული კანი ჩვეულებრივ ფიზიკურ ინფორმაციას (წნევას, ტემპერატურას) სიგნალებად გარდაქმნის. ხშირად სხვადასხვა ტიპის შეგრძნებისთვის განსხვავებული სენსორია საჭირო: ერთი წნევისთვის, მეორე ტემპერატურისთვის და ა.შ.

ახალი ელექტრონული კანი ერთ ტიპის “მულტიმოდალურ” სენსორს იყენებს. მას შეუძლია, ერთდროულად სხვადასხვა ტიპის სტიმული (შეხება, ტემპერატურა და დაზიანება) აღიქვას. თითოეული სიგნალის ზუსტად ამოცნობა და გაშიფვრა ჯერ კიდევ რთულია. მიუხედავად ამისა, მულტიმოდალური მასალები ადვილად მზადდება, უფრო გამძლეა და გაცილებით იაფი.

სინთეზური კანის გამოსაცდელად მკვლევრებმა ჟელატინისგან დამზადებული ჰიდროგელი გადაადნეს — რბილი, ელასტიკური ელექტროგამტარი მასალა. შემდეგ იგი ადამიანის ხელის ფორმაში ჩამოასხეს. მას სხვადასხვა ელექტროდი დაამაგრეს, რათა ენახათ, რომელი მათგანი აგროვებდა შეხებისას ყველაზე სასარგებლო მონაცემებს.

ექსპერიმენტების დროს მეცნიერებმა ხელის მოდელი გამათბობელზე გააცხელეს და დანითაც კი დაჭრეს. მთლიანობაში მკვლევრებმა 1.7 მილიონზე მეტი მონაცემი შეაგროვეს კანის 860 ათასზე მეტი გამტარი გზიდან, ეს ინფორმაცია კი მანქანური სწავლის მოდელის დასახვეწად გამოიყენეს.

“ჯერ ისეთ დონეზე არ ვართ, რომ რობოტის კანი ადამიანურ კანს გაუტოლდეს, მაგრამ ვფიქრობთ, ამჟამად საუკეთესო ვარიანტია, რაც კი არსებობს”, განაცხადა კვლევის თანაავტორმა ტომას ჯორჯ თარათელმა.

ანალიტიკოსთა და მეცნიერთა დარბაზი – ,,დოქტრინა”

სრულად ნახვა
ტექნოლოგიები

„ხელოვნური ინტელექტის ნათლიამ“ გაამხილა, რომელ პროფესიებს ჩაანაცვლებს ნეიროქსელი

598 views on

ჯეფრი ჰინტონმა, რომელიც Google-ში მუშაობდა და ნეირონულ ქსელებთან დაკავშირებული აღმოჩენების გამო ხელოვნური ინტელექტის ნათლიას მეტსახელი მიიღო, ტექნოლოგიების განვითარების ფონზე მასობრივი უმუშევრების რისკებზე ისაუბრა.

„ჩემი აზრით, კიდევ დიდი დრო გავა, სანამ ხელოვნური ინტელექტი ფიზიკური თვალსაზრისით კარგი გახდება. ასე რომ, ჯობია ახლა სანტექნიკოსები იყოთ“, – განაცხადა მან და დასძინა, რომ დღეს ძალიან მაღალკვალიფიციური სპეციალისტი უნდა იყო, რომ ხელოვნური ინტელექტისგან დამოუკიდებელი სამსახური გქონდეს. ამასთან, ჰინტონი დარწმუნებულია, რომ უმუშევრობის ყველაზე დიდი რისკის წინაშე იურისპრუდენციის სფეროს დამწყები სპეციალისტები და ქოლ-ცენტრების თანამშრომლები არიან, რადგან ხელოვნური ინტელექტი მათ ჩანაცვლებას ძალიან მალე შეძლებს.

ჰინტონის თქმით, ნეიროქსელი უკვე გამოიყენება იმ სამუშაოს შესასრულებლად, რომელსაც აქამდე კოლეჯდამთავრებულები ასრულებდნენ. პერსპექტივაში კი 10 თანამშრომლისგან შემდგარი განყოფილების ჩანაცვლებას მხოლოდ ერთი ადამიანი შეძლებს, რომლის ფუნქციაც ხელოვნური ინტელექტის გაკონტროლება იქნება.

მან ასევე აღნიშნა, რომ მაგალითად ჯანდაცვის სფეროში მნიშვნელოვანი ცვლილებები მოსალოდნელი არ არის.

ანალიტიკოსთა და მეცნიერთა დარბაზი ,,დოქტრინა”

სრულად ნახვა
1 2 3 4 … 92
Page 2 of 92