คอมพิวติ้งควอนตัม
การทำความเข้าใจ Quantum AI: สิ่งที่เป็นและสิ่งที่ไม่ใช่ และทำไมมันจึงสำคัญตอนนี้
AI ได้เข้าสู่ช่วงใหม่แล้ว ไม่ใช่แค่การสร้างโมเดลที่ใหญ่ขึ้นหรือเข้าถึงข้อมูลได้มากขึ้น แต่การแข่งขันในปัจจุบันเน้นไปที่ความเร็ว ความมีประสิทธิภาพ และนวัตกรรม บริษัทต่างๆ กำลังมองหาทools ใหม่ที่สามารถให้ทั้งความได้เปรียบทางเทคนิคและเศรษฐกิจ สำหรับบางคน คอมพิวเตอร์ควอนตัมเริ่มดูเหมือนเป็นหนึ่งใน tools เหล่านั้น
Quantum AI หมายถึงการรวมกันของการคำนวณควอนตัมและปัญญาประดิษฐ์ มันให้วิธีใหม่ในการแก้ปัญหาที่ซับซ้อนในเรื่องการเรียนรู้ของเครื่อง การเพิ่มประสิทธิภาพ และการวิเคราะห์ข้อมูล แม้ว่ายังคงอยู่ในช่วงพัฒนา แต่ศักยภาพของมันได้ดึงดูดความสนใจอย่างจริงจัง การสำรวจระดับโลกในปี 2024 โดย SAS พบว่ามากกว่า 60% ของผู้นำธุรกิจกำลังสำรวจหรือลงทุนใน Quantum AI อยู่แล้ว อย่างไรก็ตาม ส่วนใหญ่ยังบอกด้วยว่าพวกเขาไม่เข้าใจเต็มที่ว่าเทคโนโลยีนี้คืออะไรหรือจะใช้ได้อย่างไร
บทความนี้อธิบายว่า Quantum AI คืออะไร ปัญหาใดที่มันอาจช่วยแก้ไข และที่ไหนที่มันอาจมีผลกระทบในอนาคตอันใกล้นี้
ทำไมทีม AI จึงมองหาควอนตัม
การฝึกอบรมโมเดล AI ที่ใหญ่ๆ ต้องใช้เวลา พลังงาน และเงิน การปรับปรุงประสิทธิภาพแม้เพียงเล็กน้อยก็สามารถนำไปสู่การประหยัดที่สำคัญ การคำนวณควอนตัมให้วิธีการใหม่ในการแก้ปัญหาบางอย่างได้อย่างมีประสิทธิภาพหรือแม่นยำมากกว่าเครื่องคลาสสิก
ตัวอย่างเช่น คอมพิวเตอร์ควอนตัมสามารถทำการคำนวณหลายๆ อย่างพร้อมๆ กัน โดยใช้คุณสมบัติที่เรียกว่าซูเปอร์โพซิชัน ทำให้พวกมันเหมาะสำหรับปัญหาที่เกี่ยวข้องกับการค้นหาพื้นที่ขนาดใหญ่หรือการเพิ่มประสิทธิภาพระบบที่ซับซ้อน ความสามารถเหล่านี้สอดคล้องกับงานหลายอย่างในเรื่องการเรียนรู้ของเครื่อง เช่น การเลือกคุณลักษณะ การปรับโมเดล และการเก็บตัวอย่างข้อมูล
แม้ว่าเครื่องควอนตัมในปัจจุบันยังคงพัฒนา แต่นักวิจัยพบวิธีการรวมมันกับเครื่องมือคลาสสิก ระบบไฮบริดเหล่านี้ทำให้ทีม AI สามารถทดสอบวิธีการควอนตัมได้แล้ว โดยไม่ต้องรอให้เครื่องควอนตัมพัฒนาเต็มที่
Quantum AI คืออะไรและไม่ใช่อะไร
Quantum AI ไม่ใช่เรื่องของการแทนที่ระบบ AI ปัจจุบันด้วยเวอร์ชันควอนตัม ไม่ใช่เรื่องของการรันโมเดลการเรียนรู้ลึกบนฮาร์ดแวร์ควอนตัม
แทนที่จะเน้นการใช้อัลกอริทึมควอนตัมเพื่อสนับสนุนส่วนต่างๆ ของการประมวลผล AI สิ่งเหล่านี้อาจรวมถึงงานอย่างการเพิ่มประสิทธิภาพการทำงาน การปรับปรุงการคัดเลือกคุณลักษณะ หรือการปรับปรุงการเก็บตัวอย่างจากการกระจายความน่าจะเป็น ในกรณีเหล่านี้ คอมพิวเตอร์ควอนตัมไม่ได้แทนที่เครื่องมือที่มีอยู่ แต่สนับสนุนพวกมัน
งานยังคงอยู่ในช่วงการทดลอง ส่วนใหญ่ของตัวอย่างเหล่านี้พึ่งพาวิธีการไฮบริด ซึ่งควอนตัมและคลาสสิกทำงานร่วมกัน แต่ระบบเหล่านี้แสดงผลลัพธ์แล้วในกรณีการใช้งานที่แคบ
การประยุกต์ใช้งานในปัจจุบันที่กำลังพัฒนา
แม้ว่าฟิลด์จะใหม่ แต่ Quantum AI ก็ถูกทดสอบในอุตสาหกรรมหลายแห่งแล้ว ตัวอย่างเหล่านี้ใช้เครื่องมือจริงและงานวิจัยที่ตีพิมพ์แล้ว สิ่งเหล่านี้สะท้อนถึงปัญหาที่วิธีการควอนตัมเหมาะสมที่จะแก้ไข
การบีบอัดโมเดลและแมปคุณลักษณะ
โมเดล AI กำลังโตขึ้นและยิ่งมีค่าใช้จ่ายในการฝึกอบรมมากขึ้น เทคโนโลยีควอนตัมสามารถช่วยลดขนาดและความซับซ้อนของโมเดลเหล่านี้ได้ วิธีหนึ่งคือการแมปคุณลักษณะควอนตัม โดยที่ข้อมูลเข้าถูกแปลงโดยใช้เซอร์กิตควอนตัม การแปลงเหล่านี้สามารถช่วยแยกข้อมูลที่ยากต่อการจำแนกโดยใช้เทคนิคมาตรฐาน
ใน “ช่วงแรก” ของการวิจัยในปี 2021 มี งานวิจัยใน Nature Physics ที่สำรวจว่าเคอร์เนลควอนตัมสามารถปรับปรุงโมเดลการเรียนรู้ของเครื่องได้อย่างไร โดยเฉพาะโมเดลที่เรียกว่า Support Vector Machines วิธีนี้ทำงานได้ดีสำหรับเซตข้อมูลที่มีมิติสูงหรือมีความเบาบาง ซึ่งโมเดลคลาสสิกต้องดิ้นรน
การเพิ่มประสิทธิภาพพอร์ตโฟลิโอในด้านการเงิน
ธนาคารและผู้จัดการสินทรัพย์ใช้ AI เพื่อจัดการพอร์ตโฟลิโอและประเมินความเสี่ยง งานเหล่านี้เกี่ยวข้องกับตัวแปรและข้อจำกัดจำนวนมาก อัลกอริทึมควอนตัมอย่าง QAOA (Quantum Approximate Optimization Algorithm) กำลังถูกทดสอบเพื่อแก้ปัญหาเหล่านี้ได้อย่างมีประสิทธิภาพมากขึ้น
Citi Innovation Labs และ AWS ได้ศึกษาการใช้คอมพิวเตอร์ควอนตัมสำหรับการเพิ่มประสิทธิภาพพอร์ตโฟลิโอ โดยเฉพาะการใช้อัลกอริทึม QAOA และการแสดงผลการทำงาน การร่วมมือครั้งนี้แสดงให้เห็นถึงความสนใจและลงทุนที่เพิ่มขึ้นในคอมพิวเตอร์ควอนตัมเป็นเครื่องมือในการแก้ปัญหาโลกแห่งความเป็นจริง
การค้นพบยาและแบบจำลองโมเลกุล
การพัฒนายาต้องอาศัยการทำนายว่าโมเลกุลจะโต้ตอบกันอย่างไร โมเดล AI สามารถช่วยได้ แต่การจำลองคลาสสิกมีข้อจำกัด การคำนวณควอนตัมเหมาะสมกว่าสำหรับการสร้างแบบจำลองระบบเคมีที่ระดับควอนตัม
การศึกษาใหม่ จาก IBM, The Cleveland Clinic และ Michigan State University ได้แสดงวิธีการใหม่ในการจำลองโมเลกุลที่ซับซ้อนโดยใช้คอมพิวเตอร์ควอนตัมรุ่นปัจจุบัน ซึ่งเสนอวิธีการที่เป็นไปได้สำหรับการคำนวณวิทยาศาสตร์ควอนตัม
การเพิ่มประสิทธิภาพโซ่อุปทาน
โซ่อุปทานมีความยากในการจัดการเนื่องจากขนาดและความซับซ้อน AI สามารถช่วยได้ แต่บางงานอย่างการวางแผนเส้นทางและควบคุมสินค้าอยู่ในคลังยังคงยากต่อการเพิ่มประสิทธิภาพ วิธีการควอนตัมกำลังถูกสำรวจเพื่อปรับปรุงงานเหล่านี้
Fujitsu ร่วมมือกับ Japan Post เพื่อเพิ่มประสิทธิภาพการส่งมอบสุดท้ายในโตเกียว โดยที่อัลกอริทึมการวางแผนเส้นทางแบบดั้งเดิมล้มเหลวในการคำนึงถึงตัวแปรแบบไดนามิก เช่น การจราจรและปริมาณพัสดุ โดยการนำ Quantum AI มาใช้ พวกเขาสามารถเริ่มงานในการเปลี่ยนแปลงแง่มุมพื้นฐานบางอย่างของลอจิสติกส์
ความท้าทายและข้อจำกัด
ฮาร์ดแวร์ควอนตัมยังคงเป็นความท้าทาย แม้ว่าจะมีการพัฒนาที่ดูเหมือนจะเกิดขึ้นทุกวัน แต่เครื่องควอนตัมในปัจจุบันยังคงไวต่อการรบกวน ยากต่อการขยายขนาด และไม่น่าเชื่อถือสำหรับการคำนวณระยะยาว ส่วนใหญ่ของการประยุกต์ใช้ต้องทำงานภายในข้อจำกัดเหล่านี้ โดยใช้เซอร์กิตควอนตัมที่สั้นและง่ายขึ้น
การพัฒนาซอฟต์แวร์ควอนตัมก็ยากเช่นกัน การเขียนโปรแกรมควอนตัมต้องการความรู้ในฟิสิกส์ คณิตศาสตร์ และวิทยาการคอมพิวเตอร์ ทีมส่วนใหญ่ไม่มีส่วนผสมของทักษะที่เหมาะสม
เพื่อลดอุปสรรคเหล่านี้ มีการสร้างเครื่องมือใหม่ๆ ซึ่งรวมถึงเฟรมเวิร์กการเขียนโปรแกรมระดับสูงและระบบการออกแบบเซอร์กิตอัตโนมัติ เครื่องมือเหล่านี้ช่วยให้นักพัฒนา AI สามารถทดสอบวิธีการควอนตัมได้โดยไม่ต้องเขียนโค้ดควอนตัมระดับต่ำ
สิ่งที่ทีม AI สามารถทำได้วันนี้
Quantum AI ยังไม่พร้อมสำหรับการใช้งานเต็มรูปแบบ อย่างไรก็ตาม ทีมที่มองไปข้างหน้าสามารถเริ่มสร้างความรู้และระบบที่จำเป็นเพื่อใช้ประโยชน์จากมันในอนาคต นี่คือขั้นตอนที่ควรพิจารณา:
- สร้างทีมที่มีหน้าที่หลากหลาย – รวมผู้เชี่ยวชาญ AI ด้วยนักวิจัยในด้านการเพิ่มประสิทธิภาพและการคำนวณควอนตัม สิ่งนี้ช่วยให้ทีมสามารถสำรวจความคิดใหม่ๆ และเตรียมความพร้อมสำหรับความสามารถในอนาคต
- ทดลองกับเวิร์กโฟลว์แบบไฮบริด – มุ่งเน้นไปที่ปัญหาแคบๆ ที่ส่วนประกอบควอนตัมสามารถสนับสนุนโมเดลคลาสสิกได้ สิ่งเหล่านี้รวมถึงการคัดเลือกคุณลักษณะ การเก็บตัวอย่างหรือการเพิ่มประสิทธิภาพที่มีข้อจำกัด
- ใช้เครื่องมือที่ทำให้ความซับซ้อนง่ายขึ้น – ใช้แพลตฟอร์มและเฟรมเวิร์กที่ซ่อนรายละเอียดควอนตัมระดับต่ำให้เหลือน้อยที่สุด เครื่องมือเหล่านี้ช่วยให้ทีมสามารถมุ่งเน้นไปที่การประยุกต์ใช้มากกว่าฮาร์ดแวร์
Quantum AI ยังคงอยู่ในช่วงพัฒนา มันไม่ใช่ทางลัดหรือการแทนที่ AI คลาสสิก แต่เป็นฟิลด์ที่เติบโตขึ้นและมีศักยภาพจริงในพื้นที่ที่โมเดลปัจจุบันล้มเหลวหรือต้องดิ้นรน
เมื่อฮาร์ดแวร์ควอนตัมดีขึ้นและซอฟต์แวร์กลายเป็นมิตรกับผู้ใช้มากขึ้น ผู้ใช้เริ่มแรกจะสามารถใช้เครื่องมือใหม่เหล่านี้ได้ดีขึ้น สำหรับทีมที่ทำงานอยู่ที่ขอบเขตของระบบคลาสสิก Quantum AI อาจเป็นจุดถัดไปที่จะพบคุณค่า
