Demistyfikacja Quantum AI: Co to jest, czym nie jest i dlaczego ma to znaczenie teraz

AI wkroczył w nową fazę. Nie chodzi już tylko o budowanie większych modeli lub dostęp do większej ilości danych. Dzisiejsza konkurencja koncentruje się na szybkości, wydajności i innowacjach. Firmy szukają nowych narzędzi, które oferują zarówno techniczne, jak i ekonomiczne korzyści. Dla niektórych quantum computing zaczyna wyglądać jak jedno z tych narzędzi.

Quantum AI odnosi się do połączenia obliczeń kwantowych z sztuczną inteligencją. Oferuje nowy sposób podejścia do złożonych problemów w uczeniu maszynowym, optymalizacji i analizie danych. Chociaż nadal jest w fazie rozwoju, potencjał przyciąga poważne zainteresowanie. Globalne badanie przeprowadzone przez SAS w 2024 roku wykazało, że ponad 60 procent liderów biznesu już bada lub inwestuje w Quantum AI. Jednak większość z nich również stwierdziła, że nie w pełni rozumie, czym jest ta technologia i jak mogłaby być wykorzystana.

Ten artykuł wyjaśnia, czym jest Quantum AI, jakie problemy może pomóc rozwiązać i gdzie może mieć wpływ w najbliższej przyszłości.

Dlaczego zespoły AI patrzą na quantum

Trening dużych modeli AI wymaga czasu, energii i pieniędzy. Nawet niewielkie ulepszenia wydajności mogą skutkować znacznymi oszczędnościami. Obliczenia kwantowe zapewniają nowe metody rozwiązywania pewnych problemów w sposób bardziej wydajny lub dokładny niż klasyczne maszyny.

Na przykład komputery kwantowe mogą wykonywać wiele obliczeń jednocześnie, wykorzystując właściwość znaną jako superpozycja. To sprawia, że są one dobrze przystosowane do rozwiązywania problemów, które obejmują wyszukiwanie dużych przestrzeni lub optymalizację złożonych systemów. Te możliwości są zgodne z wieloma zadaniami w uczeniu maszynowym, takimi jak wybór cech, dostosowywanie modeli i pobieranie próbek.

Chociaż dzisiejsze maszyny kwantowe nadal ewoluują, badacze znajdują sposoby łączenia ich z klasycznymi narzędziami. Te hybrydowe systemy pozwalają zespołom AI testować metody kwantowe już teraz, bez czekania na w pełni rozwinięte sprzęty kwantowe.

Czym jest Quantum AI i czym nie jest

Quantum AI nie polega na zastępowaniu obecnych systemów AI wersjami kwantowymi. Nie chodzi o uruchamianie modeli głębokiego uczenia w całości na sprzęcie kwantowym.

Zamiast tego koncentruje się na wykorzystaniu algorytmów kwantowych do wspierania części potoku AI. Mogą to być zadania takie jak przyspieszanie optymalizacji, poprawa wyboru cech lub ulepszanie pobierania próbek z rozkładów zysków. W tych przypadkach komputery kwantowe nie zastępują istniejących narzędzi; wspierają je.

Praca jest nadal eksperymentalna. Większość przykładów opiera się na metodach hybrydowych, w których części kwantowe i klasyczne współpracują. Ale te systemy już pokazują wyniki w wąskich przypadkach użycia.

Bieżące aplikacje w fazie rozwoju

Chociaż pole jest nowe, Quantum AI jest już testowane w kilku branżach. Te przykłady wykorzystują rzeczywiste narzędzia i opublikowane badania. Odzwierciedlają one również rodzaje problemów, które metody kwantowe są najlepiej przystosowane do rozwiązania.

Model Compression i Feature Mapping

Modele AI rosną w rozmiarze i są coraz droższe w treningu. Technologie kwantowe mogą pomóc w redukcji rozmiaru i złożoności tych modeli. Jedną z metod jest kwantowa mapa cech, gdzie dane wejściowe są transformowane przy użyciu obwodów kwantowych. Te transformacje mogą pomóc w rozdzieleniu punktów danych, które są trudne do sklasyfikowania przy użyciu standardowych technik.

W “wczesnych” dniach w 2021 roku artykuł w Nature Physics badał, jak jądra kwantowe mogą poprawić maszyny wektorów nośnych, rodzaj modelu uczenia maszynowego. Ten podejście działa dobrze dla danych wysokowymiarowych lub rzadkich, gdzie klasyczne modele mają trudności.

Optymalizacja portfela w finansach

Banki i zarządzający aktywami często wykorzystują AI do zarządzania portfelami i oceny ryzyka. Te zadania obejmują dużą liczbę zmiennych i ograniczeń. Algorytmy kwantowe, takie jak QAOA (Quantum Approximate Optimization Algorithm), są testowane w celu rozwiązania tych problemów w sposób bardziej wydajny.

Citi Innovation Labs i AWS niedawno zbadali użycie komputerów kwantowych do optymalizacji portfela, konkretnie z zastosowaniem algorytmu QAOA i jego wyników. Współpraca pokazuje rosnące zainteresowanie i inwestycje w obliczenia kwantowe jako narzędzie do rozwiązywania realnych problemów.

Odkrywanie leków i modelowanie molekularne

Rozwój leków opiera się na przewidywaniu, jak molekuły oddziałują ze sobą. Modele AI mogą pomóc, ale symulacje klasyczne mają ograniczenia. Obliczenia kwantowe są lepiej przystosowane do modelowania systemów chemicznych na poziomie kwantowym.

Nowe badanie przeprowadzone przez IBM, The Cleveland Clinic i Michigan State University wykazało nowy sposób symulowania złożonych molekuł przy użyciu współczesnych komputerów kwantowych, oferując wiarygodną ścieżkę do kwantowego komputingu naukowego.

Optymalizacja łańcucha dostaw

Łańcuchy dostaw są trudne do zarządzania ze względu na ich rozmiar i złożoność. AI może pomóc, ale pewne zadania, takie jak planowanie tras i kontrola zapasów, pozostają trudne do optymalizacji. Metody kwantowe są badane w celu poprawy tych zadań.

Fujitsu współpracował z Japan Post w celu optymalizacji dostaw w ostatniej mile w Tokio, gdzie tradycyjne algorytmy trasowania nie uwzględniały dynamicznych zmiennych, takich jak korki i wahania objętości przesyłek. Wdrożenie Quantum AI pozwoliło im rozpocząć pracę nad transformacją niektórych z najbardziej podstawowych aspektów logistyki.

Wyzwania i ograniczenia

Sprzęt kwantowy pozostaje wyzwaniem. Chociaż pojawiają się nowe postępy niemal każdego dnia, dzisiejsze maszyny są nadal wrażliwe na szum, trudne do skalowania i niewiarygodne dla długich obliczeń. Większość aplikacji musi działać w ramach tych ograniczeń, wykorzystując krótsze i prostsze obwody kwantowe.

Rozwój oprogramowania kwantowego jest również trudny. Programowanie kwantowe wymaga wiedzy z fizyki, matematyki i informatyki. Niewiele zespołów ma odpowiednią mieszankę umiejętności.

Aby obniżyć tę barierę, tworzone są nowe narzędzia. Obejmują one ramy programistyczne wysokiego poziomu i systemy automatycznego projektowania obwodów. Pozwalają one deweloperom AI testować metody kwantowe bez konieczności pisania niskopoziomowego kodu kwantowego.

Co zespoły AI mogą zrobić dzisiaj

Quantum AI nie jest jeszcze gotowe do pełnego wdrożenia. Jednak zespoły, które myślą o przyszłości, mogą zacząć budować wiedzę i systemy niezbędne do wykorzystania go w przyszłości. Oto trzy kroki do rozważenia:

1. Buduj zespoły wielofunkcyjne – łącz ekspertów AI z badaczami optymalizacji i obliczeń kwantowych. Pozwala to zespołom na eksplorowanie nowych pomysłów i przygotowanie przyszłych możliwości.
2. Eksperymentuj z hybrydowymi przepływami pracy – Skoncentruj się na wąskich problemach, gdzie składniki kwantowe mogą wspierać klasyczne modele. Obejmują one wybór cech, pobieranie próbek lub optymalizację z ograniczeniami.
3. Używaj narzędzi, które abstrahują złożoność – Przyjmij platformy i ramy, które ukrywają szczegóły niskopoziomowego sprzętu kwantowego. Te narzędzia pomagają zespołom skoncentrować się na aplikacji, a nie na sprzęcie.

Quantum AI nadal się rozwija. Nie jest to skrót ani zastąpienie klasycznego AI. Jest to jednak rosnące pole z rzeczywistym potencjałem w obszarach, w których obecne modele są niewystarczające lub mają trudności. Najbardziej prawdopodobna ścieżka do przodu nie jest nagłym zakłóceniem, ale stopniową integracją.

Podczas gdy sprzęt kwantowy się poprawia, a oprogramowanie staje się bardziej dostępne, wczesni adopterzy będą lepiej przygotowani do wykorzystania tych nowych narzędzi. Dla zespołów, które już pracują na granicach systemów klasycznych, Quantum AI może być następnym miejscem, w którym można znaleźć wartość.