IBM Research Chứng Minh Các Mạch Lượng Tử Vượt Trội Hơn Các Mô Hình Ngôn Ngữ Lớn Trên Hai Vấn Đề

IBM Research vào ngày 15 tháng 9 năm 2026, đã công bố một bản ghi về công trình chứng minh các phân tách lý thuyết vô điều kiện giữa các mạch lượng tử nông và các mô hình ngôn ngữ lớn: một vấn đề chức năng và một vấn đề mẫu mà các mạch lượng tử nông có lợi thế chứng minh được so với các LLMs.

Dòng tác giả của bài viết liệt kê Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta và Ryan Mandelbaum. Bài viết mô tả bài báo “Separating quantum circuits from classical LLMs,” của Arunachalam, Dutt, Krovi và Sengupta, mà đã được đăng trên arXiv vào ngày 4 tháng 8 năm 2026, và dài 60 trang kèm sáu hình. Tóm tắt đặt công trình như một bước khởi đầu cho việc nghiên cứu lợi thế lượng tử trong thời đại các mô hình ngôn ngữ lớn. Các tác giả mô tả kết quả là mang tính lý thuyết hơn là ngay lập tức thực tiễn, chỉ ra khoảng cách giữa phần cứng quy mô lớn, đã trưởng thành phía sau các LLM hiện đại và các máy tính lượng tử dễ bị lỗi hiện đang có.

Một Dòng Nghiên Cứu Từ 2018 Đến Các LLMs

Công trình tiếp nối một dòng nghiên cứu về các mạch lượng tử nông, trong đó độ sâu của mạch vẫn không đổi khi số lượng qubit tăng lên. Một kết quả năm 2018 được công bố trên tạp chí Science bởi các nhà nghiên cứu IBM Sergey Bravyi, David Gosset và Robert König cho thấy một mô hình nhất định của các mạch lượng tử độ sâu không đổi có thể giải quyết các bài toán tìm kiếm cụ thể mà không có mạch cổ điển độ sâu không đổi nào tương đương có thể giải quyết. Trong những năm sau, các nhà nghiên cứu đã liên tục củng cố sự phân tách đó đối với các mô hình tính toán cổ điển ngày càng biểu đạt mạnh mẽ, trong khi phía lượng tử vẫn giữ tính nông, theo bài viết.

Với sự phổ biến của các LLM trong các nhiệm vụ tính toán, các tác giả đã tìm kiếm các phân tách cho hai loại vấn đề cơ bản. Các vấn đề chức năng liên quan đến việc tính giá trị của một hàm, trả về kết quả đúng cho một đầu vào nhất định, chẳng hạn như truy xuất một thông tin cụ thể đáp lại một lời nhắc. Các vấn đề mẫu liên quan đến việc tạo ra đầu ra theo một phân phối xác suất mong muốn, chẳng hạn như tạo ra văn bản hoặc hình ảnh mới đáp lại một lời nhắc.

Một Phân Tách Chức Năng và Một Phân Tách Mẫu

Phân Tách Chức Năng: Hàm Chỉ Mục Lặp

Trong trường hợp chức năng, bài báo tập trung vào các transformer chỉ có bộ giải mã, kiến trúc đứng sau nhiều LLM tiêu biểu, bao gồm GPT, Claude và Llama. Một transformer sẽ phân tách đầu vào thô thành các token, nhúng các token thành một chuỗi vector, và liên tục điều chỉnh lại trọng số của các vector này qua nhiều lớp, sử dụng các tham số đã học và cơ chế tích vô hướng có tỉ lệ gọi là attention. Các mô hình chỉ có bộ giải mã tạo ra các token mới một cách tuần tự đáp lại một lời nhắc.

Nghiên cứu độ phức tạp trước đây về các transformer đã xác định hàm chỉ mục lặp như một vấn đề đòi hỏi tài nguyên tính toán đáng kể. Bài viết minh họa bằng một mục chỉ mục ở phần cuối của một cuốn sách, chỉ tới một mục chỉ mục trong cuốn sách thứ hai, rồi chỉ tới một mục trong cuốn sách thứ ba, và cứ tiếp tục như vậy; vấn đề đặt ra là chuỗi tham chiếu này kết thúc ở đâu sau nhiều cuốn sách liên tiếp.

Việc áp dụng kết quả trước đó đã cung cấp một giới hạn dưới cho thấy việc giải quyết vấn đề chỉ mục lặp đòi hỏi tài nguyên tính toán đủ lớn từ các transformer. Các tác giả sau đó chứng minh rằng vấn đề này có thể giải quyết được bằng một mạch lượng tử có độ sâu gần như không đổi, được bổ sung một cổng AND cổ điển duy nhất, và độ sâu này không thể thực sự trở thành hằng số. Tóm tắt cho biết hàm này có thể tính được bằng các mạch QNC^0 có độ sâu O(log log n) kèm theo một cổng AND cổ điển được áp dụng sau đó, trong khi bất kỳ transformer chỉ có bộ giải mã nào có độ sâu không đổi tính toán hàm này phải có độ rộng n^Ω(1).

Phân Tách Mẫu: Parity và Các Mô Hình Ngôn Ngữ Khuếch Tán

Kết quả thứ hai liên quan đến các vấn đề phân phối, trong đó các ví dụ nổi tiếng nhất xuất hiện trong việc tạo hình ảnh bằng các mô hình khuếch tán như DALL·E và Stable Diffusion. Bài báo nghiên cứu các mô hình ngôn ngữ khuếch tán, được huấn luyện bằng cách thêm nhiễu ngẫu nhiên vào văn bản và học cách khôi phục lại từng bước một; trong giai đoạn kiểm tra, chúng bắt đầu từ nhiễu và loại bỏ dần cho đến khi đầu ra đạt dạng mong muốn.

Vấn đề cổ điển ở đây, parity-sampling, tương tự với vấn đề mà Bravyi và các đồng tác giả của ông đã dùng để so sánh các mạch nông lượng tử và cổ điển vào năm 2018. Khi cho một chuỗi các 0 và 1, parity hỏi chuỗi đó có chứa số lượng 1 chẵn hay lẻ. Một mạch lượng tử độ sâu không đổi có thể sử dụng sự rối loạn và giao thoa để dự đoán parity của một chuỗi chưa biết và do đó mẫu các chuỗi có parity chỉ định một cách hiệu quả.

Các nghiên cứu trước đây đã chỉ ra giới hạn về khả năng của các mô hình ngôn ngữ khuếch tán trong việc giải quyết một phiên bản của vấn đề lấy mẫu này, nhưng những kết quả đó không bao gồm các mô hình được trang bị chuỗi suy nghĩ, trong đó mô hình tạo ra và xử lý các token trung gian, một khả năng mà các nghiên cứu trước đây thường thấy làm cho các mô hình trở nên mạnh mẽ hơn đáng kể. Các tác giả chứng minh rằng ngay cả khi một mô hình ngôn ngữ khuếch tán được cho quyền truy cập vào một lượng chuỗi suy nghĩ, nó vẫn không thể khớp hiệu quả với phân phối mà mạch lượng tử nông tạo ra. Tóm tắt cũng nêu rằng có một phân phối có thể được lấy mẫu bởi các mạch QNC^0 độ sâu hằng số mà không có mô hình ngôn ngữ khuếch tán vòng lặp hằng số nào sử dụng lập lịch nông và khử nhiễu có thể lấy mẫu trong khoảng cách hằng số, ngay cả khi cho phép chuỗi suy nghĩ dưới tuyến tính và việc sửa đổi token đầu ra cũng như tái mặt nạ.

Hạn chế và Hướng đi Tiếp theo

Các tác giả mô tả công trình này là mang tính lý thuyết mạnh mẽ, bao gồm các chứng minh toán học. Họ thừa nhận rằng các máy tính lượng tử hiện nay bị hạn chế về khả năng và chịu ảnh hưởng của nhiễu và lỗi, trong khi các mô hình ngôn ngữ lớn cổ điển có quyền truy cập vào phần cứng tính toán hiện đại quy mô lớn. Công trình không xác định được quy mô chính xác mà tại đó các hệ thống lượng tử sẽ vượt trội hơn các LLM trên các vấn đề cụ thể đã nghiên cứu; các tác giả chỉ khẳng định rằng về mặt tiệm cận, các mạch lượng tử sẽ vượt trội hơn các LLM khi hai bên được so sánh trực tiếp.

Các tác giả cho biết họ hy vọng những hiểu biết này sẽ mở đường cho các tiêu chuẩn đo lường cụ thể so sánh các hệ thống lượng tử và LLM trên những vấn đề khó khăn này. Trong số các câu hỏi mở họ nêu ra là những vấn đề nào tách biệt các mạch lượng tử nông khỏi các mô hình mạnh hơn các LLM, và cách các mạch lượng tử ít hạn chế hơn so sánh như thế nào. Mục tiêu dài hạn mà họ đề ra là vẽ bản đồ toàn diện về các phân tách vô điều kiện giữa tính toán lượng tử và tính toán cổ điển hoàn toàn tổng quát, một mục tiêu họ mô tả là còn rất xa mới đạt được.

Trong thời gian chờ đợi, họ viết, công trình này nên thúc đẩy việc phát triển các thuật toán và ứng dụng cho tính toán lượng tử, vì một số vấn đề nằm ngoài khả năng của các kiến trúc LLM đã được nghiên cứu trong khi vẫn có thể giải quyết được ngay cả với các mô hình tính toán lượng tử chịu lỗi hạn chế. Các tác giả cũng nêu lên khả năng tính toán lượng tử cuối cùng có thể bổ sung cho các hệ thống AI cổ điển, cho phép chúng xử lý các nhiệm vụ mà nếu không sẽ đòi hỏi tài nguyên tính toán đáng kể hơn, và họ cho biết lạc quan về một tương lai của tính toán lai lượng tử – cổ điển được hiện thực đầy đủ.