Kvantinis skaičiavimas jau seniai laikomas ateities technologijos simboliu, o jo galimas poveikis dirbtiniam intelektui (DI) yra neabejotinas. Ekspertai teigia, kad didėjant DI modelių mastui ir sudėtingumui, kvantinis skaičiavimas gali būti raktas į efektyvaus skaičiavimo galios DI maistą. „OpenAI”, viena iš pagrindinių veikėjų DI srityje, neseniai įdarbino Bena Bartlettą, buvusį kvantinių sistemų architektą „PsiQuantum”.
Nors „OpenAI” nepaskelbė konkretaus Bartletto vaidmens, jo fizinio kvantinės fizikos, mašininio mokymosi ir nanofotonikos žinios rodo, kad įmonė tyrinėja šių sričių sąveiką. Bartletto tyrimai susiję su „mažų lenktynių trasų kūrimu fotonom, kad jie juos apgautų į naudingus skaičiavimus”, nurodydami potencialius kvantinio skaičiavimo pritaikymus DI srityje.
Taigi, ką tiksliai „OpenAI” galėtų gauti iš kvantinio fiziko? Galimybės yra įdomios. Pavyzdžiui, kvantiniai optimizavimo algoritmai galėtų revoliuciškai pakeisti didelių DI modelių mokymosi efektyvumą. „D-Wave” atstovas Marius Tomas paaiškina, kad kvantinis skaičiavimas gali leisti DI modeliams gauti tiksliau atsakymus su mažiau parametrų. Kadangi įprasta manyti, jog modeliai kaip GPT-4 turi trilijonus parametrų, kvantinio skaičiavimo patrauklumas tampa akivaizdus. Vengdami kiekybinimo ir kompresijos strategijų, kvantinis skaičiavimas gali ženkliai sumažinti reikiamą atmintį, skirtą leisti šioms masinėms modeliams.
Šiuo metu trilijono parametro modeliai pasiekia vieno DI serverio galimybių ribą. Tačiau jei „OpenAI” galėtų pasinaudoti kvantiniu skaičiavimu, kad padidintų modelio galimybes be parametrų kiekio didinimo, tai suteiktų įmonei reikšmingą pranašumą. „D-Wave” programinės įrangos ir algoritmų viceprezidentas Trevoris Lantingas siūlo, kad kvantinis optimizavimas galėtų padėti programuotojams nustatyti svarbiausias savybes mokymui, rezultatas būtų lieknesni ir tikslūs modeliai.
Kitas potencialus kvantinio skaičiavimo pritaikymas DI srityje slypi kvantiniame mėginiavime. Mėginiavimas reiškia, kaip DI modeliai nustato kitą žodį ar simbolį remdamiesi tikimybiniais pasiskirstymais. Panaudojant kvantinį skaičiavimą siekiant tinkamiau sureguliuoti šiuos pasiskirstymus, DI modeliai gali padaryti informuotesnius sprendimus. Prancūzijos pradžią daranti įmonė „Pasqal” taip pat tyrinėja kvantinio skaičiavimo naudojimą atsiskiriančių dviejų struktūrų duomenyse, kurie dažnai randami neuroniniuose tinkluose. Kvanto dinamika suteikia natūralų būdą apdoroti sudėtingus grafo duomenis.
Nors kvantinio skaičiavimo potencialas DI srityje yra įžadantis, vis dar yra iššūkių, su kuriais reikia susidoroti. Kvantinėms sistemoms reikia tapti didesnėms ir greitesnėms, kad galėtų tvarkyti realiuosius duomenų rinkinių sudėtingumą. Vis dėlto, tobulėjant kvantinės technologijos, kvantinių skaičiavimo blokų (QBŠ) integravimas į DI mokymo procesą tampa įmanomas.
Kvantinis skaičiavimas gali pakeisti DI modelius ir užmojai dar didesnėms pažangoms šioje srityje. Kolkas įmonės, panašios į „OpenAI”, investuodamos į kvantinę ekspertizę, galime tikėtis įdomių naujovių šių dviejų technologijų sankirtoje.
DUK
The source of the article is from the blog maltemoney.com.br