Kvantumtechnológiák gyorsíthatják az AI-t, de a nagy áttörés még évtizedekre van

A kvantuminformációs tudomány és a mesterséges intelligencia (AI) közötti növekvő kapcsolatot vizsgálja a Hetzner háromrészes blogsorozata. Míg az első két rész az AI szerepét mutatta be a kvantumtechnológiák fejlesztésében, a záró rész arra fókuszál, hogyan támogathatják a kvantumtechnológiák — beleértve a számítást, az érzékelést és a kommunikációt — az AI rendszerek jövőbeli fejlődését. Bár a nagyméretű, hibatűrő kvantumszámítógépek még távoli célok, a korai kvantumkészülékek és az AI-rendszerekkel való integrációjuk már most megalapozzák a kvantum-erősítésű AI-t, ami számos gazdasági ágazatban és a mindennapi életben is jelentős javulást hozhat. (OECD.AI Policy Observatory)

Kvantumszámítás az AI-képzésben

A nagy nyelvi modellek (LLM-ek) térnyerésével az AI-rendszerek egyre nagyobbak és adatigényesebbek lettek, ami rávilágított a klasszikus számítástechnika — különösen a sebesség, az energiafogyasztás és a skálázhatóság — korlátaira. A kvantuminformációs tudomány ígéretes megoldást kínálhat ezekre a kihívásokra. Victor Gaspar és Katsuyuki Hanai szerint a kvantumszámítógépek két fő módon erősíthetik az AI-t: jelentősen javíthatják az energiahatékonyságot, és növelhetik az AI-rendszerek teljesítményét és képességeit. Az AI-képzés, különösen az LLM-eké, hatalmas számítási kapacitást és energiát igényel, ami gazdasági, energiaellátási és környezetvédelmi aggályokat vet fel. A kvantuminformatikai módszerek, mint a kvantum-gépi tanulás (QML), hosszú távon csökkenthetik bizonyos AI-feladatok számítási igényét és energiafelhasználását, bár ez nagymértékben még nem bizonyított.

Kapcsolódó: Davinder Singh: 100 millió bit

A QML korlátai és a kvantum-inspirált módszerek

A QML még gyerekcipőben jár, és három fő akadály nehezíti a fejlődését: az adatátviteli korlátok, a klasszikus algoritmusokkal szembeni bizonyítatlan előny, valamint a hardverkövetelmények tisztázatlansága. Ezek miatt a szakértők nem számítanak széleskörű kereskedelmi QML-alkalmazásokra a következő évtizeden belül. Ezzel szemben a kvantum-inspirált AI-technikák, amelyek a kvantumfizika koncepcióit adaptálják klasszikus hardverekre, már most gyakorlati előnyöket kínálnak. Ilyen például a tenzorhálózatok használata az LLM-ek tömörítésére, ami jelentősen csökkentheti a memória- és számítási igényt, gyakran csak kis pontosságcsökkenéssel. Ezek a technikák lehetővé teszik fejlett AI-modellek futtatását hagyományos CPU-kon és peremhálózati eszközökön is, kiszélesítve az elérhetőséget.

Kapcsolódó: AlphaCNOT kvantumoptimalizálás

Hibrid rendszerek és jövőbeli kilátások

A kvantumszámítógépek és az AI legrealisztikusabb közeli integrációja a hibrid kvantum-klasszikus rendszereken keresztül valósulhat meg, ahol a kvantumprocesszorok specifikus alfeladatokat végeznek, míg a klasszikus AI modellek az adatfeldolgozást és vezérlést végzik. A felhőalapú kvantumplatformok megkönnyítik az AI-fejlesztők számára a kvantumalgoritmusok tesztelését. Ezek az előrelépések potenciálisan felgyorsíthatják az új anyagok és gyógyszerek felfedezését az anyagtudományban és kémiában, javíthatják a gyártási és logisztikai optimalizálási feladatokat, valamint a pénzügyi szolgáltatásokban is új lehetőségeket nyithatnak meg a portfólióoptimalizálás és kockázatelemzés terén. A kvantumszenzorok is bővíthetik az AI lehetőségeit, rendkívül kis változások érzékelésével.

Kapcsolódó: Klasszikus adatok 5 lépésben

A Hetzner blogsorozata szerint a kvantum-erősített AI rendszerek jelenlegi fejlettségi szintén még nem érik el a széleskörű kereskedelmi alkalmazás szintjét, de a kutatások és fejlesztések már most érzékelhető előnyöket hoznak. A kvantuminformatikai megközelítések, különösen a hibrid rendszerek, valószínűleg a következő évtizedekben fognak döntő szerepet játszani az AI fejlődésében.

Kapcsolódó: Stanford–Google DeepMind együttműködés