ืืืฉืื ืงืืื ืื
ืคืืจืืง ืืืกืชืืจืื ืฉื Quantum AI: ืืื, ืืื ืื, ืืืื ืืื ืืฉืื ืขืืฉืื
AI נכנס לשלב חדש. זה לא רק עוד על בניית מודלים גדולים יותר או גישה ליותר נתונים. התחרות של היום מתרכזת במהירות, יעילות וחדשנות. חברות מחפשות כלים חדשים שמציעים יתרונות טכניים וכלכליים. עבור חלקם, חישוב קוונטי הוא הופך להיות אחד מהכלים האלה.
Quantum AI מתייחס לשילוב של חישוב קוונטי עם בינה מלאכותית. הוא מציע דרך חדשה לטפל בבעיות מורכבות בלמידת מכונה, אופטימיזציה וניתוח נתונים. בעוד שעדיין בפיתוח, הפוטנציאל מושך תשומת לב רצינית. סקר גלובלי מ-2024 של SAS מצא שיותר מ-60 אחוז ממנהיגי עסקים כבר חוקרים או משקיעים ב-Quantum AI. עם זאת, רובם גם אמרו שהם לא מבינים לגמרי מהי הטכנולוגיה או כיצד היא עשויה לשמש.
מאמר זה מסביר מהו Quantum AI, מהן הבעיות שהוא עשוי לעזור לפתור והיכן הוא עשוי לעשות השפעה בעתיד הקרוב.
למה צוותי AI מסתכלים על Quantum
אימון מודלים AI גדולים דורש זמן, אנרגיה וכסף. אפילו שיפורים קטנים ביעילות יכולים לתרום לחיסכון משמעותי. חישוב קוונטי מספק שיטות חדשות לפתרון בעיות מסוימות ביעילות או בדיוק רב יותר ממכונות קלאסיות.
לדוגמה, מחשבים קוונטיים יכולים לבצע חישובים מרובים בו-זמנית, באמצעות תכונה הידועה בשם סופרפוזיציה. זה הופך אותם למתאימים לבעיות שכוללות חיפוש במרחבים גדולים או אופטימיזציה של מערכות מורכבות. יכולות אלו מתאימות היטב למשימות רבות בלמידת מכונה, כגון בחירת תכונות, כיוונון מודלים ודגימת נתונים.
בעוד שמכונות קוונטיות של היום עדיין מתפתחות, חוקרים מוצאים דרכים לשלב אותן עם כלים קלאסיים. מערכות היברידיות אלו מאפשרות לצוותי AI לבדוק שיטות קוונטיות עכשיו, בלי לחכות לחומרה קוונטית מלאה.
מהו Quantum AI ומהו לא
Quantum AI אינו עוסק בהחלפת מערכות AI נוכחיות בגרסאות קוונטיות. הוא אינו עוסק בריצה של מודלים עמוקים לגמרי על חומרה קוונטית.
במקום זאת, הוא מתמקד בשימוש באלגוריתמים קוונטיים כדי לתמוך בחלקים של צינור ה-AI. אלו עשויים לכלול משימות כמו האצת אופטימיזציה, שיפור בחירת תכונות או שיפור דגימה מהתפלגויות רווח. במקרים אלו, מחשבים קוונטיים אינם מחליפים כלים קיימים; הם תומכים בהם.
העבודה עדיין ניסיונית. רוב הדוגמאות מסתמכות על שיטות היברידיות, בהן חלקים קוונטיים וקלאסיים עובדים יחד. אבל מערכות אלו כבר מראות תוצאות במקרים ספציפיים.
יישומים נוכחיים בפיתוח
אף על פי שהתחום חדש, Quantum AI כבר נבדק במספר תעשיות. דוגמאות אלו משתמשות בכלים אמיתיים ומחקרים מפורסמים. הן גם משקפות את סוגי הבעיות ששיטות קוונטיות מתאימות לפתרון.
דחיסת מודל ומיפוי תכונות
מודלי AI גדלים והופכים ליותר יקרים לאימון. טכנולוגיות קוונטיות יכולות לעזור להקטין את הגודל והמורכבות של מודלים אלו. שיטה אחת היא מיפוי תכונות קוונטי, שבו נתוני הקלט משונים באמצעות מעגלים קוונטיים. הטרנספורמציות האלו יכולות לעזור להפריד נקודות נתונים שקשה לסווג עם טכניקות סטנדרטיות.
ב”ימים המוקדמים” מ-2021 מאמר ב-Nature Physics חקר כיצד גרעינים קוונטיים יכולים לשפר מודלים של מכונות וקטורי תמיכה, סוג של מודל למידת מכונה. גישה זו עובדת היטב עבור סטים נתונים בממד גבוה או דלילים, שם מודלים קלאסיים מתקשים.
אופטימיזציה של תיק בפיננסים
בנקים ומנהלי נכסים רבים משתמשים ב-AI כדי לנהל תיקים ולהעריך סיכונים. משימות אלו כוללות מספר רב של משתנים ואילוצים. אלגוריתמים קוונטיים כמו QAOA (Quantum Approximate Optimization Algorithm) נבדקים כדי לפתור בעיות אלו ביעילות רבה יותר.
Citi Innovation Labs ו-AWS בדקו לאחרונה את השימוש במחשבים קוונטיים לאופטימיזציה של תיק, באמצעות אלגוריתם QAOA וכיצד הוא ביצע. השיתוף הזה מדגים את העניין הגובר וההשקעה בחישוב קוונטי ככלי לפתרון בעיות בעולם האמיתי.
גילוי תרופות ומודלים מולקולריים
פיתוח תרופות מסתמך על חיזוי כיצד מולקולות מתאינות זו לזו. מודלי AI יכולים לסייע, אבל סימולציות קלאסיות הן מוגבלות. חישוב קוונטי מתאים יותר למידול מערכות כימיות ברמה הקוונטית.
מחקר חדש מ-IBM, The Cleveland Clinic ואוניברסיטת מישיגן מדגים דרך חדשה לסימולציה של מולקולות מורכבות באמצעות מחשבים קוונטיים דור נוכחי, מציע דרך קדימה ברת קיימא לחישוב מדעי מרכזי.
אופטימיזציה של שרשרת אספקה
שרשראות אספקה קשות לניהול בגלל גודלן ומורכבותן. AI יכול לעזור, אבל משימות מסוימות, כמו תכנון נתיבים ובקרת מלאי, נותרות קשות לאופטימיזציה. שיטות קוונטיות נחקרות כדי לשפר משימות אלו.
Fujitsu שיתפה פעולה עם Japan Post כדי לאופטימיזציה של משלוחים בטוקיו, שם אלגוריתמים קלאסיים לא הצליחו לקחת בחשבון משתנים דינמיים כמו עומסי תנועה ופלטות. באמצעות פריסת Quantum AI, הם הצליחו להתחיל לעבוד על הפיכת חלק מהיסודות הבסיסיים של לוגיסטיקה.
אתגרים ומגבלות
חומרה קוונטית נותרת אתגר. אף על פי שיש התקדמויות חדשות כמעט כל יום, מכונות היום עדיין רגישות לרעש, קשות להרחבה ואמינות לחישובים ארוכים. רוב היישומים חייבים לפעול בתוך המגבלות האלו, באמצעות מעגלים קוונטיים קצרים יותר ופשוטים יותר.
פיתוח תוכנה קוונטית גם הוא קשה. תכנות קוונטי דורש ידע בפיזיקה, מתמטיקה ומדעי המחשב. מעט צוותים הם בעלי המיקס הנכון של מיומנויות.
כדי להוריד את המחסום, כלים חדשים נוצרים. אלו כוללים מסגרות תכנות ברמה גבוהה ומערכות עיצוב מעגלים אוטומטי. אלו מאפשרים למפתחי AI לבדוק שיטות קוונטיות בלי לצורך לכתוב קוד קוונטי ברמה נמוכה.
מה שצוותי AI יכולים לעשות היום
Quantum AI אינו מוכן לפריסה מלאה. עם זאת, צוותים קדימיים יכולים להתחיל לבנות את הידע והמערכות הדרושים כדי לנצל אותו בעתיד. כאן שלושה צעדים לבחור:
- בנו צוותים רב-תחומיים – שלבו מומחי AI עם חוקרים באופטימיזציה וחישוב קוונטי. זה מאפשר לצוותים לחקור רעיונות חדשים ולהכין יכולות עתידיות.
- ניסו זרימי עבודה היברידיים – התמקדו בבעיות צרות שבהן רכיבים קוונטיים יכולים לתמוך במודלים קלאסיים. אלו כוללים בחירת תכונות, דגימה או אופטימיזציה מוגבלת.
- השתמשו בכלים שמוחלטים את המורכבות – אמצו פלטפורמות ומסגרות שמסתירות פרטים קוונטיים ברמה נמוכה. כלים אלו עוזרים לצוותים להתמקד ביישום, לא בחומרה.
Quantum AI עדיין בפיתוח. הוא אינו קיצור דרך או החלפה ל-AI קלאסי. עם זאת, זהו תחום גדל עם פוטנציאל אמיתי בתחומים שבהם מודלים נוכחיים נכשלים או מתקשים.
ככל שחומרה קוונטית משתפרת ותוכנה הופכת לנגישה יותר, מאמצים מוקדמים יהיו מוצבים טוב יותר כדי לנצל את הכלים החדשים האלו. עבור צוותים שכבר עובדים בגבולות מערכות קלאסיות, Quantum AI עשוי להיות המקום הבא למצוא ערך.
