Sebagai aspek utama dari anggaran dasarnya, Intel Labs terus terlibat dalam pengembangan teknologi generasi berikutnya, di seluruh spekturm dari penelitian fundamental hingga teknologi terapan. Secara khusus, pendekatan ini melibatkan pengembangan kesepakatan penelitian kolaboratif dengan mitra akademisi dan industri untuk mewujudkan kemampuan teknis baru yang bertenaga. Halaman ini menyoroti beberapa dari area penelitian yang saat ini sedang dijalankan oleh Intel Labs.
Nirkabel Generasi Berikutnya: Jaringan 5G
Konektivitas nirkabel untuk menggantikan standar 4G (LTE/WiMAX) saat ini akan muncul pada tahun 2020, menambahkan kapasitas untuk jaringan yang akan memungkinkan mereka menangani peningkatan volume dan kerumitan perangkat dan lalu lintas data. Data tersebut akan meliputi peningkatan jumlah lalu lintas video, sumber baru seperti yang terkait dengan Internet of Things (IoT), dan jenis baru seperti realitas virtual. Jaringan 5G akan menawarkan peningkatan throughput pada latensi yang lebih rendah dibandingkan dengan 4G, menargetkan penyempurnaan broadband seluler untuk perangkat portabel, konektivitas latensi rendah ultra andal untuk aplikasi industri dan kendaraan otonom, serta transmisi berskala besar untuk IoT.
Sebagai bagian dari upayanya untuk mendukung ekosistem perangkat keras, perangkat lunak, dan operator untuk 5G, Intel Labs telah bekerja sama dengan komunitas penelitian universitas sejak 2012 melalui Intel Strategic Research Alliance (Aliansi Penelitian Strategis Intel) untuk 5G. Menyediakan dukungan teknis dan keuangan untuk komunitas peneliti ini, Intel Labs telah memfokuskan upayanya pada peningkatan kemampuan 5G dalam tiga area utama:
• Kapasitas Jaringan: Intel Labs menyelidiki pendekatan baru seperti transmisi MIMO dalam skala yang ditingkatkan untuk mendukung proyeksi peningkatan 100 kali lipat dalam persyaratan kapasitas selama dekade selanjutnya. Dalam hal yang terkait, sedang berlangsung penelitian mengenai tradeoff antara efisiensi energi dan efisiensi spektral.
• Konektivitas Seragam: Tujuan penelitian lain adalah untuk mengurangi keragaman aliran data di antara pengguna akhir yang dihasilkan dari waktu ke waktu dan lokasi geografis, termasuk sebagai akibat dari gangguan dan kongesti jaringan, tanpa mengorbankan efisiensi energi atau efisiensi spektral.
• Kualitas Layanan dan Pengalaman Pengguna: Penelitian juga sedang berlangsung untuk membantu menjaga kualitas layanan khusus aplikasi sambil memaksimalkan efisiensi transfer data melalui jaringan.
Intel Labs mengembangkan perangkat lunak referensi Evolved Packet Core (vEPC), yang tersedia untuk industri secara keseluruhan dengan menyumbangkannya ke proyek CORD (Central Office Re-architected as a Datacenter) Lembaga Jaringan Terbuka. Kode dioptimalkan dengan menggunakan Data Plane Development Kit (DPDK) untuk prosesor Intel® Xeon®, memberikan kemampuan core mobile virtual untuk digunakan oleh penyedia layanan yang mendukung pelanggan mereka.
Kemajuan Sistem Berkendara Otonom
Meskipun sudah ada kemajuan substansial dalam teknologi yang diperlukan untuk berkendara otonom, masih banyak penelitian dan pengembangan yang harus dilakukan. Produsen kendaraan telah membuat sistem navigasi otomatis, pengemudian, akselerasi, dan pengereman tersedia untuk publik selama beberapa tahun, meskipun masih ada rintangan untuk adopsi secara luas, guna memaksimalkan keamanan dan membangun kepercayaan publik.
Intel Labs terlibat dalam penelitian untuk meningkatkan sistem pada tingkat otomatisasi kondisional saat ini dan untuk memajukan ke sasaran otomatisasi, di mana sistem pengarahan mengambil kontrol penuh atas kendaraan, yang dapat beroperasi secara otonom tanpa manusia di dalamnya.
Visi mesin dan penelitian AI berperan penting dalam pekerjaan yang dilakukan oleh Intel Labs untuk kendaraan otonom, terutama dalam konteks jaringan saraf konvolusional untuk pengenalan visual. Contoh penggunaan meliputi membaca rambu lalu lintas dan menghindari rintangan, serta kemampuan berwawasan ke depan berdasarkan penafrisan dan beradaptasi spontan terhadap lingkungan, seperti merespons dengan tepat terhadap kondisi yang tidak terduga. Pekerjaan ini meliputi pengoptimalan rangkaian solusi perangkat keras, firmware, dan perangkat lunak untuk penggunaan dalam kendaraan dan stasiun basis, serta menyediakan alat bantu pengembangan untuk solusi ekosistem.
Pada jalur menuju otonomi kendaraan penuh, Intel Labs mengambil sudut pandang berfokus pada ekosistem yang mencakup pengembangan dan implementasi standar antarmuka terbuka yang memungkinkan interoperabilitas antarvendor solusi. Pekerjaan paralel dilanjutkan ke pengembangan peralatan dan perangkat lunak dalam kendaraan dan stasiun basis.
Berbagai kolaborasi penelitian sedang dilakukan antara Intel Labs dan produsen kendaraan, vendor sistem sensor dan elekromekanis, serta operator navigasi dan informasi lain. Dalam upaya untuk membuka ekosistem untuk anggota dari semua tipe dan ukuran, Intel Labs juga menyelidiki lingkungan simulasi yang memungkinkan pengembangan sistem otonom oleh orang-orang tanpa kemampuan untuk armada bidang dari kendaraan uji.
Di bidang pemetaan manajemen pengalaman jalan (REM), Intel Labs telah mengembangkan teknologi gabungan sensor dan pengumpulan data untuk data status jalan yang diberikan oleh sensor dalam kendaraan di jalan serta sumber lain. Dalam konteks kendaraan otonom, sintesis informasi seperti cuaca, laporan insiden, dan tanda konstruksi memiliki potensi untuk memperbaiki sistem pengaman secara dramatis dan langkah-langkah mitigasi kecelakaan.
Peningkatan Kemampuan Teknologi untuk Keamanan
Intel® Software Guard Extensions (Intel® SGX)
Intel Labs mengembangkan peningkatan kemampuan untuk lingkungan eksekusi tepercaya dalam bagian aman berbasis Intel® SGX untuk meningkatkan keamanan, privasi, dan skalabilitas dari penerapan rantai blok. Dalam keadaan tertentu, kemampuan ini menjaga data blockchain dalam bentuk terenkripsi hingga saat dibutuhkan untuk sebuah transaksi dan kemudian mendekripsinya dalam bagian yang diamankan oleh perangkat keras di mana hanya peserta yang diizinkan yang dapat melihatnya.
Intel Labs menjalankan sejumlah proyek pengembangan sumber terbuka yang mencakup penerapan Intel® SGX untuk keamanan cloud. Pekerjaan tersebut mencakup proyek berikut:
• Pengesahan Jarak Jauh dengan Keamanan Lapisan Transpor (RA-TLS) memadukan pengesahan jarak jauh Intel® SGX ke dalam penyiapan koneksi TLS untuk menilai keterpercayaan dari titik akhir, yang memperpanjang sertifikat X.509 standar dengan informasi terkait Intel® SGX yang memungkinkan penerima sertifikat memverifikasi sedang berkomunikasi dengan bagian aman yang berbasis pada Intel® SGX. Pekerjaan ini tidak memerlukan perubahan pada implementasi TLS standar, dan proyek menyediakan implementasi untuk tiga pustaka TLS umum: OpenSSL, wolfSSL, dan mbedTLS.
• Graphene-SGX Secure Container (GSC) adalah sebuah sistem wadah berdasarkan contoh Docker yang memungkinkan aplikasi dilindungi oleh Graphene-SGX saat berjalan dalam container. Selain contoh Docker di mana aplikasi berjalan di bawah Graphene-SGX, proyek menyediakan mesin garis depan yang dapat secara otomatis meluncurkan gambar container Docker lama di dalam container GSC.
• Layanan Manajer Kunci Berkemampuan Intel® SGX dengan OpenStack Barbican melindungi sistem manajemen kunci OpenStack Barbican, yang mengamankan rahasia seperti kata sandi, kunci enkripsi, dan sertifikat X.509 terhadap serangan perangkat lunak sistem. Pendekatan ini memanfaatkan Intel® SGX untuk menyediakan keamanan yang lebih besar daripada plugin yang berbasis perangkat lunak serta skalabilitas yang lebih besar daripada plugin modul keamanan perangkat keras.
• Snort® Intrusion Detection System (IDS) dengan Intel® SGX memperkuat Snort dengan menjalankannya di dalam bagian aman di sepanjang lapisan jaringan yang dioptimalkan menggunakan DPDK untuk mencapai throughput tingkat jalur. Proyek ini bertujuan untuk mengamankan IDS yang berdasarkan fungsi jaringan virtual yang berjalan di lingkungan cloud umum atau pribadi serta menjaga throughput tinggi dengan mengoperasikan I/O jaringan di luar bagian Intel® SGX.
Blockchain
Mengaktifkan transaksi tepercaya di antara pihak-pihak yang tidak dipercaya telah menjadi persyaratan mendasar pada Internet hampir sejak awal ditemukannya. Blockchain berawal sebagai metode menyediakan kepercayaan terprogram dan terdesentralisasi antara dua pihak dengan kemunculan Bitcoin di 2009. Pendekatan ini dirancang secara tegas untuk beroperasi tanpa perantara seperti bank atau otoritas lain, menghindari biaya tambahan, penundaan, dan kerumitan yang umumnya terkait dengan pihak ketiga tersebut. Yang tidak dapat dilepaskan dari pendekatan ini adalah kemampuan untuk memindai dan memverifikasi asal dan sumber transaksi, serta secara kriptografi melindungi sendiri transaksi.
Kemampuan yang sama yang membuat blockchain sangat cocok untuk cryptocurrency (mata uang digital) juga membuatnya berguna dalam konteks perusahaan, memberlakukan kepemilikan konten dan data, termasuk penggunaan masa depan seperti kontrak cerdas. Saat blockchain bergerak dari implementasi awal mereka untuk penggunaan internal dalam perusahaan, komunikasi antar blockchain akan diperlukan, yang berarti standar terbuka untuk interoperabilitas akan diperlukan, yang dibantu dikembangkan oleh Intel Labs dalam kolaborasinya dengan mitra akademisi dan industri.
Intel Labs mulai bekerja di tahun 2014 pada proyek yang saat ini diberi kode Sawtooth Lake, yang tersedia dan terus dipertahankan sebagai sumber terbuka melalui Linux* Foundation sebagai proyek Hyperledger Sawtooth. Platform blockchain perusahaan ini menyederhanakan membangun aplikasi dan jaringan buku besar terdistribusi berbasis Ethereum. Dengan memisahkan inti sistem dari domain aplikasi, Sawtooth memungkinkan para pengembang untuk membangun logika bisnis untuk kontrak cerdas dan implementasi lain menggunakan platform pilihan mereka, apa pun desain yang mendasari inti sistem.
Intel Labs juga telah memainkan peranan penting dalam pengembangan Proof of Elapsed Time (PoET), algoritme konsensus yang dimasukkan dalam Sawtooth. Standar sumber terbuka ini menawarkan alternatif hemat daya ke standar dominan Proof-of-Work (PoW) dan Proof-of-Stake (PoS), yang merupakan bagian penting dalam mata uang digital terkemuka termasuk Ethereum dan Bitcoin. PoET mengambil pendekatan menggunakan algoritme timer berdasarkan eksekusi instruksi aman untuk menggantikan puzzle hash kriptografis yang digunakan dengan PoW dan PoS. Kesederhanaan relatif algoritme timer menghemat secara dramatis kebutuhan energi untuk mencapai konsensus di seluruh kumpulan besar node.
Berlangganan Mailing List SGX Academic Collaboration
Penalaran
Dari perspektif manusia, penglihatan dan pendengaran jelas bermanfaat bagi mereka sendiri, tetapi kombinasi keduanya memberikan nilai yang lebih dari salah satunya, dalam kaitannya dengan memahami dunia. Misalnya, umum bagi orang-orang untuk bercakap-cakap dalam ruangan yang penuh orang dengan melihat gerak bibir orang lain, membaca gerak bibir untuk membantu memahami perkataan orang tersebut.
Contoh penalaran multimodal oleh manusia ini analog dengan pekerjaan di Intel Labs yang menggabungkan beberapa jenis sensor untuk menyediakan informasi digital untuk membuat ruang manusia lebih cerdas. Penelitian ini menjangkau banyak konteks, termasuk komputasi sekitar, serta rumah cerdas, kantor, pabrik, dan ritel. Banyak dari ruang tersebut yang memiliki cukup kemiripan yang dapat digeneralisasi oleh teknologi penalaran dan model penggunaan.
Visi Komputer & Robotik
Dalam bidang penalaran, tujuan penelitian visi komputer di Intel Labs memiliki tiga komponen utama:
• Membuat Agen Lebih Cerdas, termasuk kemampuan pembelajaran mandiri yang membantu agen cerdas membedakan apa yang penting. Misalnya, meskipun asisten virtual saat ini memerlukan konektivitas terus-menerus dan menawarkan fungsionalitas yang sama kepada setiap orang, generasi masa depan dapat mempelajari rutinitas dan preferensi privasi pemilik mereka dari waktu ke waktu, menyediakan pengalaman pribadi dalam status terhubung maupun tidak terhubung.
• Sintesis di Seluruh Bentuk menggabungkan data dari beberapa jenis sensor untuk memahami konteks faktor, seperti, lingkungan fisik, aktivitas, dan emosi. Misalnya, petunjuk verbal dan gerakan dari sekelompok anak dapat membantu menyimpulkan apakah mereka sedang bermain game, berkelahi, memperhatikan, atau mengkhayal.
• Pemahaman Spasial berkaitan dengan ruang dan strukturnya, serta bagaimana ini akan berubah dari waktu ke waktu. Ini termasuk faktor-faktor yang sangat beragam seperti kehadiran kendaraan lain di jalanan atau jumlah orang yang hadir dalam sebuah ruang konferensi.
Membangun platform terbuka yang dapat secara holistik menggabungkan kemampuan semacam ini serta memenuhi persyaratan seperti daya yang sangat rendah dan performa tinggi jika dibutuhkan adalah kompetensi utama Intel yang mendukung penelitian Intel Labs. Upaya ini juga diuntungkan oleh keahlian sistem lengkap Intel, dari produk di rumah penduduk hingga produk yang mendukung pusat data dan cloud, serta ekosistem perangkat lunak yang mengatur aktivitas di seluruh bentuk tersebut.
Intel Labs bekerja untuk mengatasi tantangan mempunyai cukup memori dan sumber daya lainnya tersedia seperlunya, dalam konteks perubahan persyaratan untuk granularitas. Misalnya, sebuah robot yang bergerak di lantai memerlukan pemahaman yang relatif belum sempurna akan rintangan di jalurnya, dibandingkan dengan tugas yang lebih rumit mengambil dan memanipulasi benda kecil dan ringkih. Pengembangan perangkat lunak untuk keadaan adaptif ini harus mengatasi rekonstruksi yang dibutuhkan oleh ruang, cara mewakilinya, dan cara mendukung mereka dengan API dan elemen pemrograman lainnya.
Tim penelitian juga mengembangkan kemampuan yang memungkinkan beberapa robot untuk bekerja sama pada tugas-tugas yang kompleks. Aspek utama dari pekerjaan ini adalah mengembangkan algoritme untuk pengoperasian otonom kendaraan udara tanpa awak (UAV), termasuk kontrol penerbangan serta perencanaan dan pengambilan keputusan untuk operasi terkoordinasi dalam lingkungan dunia nyata yang dinamis. Para peneliti telah memodifikasi versi Intel® Aero Development Platform untuk beroperasi secara otonom, berdasarkan pengembangan penggunaan yang menjanjikan dapat digunakan di dunia nyata.
Misalnya, sekelompok UAV dapat bekerja bersama untuk secara efisien melakukan inventaris di gudang skala besar atau inspeksi atas peralatan modal besar. Manfaat dari beberapa UAV dalam konteks ini meliputi membagi beban kerja dan menyediakan beberapa sudut pandang, kemungkinan dengan beberapa jenis sensor. Demikian juga, kelompok tersebut dapat bekerja bersama untuk mendukung pertanian otonom, mengenali kondisi seperti stres pada tanaman akibat kekeringan atau hama, dan mengoptimalkan penggunaan bahan-bahan kimia.
Penggunaan lain adalah penciptaan pengalaman konsumen yang memukau dengan pengambilan streaming video secara bersamaan menggunakan beberapa UAV dan menggabungkannya untuk membuat komposit 3D. Sasarannya adalah bahwa aliran data yang dihasilkan akan disalurkan kepada penonton di rumah, yang kemudian dapat melihat gambar 3D dari sudut mana pun, memperbesar dan memperkecil, dan sebagainya. Ada ketertarikan untuk menggunakan kemampuan ini dalam pertandingan Olimpiade di masa depan.
Lab Komputasi Antisipatif
Kami menambahkan banyak sensor baru ke dunia, dan sensor yang lebih tua, seperti kamera dan mikrofon mendapat kepentingan baru. Lab Komputasi Antisipatif mengembangkan algoritme untuk mengartikan semua yang diproduksi oleh sensor. Dalam banyak kasus, hal ini melibatkan menggabungkan masukan melalui berbagai jenis sensor untuk mengembangkan pemahaman yang lebih kaya dan lebih kuat terhadap sinyal tersebut, agar lebih berguna di dunia nyata.
Lab Komputasi Antisipatif bekerja untuk mendukung pengalaman menarik melalui pemahaman mendalam mengenai orang, ruang, dan situasi melalui sensor dan penalaran. Kami memanfaatkan pemahaman ini untuk mengambil tindakan dalam beragam cara: menyederhanakan, menghubungkan titik, meningkatkan kesadaran, menantang, membantu, menyarankan, menghibur, dan meningkatkan efisiensi dan alur kerja.
Lab saat ini difokuskan membuat setiap tempat lebih cerdas dan lebih responsif terhadap penduduk manusia mereka. Ini berarti kedua memahami secara dinamis tata ruang fisik yang berubah, tetapi juga memahami tindakan dan aktivitas manusia, apa yang menjadi fokus mereka, dan bahkan emosi mereka. Penelitian tentang masalah ini mendapat informasi dari penelitian psikologi dan ilmu sosial, dengan memperhatikan dinamika interpersonalnya, serta alat desain interaksinya.
Penelitian ini menjangkau banyak domain. Misalnya, Lab Komputasi Antisipatif meneliti interaksi antara masa depan antara mobil yang sepenuhnya otonom dan penumpangnya. Kendaraan otonom perlu melakukan lebih dari sekadar menavigasi peta dan menghindari tabrakan. Mereka juga harus bekerja sama dengan penumpang mereka untuk dengan mulus menangani perubahan tak terduga dalam rencana penumpang, atau kebutuhan untuk berhenti sebentar di perjalanan. Penelitian di Lab telah mencakup desain jelajah agen dalam kabin, atau asisten, yang akan melakukan sejumlah pekerjaan interaksi yang saat ini dikerjakan oleh pengemudi manusia untuk penumpang. Ini melibatkan permasalahan yang rumit, seperti mengembangkan sebuah pengertian bersama akan lingkungan, dan permasalahan lainnya yang lebih mendasar, seperti memahami ketika penumpang secara verbal menyapa agen dalam kabin, dibandingkan dengan hanya berbicara kepada penumpang lain.
Proyek penelitian terkait berfokus pada membuat rumah kita lebih cerdas. Meskipun ada banyak ketertarikan dan aktivitas dalam teknologi “Rumah Cerdas”, hanya ada sedikit contoh yang menunjukkan apa yang sebenarnya dilakukan oleh rumah cerdas untuk penghuninya di dunia – tidak hanya dalam membuat kehidupan sehari-hari lebih mudah, tetap benar-benar membuat nilai baru. Mempertimbangkan contoh pembelajaran anak usia dini. Saat para peneliti di Lab Komputasi Antisipatif melakukan wawancara dan observasi ekstensif di berbagai bentuk dan ukuran rumah tangga, satu temuan konsisten di antara orang tua dari anak-anak kecil adalah, meskipun mereka melihat banyak nilai edukasi dalam teknologi untuk anak-anak mereka, mereka juga memiliki kegelisahan tentang melihat layar terlalu lama. Para peneliti melihat ini sebagai kesempatan untuk komputasi sekitar untuk memberikan manfaat dari teknologi digital sementara menghindari beberapa yang dianggap sebagai kekurangan, termasuk ketidakaktifan fisik, game berulang, dan konten yang terkadang meragukan.
Ruang Anak adalah sebuah lingkungan edukasi yang dikembangkan berdasarkan penelitian ini. Ini menggabungkan pelacakan kegiatan dan pemahaman bahasa alami, digabungkan dengan proyeksi cerdas untuk menciptakan lingkungan dan karakter digital yang berinteraksi dengan anak-anak secara interaktif dan edukatif. Tim telah mengembangkan agen animasi cerdas, misalnya, yang menjadi teman mengobrol menyenangkan bagi anak-anak, dan yang dapat digunakan untuk menyampaikan pelajaran dan bahkan membantu dalam tugas-tugas edukasi. Penggunaan proyeksi cerdas lainnya dapat memungkinkan eksplorasi dan pembelajaran terbuka dalam semangat beberapa permainan komputer yang paling populer. Bayangkan, misalnya, lantai kamar tidur diubah oleh proyeksi cerdas menjadi pasir tempat tinggal fosil, yang memungkinkan anak-anak bermain dengan beberapa sekop pantai plastik sederhana untuk menggali proyeksi gambar fosil – yang bahkan dapat diproyeksikan ke dinding sebagai dinosaurus hidup.
Skenario seperti ini menggunakan banyak sistem indera: sistem pelacakan lokasi dan identitas memungkinkan sistem untuk berinteraksi secara bersamaan dengan beberapa anak di ruangan; deteksi pose menentukan apakah sedang membungkuk menggali di pasir virtual: pemahaman bahasa audio dan alami memastikan anak-anak belajar pelajaran yang dimaksud; penggunaan bar teknologi identitas frekuensi radio (RFID), yang terpasang pada sekop, memberikan sensor skala yang lebih halus untuk gerakan bahkan dalam situasi di mana garis pandangan tidak dapat ditangkap kamera; dan terakhir, peta sensor kedalaman memetakan ruangan sehingga proyeksi karakter berinteraksi dengan tepat dengan furnitur dan benda serta fitur ruangan lainnya.
Inti dari mengembangkan kemampuan ini tidak hanya untuk menciptakan pengalaman interaktif cerdas bagi anak-anak. Banyak dari teknologi yang sama ini harus diterapkan di berbagai lingkungan lainnya. Setiap kamar cerdas yang memahami komposisi dan aktivitas mereka sendiri, tujuan, dan status penghuninya, akan menyediakan banyak keuntungan di masa mendatang, dari dukungan performa dalam manufaktur, hingga kolaborasi yang efektif di tempat kerja, hingga perawatan lansia.