Bolehkah AI yang diilhamkan kuantum bersaing dengan model bahasa besar hari ini?

Dynex, sebuah syarikat dari Liechtenstein, baru -baru ini melancarkan Model Bahasa Besar Kuantum Penyebarannya (QDLLM) dalam final Anugerah Inovasi SXSW 2025, menjadi pembangunan yang menarik. Syarikat itu mendakwa QDLLMnya dapat menjana output AI generatif lebih cepat dan lebih cekap daripada sistem berasaskan pengubah tradisional yang bergantung kepada infrastruktur teknologi semasa.

Bagaimanakah ini berbanding dengan pendekatan yang baru muncul? Apakah maksud ini untuk masa depan AI yang lebih luas?

Kepentingan pengkomputeran kuantum ke AI

Perbezaan teras pengkomputeran kuantum adalah bahawa ia menggunakan qubit, yang boleh wujud di pelbagai negeri pada masa yang sama disebabkan oleh superposisi kuantum. Ini membolehkan komputer kuantum menilai sejumlah besar penyelesaian yang berpotensi selari, yang mungkin mempunyai kelebihan dalam tugas-tugas seperti pengoptimuman besar, simulasi, atau pengiktirafan corak.

Dalam bidang AI, penyelidik telah meneroka bagaimana ciri -ciri kuantum dapat meningkatkan tugas seperti pemprosesan bahasa semulajadi, pengoptimuman pembelajaran mesin, dan kecekapan latihan model. Walau bagaimanapun, kebanyakan usaha ini masih dalam peringkat awal mereka. Sebagai contoh, IBM dan MIT telah mengkaji bagaimana model klasik kuantum hibrid mengurangkan masa latihan untuk tugas -tugas pembelajaran yang mendalam, sementara permulaan seperti Zapata AI bereksperimen dengan model peningkatan kuantum untuk analisis sentimen dan ramalan.

Dalam konteks ini, pendekatan Dynex memperkenalkan seni bina baru yang menggunakan algoritma heuristik kuantum untuk menjalankan LLM dengan lebih cekap melalui perkakasan yang terdesentralisasi.

Dynex's QDLLM: Pendekatan selari berasaskan penyebaran

Tidak seperti model berasaskan transformer yang menggunakan teknik autoregression untuk menghasilkan satu tag pada satu masa, Dynex's QDLLM dibina pada model penyebaran yang menghasilkan tag output selari. Menurut Dynex, pendekatan ini lebih cekap dan menghasilkan konsistensi kontekstual yang lebih baik.

"Model tradisional seperti GPT-4 atau DeepSeek bekerja secara berurutan, kata selepas perkataan," kata Daniela Herrmann, pengasas bersama Dynex dan pemimpin tugas di Dynex Moonshots. "QDLLM berfungsi selari, ia berfikir lebih seperti otak manusia, memproses semua corak sekaligus. Itulah kuasa kuantum."

Beberapa projek akademik termasuk Stanford University dan Google DeepMind, serta inisiatif dari penyedia teknologi utama AI, baru-baru ini mula meneroka pengubah berasaskan penyebaran.

Dynex selanjutnya membezakan dirinya dengan mengintegrasikan kuantum penyepuhlindapan, bentuk pengoptimuman kuantum, untuk meningkatkan pemilihan tanda semasa penjanaan teks. Ini meningkatkan konsistensi dan mengurangkan overhead pengiraan berbanding LLM tradisional, tuntutan syarikat.

Perkakasan kuantum yang terdesentralisasi dan analog

Satu ciri unik model Dynex ialah ia bergantung kepada rangkaian GPU yang terdesentralisasi yang mensimulasikan tingkah laku kuantum dan bukannya memerlukan akses kepada perkakasan kuantum sebenar. Reka bentuk ini membolehkan sistem skala sehingga satu juta qubit algoritma yang diterangkan oleh Dynex.

"Sebarang algoritma kuantum, seperti QDLLM, dikira pada rangkaian GPU yang terdesentralisasi, yang secara berkesan mensimulasikan pengkomputeran kuantum," jelas Herrmann.

Simulasi jenis ini mempunyai beberapa persamaan dengan karya Tensorflow Quantum (Google dan X) yang juga mensimulasikan litar kuantum pada perkakasan klasik untuk membuat prototaip algoritma. Begitu juga, banyak permulaan teknologi dan vendor sedang membangunkan platform untuk mensimulasikan logik kuantum pada skala sebelum perkakasan fizikal siap.

Sebagai tambahan kepada perisian, Dynex merancang untuk melancarkan cip kuantum neuromorfiknya sendiri pada tahun 2025. Tidak seperti cip kuantum superconducting yang memerlukan penyejukan suhu rendah, Apollo direka untuk beroperasi pada suhu bilik dan menyokong integrasi ke dalam peranti tepi.

"Menggunakan litar neuromorfik membolehkan Dynex mensimulasikan pengkomputeran kuantum pada skala, sehingga 1 juta qubit algoritma," jelas Herrmann. "Dynex akan mula menghasilkan cip kuantum sebenar yang juga berdasarkan paradigma neuromorfik."

Kesan kuantum terhadap kecekapan AI dan kesan alam sekitar

Dynex berkata QDLLM mencapai 90% saiz model yang lebih kecil, 10 kali lebih cepat, dan menggunakan hanya 10% daripada sumber GPU yang biasanya digunakan untuk tugas yang setara. Ini adalah kenyataan penting, terutamanya memandangkan kebimbangan yang semakin meningkat mengenai penggunaan tenaga AI.

"Kecekapan dan paralelisme algoritma kuantum mengurangkan penggunaan tenaga kerana ia adalah 10 kali lebih cepat dan memerlukan hanya 10% daripada bilangan GPU," kata Herrmann.

Walaupun pengesahan bebas masih diperlukan, pendekatan Dynex menggema usaha sistem cerebras, yang telah mencipta cip peringkat wafer yang menggunakan tenaga kurang untuk tugas latihan. Satu lagi contoh ialah Graphcore, yang Unit Pemprosesan Pintar (IPU) direka untuk mengurangkan jejak tenaga beban kerja AI melalui seni bina selari yang berdedikasi.

Dynex melaporkan bahawa QDLLM melakukan dengan kuat dalam tanda aras yang memerlukan kesimpulan yang kuat, mengatasi model terkemuka, termasuk ChatGPT dan Grok. Walaupun data penanda aras awam belum dikeluarkan, syarikat itu berkata ia akan melepaskan kajian perbandingan kerana ia lebih dekat dengan pelancaran pasaran 2025. Pernyataan prestasi Dynex kekal anekdot, tetapi menarik sehingga ia disediakan dengan tanda aras peer-reviewed.

"Kami menerbitkan tanda aras QDLLM secara teratur dan telah membuktikan bahawa soalan -soalan tertentu yang memerlukan penalaran yang kuat tidak dapat dijawab dengan betul oleh Chatgpt, Grok atau Deepseek," kata Herrmann.

Gambar yang lebih besar: Bagaimana kuantum akan mempengaruhi AI?

Dalam jangka masa panjang, Dynex percaya bahawa pengkomputeran kuantum akan menjadi teras bidang AI.

"Kami fikir kuantum akan menguasai AI selama lima tahun akan datang," kata Herrmann.

Ramalan ini tetap spekulatif, walaupun tidak tanpa preseden. Penganalisis di McKinsey, Boston Consulting Group dan Gartner menunjukkan bahawa pengkomputeran kuantum dapat meningkatkan tugas pengoptimuman dan simulasi, tetapi untuk kebanyakan kes penggunaan, mungkin tidak mungkin sehingga selepas 2030.

Pada masa ini, Dynex berada dalam bidang yang semakin meningkat yang bereksperimen dengan peningkatan kuantum atau kaedah AI heuristik kuantum. Sama ada QDLLM berasaskan penyebaran yang berpusat, boleh melampaui tanda aras masih boleh dilihat, tetapi kemunculannya menunjukkan bahawa mencari asas-asas baru AI jauh dari.

Atas ialah kandungan terperinci Bolehkah AI yang diilhamkan kuantum bersaing dengan model bahasa besar hari ini?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!