Kvanttikoneet ovat pitkään ylistettyjä teknologian tulevaisuuden muutoksina, ja niiden potentiaalinen vaikutus tekoälyyn on kiistaton. Tekoälyn mallien mittakaavan ja monimutkaisuuden jatkaessa kasvuaan, alan asiantuntijat uskovat, että kvanttikoneet voisivat avata oven hillitsemään tekoälyn jatkuvaa ruokahalua laskentateholle. OpenAI, yksi johtavista toimijoista tekoälyalalla, on äskettäin tehnyt strategisen siirron palkkaamalla Ben Bartlettin, entisen kvanttijärjestelmäarkkitehdin PsiQuantumilta.
Vaikka OpenAI ei ole paljastanut Bartlettin roolin yksityiskohtia, hänen taustansa kvanttimekaniikassa, koneoppimisessa ja nanofotoniikassa viittaa siihen, että yhtiö tutkii näiden alojen leikkauspisteitä. Bartlettin tutkimus keskittyy ”pienien kilparatojen suunnitteluun fotoneille, jotka huijaavat niitä tekemään hyödyllistä laskentaa”, vihjaten kvanttikoneiden mahdollisiin sovelluksiin tekoälyssä.
Joten mitä OpenAI voisi tarkalleen saavuttaa kvanttifysiikasta? Mahdollisuudet ovat kiehtovia. Esimerkiksi kvanttioptimointialgoritmit voisivat mullistaa suurten tekoälymallien koulutuksen tehokkuuden. Murray Thom D-Wavesta selittää, että kvanttikoneet voivat mahdollistaa tarkempien vastausten saamisen vähemmillä parametreilla tekoälymalleilta. Ottaen huomioon, että huhujen mukaan esimerkiksi GPT-4:llä voi olla biljoonia parametreja, kvanttikoneiden houkuttelevuus tulee selväksi. Välttämällä kvantitointia ja pakkausstrategioita kvanttikoneet voivat merkittävästi vähentää muistia, jota tarvitaan näiden massiivisten mallien suorittamiseen.
Tällä hetkellä biljoonan parametrin mallit puskevat yksittäisen tekoälyn palvelimen rajoja. Jos OpenAI voi hyödyntää kvanttikoneita lisätäkseen mallien suorituskykyä ilman parametrien lisääntymistä, se antaisi yhtiölle merkittävän edun. Trevor Lanting, D-Waven ohjelmisto- ja algoritmien varatoimitusjohtaja, ehdottaa, että kvanttioptimointi voisi auttaa kehittäjiä tunnistamaan tärkeimmät ominaisuudet koulutusta varten, mikä johtaisi hoikempiin ja tarkempiin malleihin.
Toinen potentiaalinen sovellus kvanttikoneiden ja tekoälyn välillä on kvanttinäytteistäminen. Näytteistäminen viittaa siihen, miten tekoälyn mallit määrittävät seuraavan sanan tai tokenin todennäköisyysjakaumien perusteella. Hyödyntämällä kvanttikoneita hienosäätämään näitä jakaumia, tekoälyn mallit voivat tehdä paremmin perusteltuja ennusteita. Ranskalainen startup Pasqal tutkii myös kvanttikoneiden käyttöä kuormittaakseen graafisia rakenteellisia tietoaineistoja, joita on yleisesti löydetty neuroverkoista. Kvanttisdynaamikka tarjoaa luonnollisen tavan prosessoida monimutkaista graafidataa.
Vaikka kvanttikoneiden potentiaali tekoälyssä on lupaava, on edelleen haasteita voitettavana. Kvanttijärjestelmien on tultava suuremmiksi ja nopeammiksi selviytyäkseen reaalimaailman aineistojen monimutkaisuudesta. Kuitenkin, kun kvanttitekniikan edistymiset jatkuvat, kvanttikäsittelyyksiköiden (QPU) integrointi tekoälyn koulutusprosessiin muuttuu mahdolliseksi.
Kvanttikoneilla on potentiaali muuttaa tekoälyn malleja ja avata tietä vielä suuremmille edistysaskeleille alalla. Kun yritykset kuten OpenAI sijoittavat kvanttiexpertiseen, voimme odottaa jännittäviä kehityksiä näiden kahden teknologian leikkauspisteessä.
UKK
The source of the article is from the blog krama.net