Квантовые вычисления давно прославляются как будущее технологий, и их потенциальное влияние на искусственный интеллект (ИИ) неоспоримо. По мере роста масштаба и сложности моделей ИИ, специалисты отрасли считают, что квантовые вычисления могут стать ключом к удержанию ненасытной потребности ИИ в вычислительной мощности. OpenAI, один из ведущих участников в области ИИ, недавно сделал стратегический шаг, нанимая Бена Бартлетта, бывшего архитектора квантовых систем в PsiQuantum.
Хотя OpenAI не раскрыла конкретики роли Бартлетта, его фон в области квантовой физики, машинного обучения и нанофотоники подразумевает, что компания исследует пересечение этих областей. Барлетт в своем исследовании сосредотачивается на создании «маленьких гоночных трасс для фотонов, которые обманывают их, чтобы они выполняли полезные вычисления», намекая на потенциальные применения квантовых вычислений в ИИ.
Итак, что именно OpenAI может получить от квантового физика? Возможности здесь привлекательны. Квантовые оптимизационные алгоритмы, например, могут революционизировать эффективность обучения больших моделей ИИ. Мюррей Том, представитель D-Wave, объясняет, что квантовые вычисления могут позволить моделям ИИ получать более точные ответы с меньшим количеством параметров. Учитывая, что моделям, подобным GPT-4, приписывают триллионы параметров, привлекательность квантовых вычислений становится очевидной. Избегая стратегий квантования и сжатия, квантовые вычисления могут значительно уменьшить объем памяти, необходимый для выполнения этих массивных моделей.
В настоящее время модели с триллионами параметров выходят за рамки того, что может обрабатывать один сервер ИИ. Однако, если OpenAI сможет использовать квантовые вычисления для повышения возможностей модели без увеличения числа параметров, это даст компании существенное преимущество. Тревор Лантинг, вице-президент по программному обеспечению и алгоритмам в D-Wave, предлагает, что квантовая оптимизация может помочь разработчикам выявить наиболее важные функции для обучения, что приведет к более легким и точным моделям.
Другим потенциальным применением квантовых вычислений в ИИ является квантовый сэмплинг. Семплирование относится к тому, как ИИ-модели определяют следующее слово или токен на основе распределений вероятности. Используя квантовые вычисления для точной настройки этих распределений, ИИ-модели могут делать более обоснованные прогнозы. Французский стартап Pasqal также исследует использование квантовых вычислений для выгрузки графовых структурированных наборов данных, часто встречающихся в нейронных сетях. Квантовая динамика обеспечивает естественный способ обработки сложных графовых данных.
Хотя потенциал квантовых вычислений в ИИ обещает быть великим, все еще есть препятствия, которые необходимо преодолеть. Квантовым системам необходимо становиться больше и быстрее, чтобы справляться с сложностью реальных наборов данных. Однако, по мере продвижения в технологии квантовых вычислений, интеграция квантовых вычислительных блоков (QPU) в процесс обучения ИИ становится возможной.
Квантовые вычисления имеют потенциал трансформировать модели ИИ и проложить путь для еще больших достижений в этой области. Поскольку компании, такие как OpenAI, инвестируют в квантовые знания, мы можем ожидать интересных новинок на стыке этих двух технологий.
FAQ
The source of the article is from the blog myshopsguide.com