Demystifikace kvantového AI: Co to je, co to není a proč je důležité nyní

Umělá inteligence vstoupila do nové fáze. Už nejde jen o stavbu větších modelů nebo přístup k více datům. Dnešní soutěž se zaměřuje na rychlost, efektivitu a inovace. Společnosti hledají nové nástroje, které nabízejí technické a ekonomické výhody. Pro některé z nich začíná vypadat kvantové počítání jako jeden z těchto nástrojů.

Kvantové AI se týká kombinace kvantového počítání s umělou inteligencí. Nabízí nový způsob, jak řešit složité problémy v oblasti strojového učení, optimalizace a analýzy dat. Ačkoli je stále ve vývoji, potenciál již přitahuje vážnou pozornost. Globální průzkum z roku 2024 provedený společností SAS zjistil, že více než 60 procent lídrů podniků již zkoumá nebo investuje do kvantového AI. Nicméně většina z nich také uvedla, že plně nerozumí, co tato technologie je nebo jak by mohla být využita.

Tento článek vysvětluje, co je kvantové AI, jaké problémy by mohlo pomoci vyřešit a kde by mohlo mít dopad v blízké budoucnosti.

Proč týmy AI hledají kvantové počítače

Školení velkých modelů AI vyžaduje čas, energii a peníze. I malé zlepšení efektivity mohou vést k významným úsporám. Kvantové počítání nabízí nové metody pro řešení určitých problémů efektivněji nebo přesněji než klasické stroje.

například kvantové počítače mohou provádět více výpočtů současně, využívající vlastnost známou jako superpozice. To je vhodné pro problémy, které zahrnují vyhledávání velkých prostorů nebo optimalizaci složitých systémů. Tyto schopnosti se dobře shodují s mnoha úkoly ve strojovém učení, jako je výběr funkcí, ladění modelů a výběr dat.

Ačkoli dnešní kvantové stroje jsou stále ve vývoji, výzkumníci nacházejí způsoby, jak je kombinovat s klasickými nástroji. Tyto hybridní systémy umožňují týmům AI testovat kvantové metody nyní, aniž by museli čekat na plně vyvinuté kvantové hardwarové vybavení.

Co je kvantové AI a co není

Kvantové AI není o nahrazování stávajících systémů AI kvantovými verzemi. Není to o běhu hlubokých učících se modelů zcela na kvantovém hardwaru.

Místo toho se zaměřuje na použití kvantových algoritmů pro podporu částí potrubí AI. Tyto mohou zahrnovat úkoly, jako je urychlení optimalizace, zlepšení výběru funkcí nebo vylepšení výběru z rozdělení zisků. V těchto případech kvantové počítače nenahrazují stávající nástroje; podporují je.

Práce je stále experimentální. Většina příkladů spoléhá na hybridní metody, ve kterých kvantové a klasické části spolupracují. Ale tyto systémy již ukazují výsledky v úzkých případech použití.

Aktuální aplikace ve vývoji

Ačkoli je toto pole nové, kvantové AI jsou již testovány v několika odvětvích. Tyto příklady využívají skutečné nástroje a publikované výzkumy. Také odrážejí typy problémů, pro které jsou kvantové metody nejlépe vhodné.

Komprese modelů a mapování funkcí

Modely AI rostou větší a nákladnější na školení. Kvantové technologie mohou pomoci snížit velikost a složitost těchto modelů. Jednou z metod je kvantové mapování funkcí, kde jsou vstupní data transformována pomocí kvantových obvodů. Tyto transformace mohou pomoci oddělit datové body, které jsou obtížně klasifikovatelné pomocí standardních technik.

V “raných” dnech 2021 článek v Nature Physics prozkoumal, jak kvantové jádra mohou zlepšit podporu vektorových strojů, typ strojového učení. Tento přístup funguje dobře pro vysoké dimenze nebo řídké datové sady, kde klasické modely bojují.

Optimalizace portfolia ve financích

Banky a manažeři aktiv často používají AI pro správu portfolia a hodnocení rizik. Tyto úkoly zahrnují velké množství proměnných a omezení. Kvantové algoritmy, jako je QAOA (Kvantový aproximativní optimalizační algoritmus), jsou testovány pro řešení těchto problémů efektivněji.

Citi Innovation Labs a AWS nedávno studovaly použití kvantových počítačů pro optimalizaci portfolia, konkrétně využívající algoritmus QAOA a jeho výkon. Tato spolupráce ukazuje rostoucí zájem a investice do kvantového počítání jako nástroje pro řešení reálných problémů.

Objevování léků a molekulární modelování

Vývoj léků závisí na předpovědi, jak molekuly interagují. Modely AI mohou pomoci, ale klasické simulace mají limity. Kvantové počítání je lépe přizpůsobeno pro modelování chemických systémů na kvantové úrovni.

Nová studie od IBM, The Cleveland Clinic a Michigan State University demonstrovala nový způsob, jak simulovat komplexní molekuly pomocí současných kvantových počítačů, nabízející životaschopnou cestu vpřed pro kvantově-orientované vědecké počítání.

Optimalizace dodavatelského řetězce

Dodavatelské řetězce jsou obtížně spravovatelné kvůli jejich velikosti a složitosti. AI může pomoci, ale určité úkoly, jako je plánování tras a kontrola zásob, zůstávají obtížně optimalizovatelné. Kvantové metody jsou zkoumány pro zlepšení těchto úkolů.

Fujitsu spolupracoval s Japan Post na optimalizaci poslední míle doručování v Tokiu, kde tradiční algoritmy trasování selhaly při zohlednění dynamických proměnných, jako je hustota provozu a fluktuace objemu zásilek. Implementací kvantového AI mohli začít pracovat na transformaci některých z nejzákladnějších aspektů logistiky.

Výzvy a omezení

Kvantové hardwarové vybavení zůstává výzvou. Ačkoli jsou téměř denně nové pokroky, dnešní stroje jsou stále citlivé na šum, obtížně škálovatelné a nespolehlivé pro dlouhé výpočty. Většina aplikací musí fungovat v rámci těchto limitů, využívajíc kratší a jednodušší kvantové obvody.

Kvantový software vývoj je také obtížný. Kvantové programování vyžaduje znalosti z fyziky, matematiky a informatiky. Málokterý tým má správnou kombinaci dovedností.

Pro snížení této bariéry jsou vytvářeny nové nástroje. Tyto zahrnují frameworky pro vysoké úrovně programování a systémy pro automatizované návrh obvodů. Tyto umožňují vývojářům AI testovat kvantové metody bez nutnosti psát nízkoúrovňový kvantový kód.

Co mohou týmy AI dělat dnes

Kvantové AI nejsou připraveny pro plné nasazení. Nicméně, prozíravé týmy mohou začít budovat znalosti a systémy potřebné pro využití kvantového AI v budoucnosti. Zde jsou tři kroky, které je třeba zvážit:

1. Vytvořte mezioborová týmy – Kombinujte odborníky na AI s výzkumníky v optimalizaci a kvantovém počítání. To umožňuje týmům prozkoumat nové nápady a připravit budoucí schopnosti.
2. Experimentujte s hybridními pracovními postupy – Soustřeďte se na úzké problémy, kde kvantové komponenty mohou podporovat klasické modely. Tyto zahrnují výběr funkcí, výběr nebo omezenou optimalizaci.
3. Používejte nástroje, které abstrahují složitost – Přijměte platformy a frameworky, které skrývají nízkoúrovňové kvantové detaily. Tyto nástroje pomáhají týmům soustředit se na aplikaci, ne na hardwarové vybavení.

Kvantové AI jsou stále ve vývoji. Není to zkratka nebo náhrada za klasické AI. Nicméně, je to rostoucí oblast s reálným potenciálem v oblastech, kde současné modely selhávají nebo bojují. Nejspíše cesta vpřed nebude náhlou disrupcí, ale stálou integrací.

Jakmile se kvantové hardwarové vybavení verbessí a software se stane dostupnějším, raní adoptoři budou lépe umístěni pro využití těchto nových nástrojů. Pro týmy, které již pracují na hranicích klasických systémů, kvantové AI mohou být dalším místem, kde najdou hodnotu.