ترکیب دانش کوانتوم و هوش مصنوعی شروع دورانی پر چالش

زمان تخمینی مطالعه: 7 دقیقه

ترکیب دانش کوانتوم و هوش مصنوعی در آینده پر چالش بشر بسیار راه‌گشا خواهد بود. زیرا هر کدام از این علوم به تنهایی دارای مشکلاتی است به عنوان نمونه می‌توان به ادامه مطلب توجه کرد. هوش مصنوعی (AI) از دو مشکل بزرگ رنج می‌برد: مصرف انرژی عظیم و پرهزینه و همچنین کمبود شفافیت. این فناوری می‌تواند از نظر فنی راهگشا باشد، اما هنوز برای استفاده در بسیاری از سازمان‌ها بسیار گران است و به همین دلیل از آن چشم پوشی می‌کنند. مطلب ارائه شده در چند خط ابتدایی این نوشته نتیجه‌گیری مقاله اخیر MIT Future Tech بود که وظایف بینایی کامپیوتر را به عنوان نمونه‌ای از فناوری‌های مجهز به هوش مصنوعی بررسی می‌کرد. اما باید به نکته توجه کرد که گروه MIT در برجسته کردن و بیان این مشکل تنها مورد نیست.

در حالت کلی هزینه محاسباتی یادگیری عمیق در حال انفجار است. سام آلتمن، مدیر عامل OpenAI، سال گذشته به صراحت اعلام کرد که آموزش مدل‌های بزرگتر زبان (LLM) راهی برای پیشرفت هوش مصنوعی نیست، به ویژه به این دلیل که آموزش GPT-4، آخرین محصول آن شرکت، بیش از 100 میلیون دلار هزینه داشته است، در حالی که تا سال 2027 تخمین زده می‌شود که صنعت هوش مصنوعی می‌تواند به اندازه کشوری به اندازه هلند انرژی مصرف کند.

همچنین مدل‌های هوش مصنوعی از نظر باز بودن، مدل‌هایی بسیار غیرشفاف هستند. برای استفاده معمول می‌توان روی آنها حساب کرد ولی در برنامه‌های کاربردی که به دست مصرف کننده نهایی می‌رسد می‌تواند یک میدان مین قانونی و حقوقی برای شرکت‌ها باشد.

پردازش کوانتومی مسیری است که از طریق آن می‌توان محدودیت‌های هوش مصنوعی را برطرف کرد.

دو مسئله ادراک پیشرفت را به تاخیر می‌اندازد. اولاً، مانعی برای همکاری مابین هوش مصنوعی . پردازش کوانتومی بر اساس برداشت‌های نادرست وجود دارد که کوانتوم فقط مربوط به سخت‌افزار است. امروزه حسگرهای کوانتومی بسیار پیشرفته‌ هستند و برخی از آنها در حال حاضر در بازار هستند. در ارتباطات کوانتومی ظاهراً چینی‌ها پیشرفت خوبی داشته و نرم‌افزارهای کوانتومی الهام‌گرفته از حیطه کوانتومی با سرعت در حال پیشرفت است. همه این موارد بر اساس فیزیک کوانتومی هستند و به روش‌های مختلف برای هوش مصنوعی قابل استفاده هستند.

موضوع دوم ذهنیت بسیاری از شرکت‌های درگیر در این زمینه‌ها است که بخش‌های جداگانه‌ای برای هوش مصنوعی و کوانتوم دارند یا فقط بر روی یکی تمرکز می‌کنند. با این وجود، شرکت‌هایی پیشرو هم وجود دارند که به دنبال شکستن ایده تحقیق مجزا و تفکیک شده هستند.

اسکات فاریس، مدیرعامل شرکت آمریکایی Infleqtion می‌گوید: «هم‌گرایی هوش مصنوعی و کوانتوم یکی از قوی‌ترین ترکیب‌هایی است که ما شروع به فعالیت و گشودن درهایی جدید در آن کرده‌ایم. این همگرایی پیامدهای فوری و بلندمدتی در آینده خواهد داشت.»

این شرکت که محصولات و قطعات کوانتومی را از حسگرها گرفته تا سخت افزارهای کامپیوتری، ناسا را یکی از مشتریان خود می‌داند. فاریس اشاره می‌کند که فناوری‌های فعال کوانتومی به سرعت کاربرد خود را در رسیدگی به چالش‌های مقیاس‌پذیری خرد کردن زیر ساخت داده ناشی از هوش مصنوعی نشان می‌دهند. شبکه‌های مقیاس‌بندی شده از حسگرهای کوانتومی مجموعه‌ای از داده‌های جدید با دقت و ارزش بی‌نظیر ایجاد می‌کنند که با پیشرفت‌های موازی در هوش مصنوعی پدیدار می‌شوند.

نمونه‌ای از آن CompactifAI است، محصولی که اواخر سال گذشته توسط *Multiverse Computing عرضه شد. بزرگترین شرکت نرم‌افزار کوانتومی اروپا که بوش و بانک کانادا در میان مشتریان آن هستن. این شرکت از فناوری خود برای فشرده‌سازی داده‌های یک مدل زبان بزرگ (LLM) تا 70 درصد استفاده می‌کند، بنابراین از قدرت محاسباتی بسیار کمتری استفاده می‌کند. و به نتایجی دست می‌یابید که از نظر کیفیت قابلیت رقابت بالایی دارند. انریکه لیزاسو، مدیرعامل این شرکت می‌گوید: «هوش مصنوعی با مصرف سطوح غیرقابل تحمل انرژی جهان را می‌سوزاند.» شرکت او که به عنوان یکی از سه نامزد نهایی جایزه اروپایی Unicorn آینده انتخاب شده است، از هوش مصنوعی و قابلیت‌های الهام‌گرفته از کوانتوم خود در زمینه‌هایی از پیش‌بینی فجایع آب‌وهوا (افزایش دما یا گرم شدن زمین) تا کمک به خودروسازان در آموزش بینایی ماشین‌ استفاده می‌کند. این کار در محل سایت صنعتی به جای مراکز پردازش داده، با بازآموزی سریع‌تر جریان‌های متعدد داده، کاهش نیاز به توان پردازش و امنیت بیشتر انجام می‌شود.

لیزاسو معتقد است که همکاری مابین دانش کوانتوم و هوش مصنوعی به لحاظ محیطی مفید است. او خاطرنشان می‌کند که برای مثال، بهینه‌سازی مسیرها برای کشتیرانی، یا بهینه‌سازی میزان سوخت تانکرها برای سفر، میزان تولید و انتشار کربن کشتی‌ها را کاهش می‌دهد.

اخیرا شرکت انویدیا Nvidia که بیشتر به عنوان رهبر بازار تراشه‌های هوش مصنوعی شناخته می‌شود، به پردازش کوانتومی نیز علاقه‌مند است.

تیم کاستا، سرپرست HPC،HPC و محصول محاسبات کوانتومی می‌گوید: “هوش مصنوعی امروز محاسبات کوانتومی را تسریع می‌کند. ما شروع به دیدن محققانی می‌کنیم که از زیرساخت‌های هوش مصنوعی و محاسبات پیشرفته استفاده می‌کنند تا از چیزهایی مانند مدل‌های زبان بزرگ (LLM) برای توسعه الگوریتم‌های کوانتومی جدید و بهبود عملکرد رایانه‌های کوانتومی استفاده کنند.”

او می افزاید: ما به تازگی شروع به بررسی این موضوع که چگونه هوش مصنوعی مولد می‌تواند محاسبات کوانتومی را بهبود بخشد کردیم. با این حال، در کوتاه مدت محققان در حال حاضر در حال بررسی یادگیری ماشین کوانتومی (QML) و روش‌های الهام گرفته از کوانتوم برای کاربردهای مالی مانند تشخیص تقلب و پیش‌بینی هستند.

اخیراً محققان دانشگاه تورنتو، بیمارستان تحقیقاتی کودکان سنت جود و انویدیا یک الگوریتم کوانتومی جدید به نام «GPT-Quantum Eigensolver» توسعه دادند. در این الگوریتم از چارچوب مدل‌های هوش مصنوعی مولد برای تولید مدارهای کوانتومی با ویژگی‌های مطلوب جهت محاسبه انرژی حالت پایه مولکول‌های مورد نظر استفاده می‌کند. نسخه‌های مختلف این الگوریتم کوانتومی مولد را می‌توان برای مشکلات مهم در کشف دارو و مواد جدید، و همچنین مجموعه‌ای از کاربردهای دیگر، که ما حتی نمی‌توانیم برخی از آنها را تصور کنیم، به کار برد.

در مورد مسئله فرآیند تفکر و تصمیم‌گیری نامشخص هوش مصنوعی، استفاده از دانش کوانتوم بخشی از پاسخ است. برای استفاده گسترده‌تر از تکنولوژی دانش جدید، تفسیرپذیری سیستم نقش کلیدی بر عهده دارا است و در اصل درک اینکه چرا یک سیستم تصمیم‌هایی را می‌گیرد تا بتواند پاسخگو باشد بسیار مهم است. تنها هفته گذشته Quantinuum که از ادغام کمبریج کوانتوم و هانیول کوانتوم شکل گرفت، اولین گام عمومی را در ایجاد هوش مصنوعی که “قابل تفسیر و پاسخگویی” است از طریق توسعه چارچوبی برای مدل‌های ترکیبی هوش مصنوعی با استفاده از نوعی ریاضیات به نام نظریه دسته‌بندی اعلام کرد.

بزرگترین چالش‌های نوع بشر در آینده با ترکیب دانش کوانتوم و هوش مصنوعی حل نخواهد شد. با این وجود پیش‌بینی می‌کنیم در دهه‌های آینده بسیاری از شرکت‌هایی که در خط مقدم سفر کوانتوم و هوش مصنوعی قرار دارند، حل کننده بسیاری از چالش‌های بشر خواهند بود.