Исследователи из университета в Беркли создали на основе углеродных трубок и дисульфида молибдена работающий транзистор с затвором размером всего в один нанометр{73}. Рано или поздно удвоение числа транзисторов на единицу площади станет физически невозможным. Но даже задолго до достижения этого предела изготовление уменьшенных транзисторов в промышленности станет невозможным. Закон Рока, дополнение к закону Мура, говорит, что стоимость заводов, выпускающих кристаллы с новыми, уменьшенными транзисторами, удваивается каждые четыре года, потому что требуется оборудование, отличающееся более высокой точностью и более низким уровнем ошибок. Как заметили Питер Деннинг (Peter Denning) и Тед Льюис (Ted Lewis), из закона Рока следует, что размер рынка для каждого нового поколения кристаллов должен быть как минимум в два раза больше существующего рынка – только так можно экономически оправдать расходы на новые производственные мощности{74}. Из-за необходимости бо́ льших инвестиций и резкого усложнения производства кристаллов период удвоения плотности увеличился с 2 до 2,5 лет{75}.

Чтобы продолжить экспоненциальный рост вычислительных мощностей, потребуется другой подход к совершенствованию систем, отличный от простого уменьшения размера транзисторов. В 2016 году в Институте инженеров электротехники и электроники признали необходимость нового подхода: многие годы IEEE направлял инвестиции в разработку кристаллов, публикуя отчеты о сокращении размера транзисторов, но в будущем в IEEE переориентируются на разработку «Международного плана по развитию устройств и систем» (International Roadmap for Devices and Systems), который призван «сформулировать новый «закон Мура» для производительности компьютеров и ускорить появление на рынке новых, инновационных технологий вычислений»{76}. Новые пути повышения производительности и эффективности предполагается искать в создании новейших материалов, новых архитектур и системного подхода к вычислениям. Это означает, что повсеместные и недорогие вычисления станут доступными все большему числу людей и организаций.

Один из возможных способов сохранения такого же ускорения роста производительности – переход к более специализированным процессорам, как это делалось на заре вычислительной техники, когда кристаллы создавались специально для выполнения определенных задач. С 1970-х годов в цифровых вычислениях доминировали стандартизованные, массово производимые микропроцессоры общего назначения, которые можно было программировать для выполнения любых задач{77}. Но для выполнения задач обработки больших объемов данных, когда одна и та же операция выполняется множество раз, эффективность стандартного центрального процессора сравнительно невысока. Сегодня второе место по распространенности после центрального процессора занимает графический процессор – специализированное устройство, обеспечивающее отображение информации на экране и выполняющее ресурсоемкую задачу создания и обновления трехмерных изображений.

Повышение важности и расширение применения машинного обучения создали спрос на новые виды нестандартных вычислительных архитектур. Компания Google, один из крупнейших покупателей процессоров, разработала большое количество тензорных процессоров – специализированных интегральных схем, предназначенных для алгоритмов глубинного обучения. В компании заявляют, что тензорные процессоры применялись в программе AlphaGo, которая в 2016 году в серии из пяти игр обыграла Ли Седола (Lee Sedol), чемпиона мира по игре в го. Новые структуры памяти и обработки вызывают к жизни новый класс микропроцессоров, которые называют «ускорителями искусственного интеллекта». Архитектура этих устройств оптимизирована для операций, которые выполняются в искусственных нейронных сетях многих систем машинного обучения. Такие процессоры обеспечивают скорость, экономичность и энергоэффективность, которые нужны для широкомасштабного применения алгоритмов искусственного интеллекта{78}.

Увеличение предложения и повышение производительности – всего лишь часть возможного решения стоящих перед нами проблем. Нам нужно не только больше вычислительной мощности и скорости или больше транзисторов – нам надо уметь справляться с новыми потребностями, возникающими в связи с распространением устройств и данных. Мы должны уметь использовать вычислительные возможности в ситуациях и контекстах, которые имеют смысл в реальной жизни. Например, в масштабах планеты облачные вычисления выполняются за считаные секунды, но, чтобы искусственный интеллект мог работать с людьми и выполнять основные функции, такие как обеспечение общественной безопасности или управление дорожной сетью, требуется уметь обрабатывать экзабайты данных за милли- или даже микросекунды. Главные составляющие проблем, которые мы пытаемся решить, связаны не с объемом, а со скоростью, временем ожидания и энергией.

Но в самом крайнем случае успехи физики и материаловедения позволят создавать не просто более эффективные специализированные процессоры, устанавливаемые на цифровые компьютеры, а новые виды вычислений, и наиболее многообещающий и новаторский из них – квантовые вычисления.

Если нам удастся построить стабильный и мощный квантовый компьютер, то у этой технологии появится шанс стать самой новаторской среди технологий Четвертой промышленной революции. Но это случится не сразу. Квантовые компьютеры меняют сам принцип вычислений, используя причудливые законы квантовой механики. Вместо применения транзисторов, в основе которых лежат бинарные значения, представляющие нули и единицы (биты) и используемые классическими компьютерами для хранения информации и выполнения различных операций, в квантовых компьютерах применяются квантовые биты, или кубиты. В отличие от обычных битов, которые способны принимать только значения «1» или «0», значение кубита представляет собой суперпозицию возможных состояний и заранее может быть известна только вероятность, с которой можно получить то или иное значение при его измерении. Это позволяет кубитам в каждый момент времени представлять несколько состояний.

Еще одно удивительное свойство материи на квантовом уровне – квантовая сцепленность, которая подразумевает, что несколько кубитов, находящихся в этом состоянии, могут быть связаны и измерение квантового состояния одного из них позволяет получить информацию о состоянии остальных кубитов. Таким образом, в квантовых компьютерах могут применяться квантовые алгоритмы, создающие вероятностные обходные пути, что позволяет получать приемлемые решения сложных математических задач. Для решения этих же задач на классических цифровых компьютерах потребовалось бы слишком много времени. Пример такой задачи – разложение больших чисел на простые множители. Работа многих современных приемов шифрования основана на том, что для выполнения этой задачи классическим компьютерам требуется очень много времени. К другим примерам можно отнести решение задач оптимизации со многими переменными – обычно это задачи по повышению коэффициента использования производственных мощностей, оптимизации складского хозяйства или поиску в огромных неструктурированных базах данных{79}.

Квантовые компьютеры могут также моделировать другие квантовые системы, например отражать поведение атомов и частиц, и делать это точнее, а также с учетом необычных условий, например тех, что существуют внутри Большого адронного коллайдера. К примеру, квантовое моделирование на квантовых компьютерах позволит легко рассчитать взаимодействие молекул – для классических компьютеров это очень сложная задача. Эти расчеты – ключ к созданию еще более совершенных материалов, экологически чистых устройств и новых медикаментов. Поэтому реализация квантовых вычислений станет движущей силой многих фундаментальных технологий и систем Четвертой промышленной революции.