Η δημιουργία ενός κέντρου υπολογιστικής τεχνητής νοημοσύνης (AI) ικανού να προβλέπει καιρικά φαινόμενα εβδομάδες νωρίτερα, συνήθως κοστίζει 100 εκατομμύρια δολάρια ή και παραπάνω. Τώρα, όμως, Κινέζοι ερευνητές ισχυρίζονται ότι ένα μικρής κλίμακας κβαντικό σύστημα μπορεί να υπερβεί την απόδοση τέτοιων εγκαταστάσεων, με κόστος μικρότερο του 1% του συνήθους. Αυτά τα ευρήματα εγείρουν σοβαρά ερωτήματα σχετικά με τη μακροπρόθεσμη οικονομική βιωσιμότητα του παγκόσμιου αγώνα για υποδομές τεχνητής νοημοσύνης. Αν τα συμπαγή κβαντικά συστήματα μπορούν να προσφέρουν ανταγωνιστική απόδοση σε συγκεκριμένες εργασίες, μήπως τα σημερινά κολοσσιαία data centres, αξίας τρισεκατομμυρίων δολαρίων, είναι καταδικασμένα να γίνουν παρωχημένα;
Το επαναστατικό αυτό σύστημα, κατασκευασμένο με εννέα αλληλοεπιδρώντα κβαντικά spins, έφτασε ή ξεπέρασε την απόδοση ενός κλασικού δικτύου reservoir με 10.000 κόμβους σε εργασίες πρόβλεψης καιρού πολλαπλών σταδίων. Τα ευρήματα δημοσιεύτηκαν στις 25 Μαρτίου από μια κοινή ομάδα του Πανεπιστημίου Επιστήμης και Τεχνολογίας της Κίνας (USTC) και του Κινεζικού Πανεπιστημίου του Χονγκ Κονγκ. Η δημοσίευση έγινε στο Physical Review Letters, ένα κορυφαίο φυσικό περιοδικό, και υποστηρίχθηκε από εθνικά προγράμματα έρευνας της Κίνας.
Στις Ηνωμένες Πολιτείες, οι κρατικές και ιδιωτικές επενδύσεις μόνο στην πρόγνωση του καιρού μέσω AI έχουν εκτοξευθεί σε εκατοντάδες εκατομμύρια δολάρια. Η Εθνική Ωκεανογραφική και Ατμοσφαιρική Διοίκηση (National Oceanic and Atmospheric Administration) έχει επενδύσει σχεδόν 100 εκατομμύρια δολάρια στην αναβάθμιση του συστήματος υπερυπολογιστών Rhea, ενώ νομοθεσίες όπως ο TAME Act εγκρίνουν σχεδόν 188 εκατομμύρια δολάρια για πέντε χρόνια για έρευνα AI στον τομέα του καιρού. Ιδιωτικές εταιρείες, όπως η Tomorrow.io, έχουν αντλήσει πάνω από 175 εκατομμύρια δολάρια, ενώ τεχνολογικοί κολοσσοί όπως η Google, η Microsoft και η Nvidia συνεχίζουν να διοχετεύουν πόρους σε μοντέλα καιρού που βασίζονται σε μεγάλο όγκο δεδομένων και τροφοδοτούνται από τεράστια υπολογιστικά συστήματα.
Αντίθετα, το σύστημα πυρηνικού μαγνητικού συντονισμού (NMR) εννέα qubits που χρησιμοποιήθηκε στην κινεζική μελέτη αντιπροσωπεύει μια πολύ μικρότερη και δυνητικά χαμηλότερου κόστους πλατφόρμα. Για λόγους σύγκρισης, ένας κβαντικός επεξεργαστής εννέα qubits που αναπτύχθηκε από την Rigetti Computing έχει τιμολογηθεί εμπορικά γύρω στα 900.000 δολάρια, υπογραμμίζοντας την σχετικά λιτή κλίμακα της πειραματικής διάταξης.
Παρόλο που βρίσκεται ακόμα στα αρχικά του στάδια, τα αποτελέσματα εγείρουν ευρύτερα ερωτήματα σχετικά με τη μακροπρόθεσμη οικονομία των μεγάλων data centres AI – συμπεριλαμβανομένων φιλόδοξων εγχειρημάτων όπως η προτεινόμενη υποδομή Stargate – εάν τα συμπαγή κβαντικά συστήματα μπορούν να προσφέρουν ανταγωνιστική απόδοση σε συγκεκριμένες εργασίες.
«Τα πειράματα έχουν για πρώτη φορά αποδείξει ότι, όταν αντιμετωπίζουμε πραγματικά προβλήματα πρόβλεψης χρονοσειρών, η απόδοση της κβαντικής μηχανικής μάθησης μπορεί να υπερβεί αυτή των κλασικών νευρωνικών δικτύων», αναφέρεται σε δελτίο τύπου της Κινεζικής Ακαδημίας Επιστημών (CAS) με ημερομηνία 9 Απριλίου.
Αν και η κβαντική υπολογιστική έχει στο παρελθόν επιδείξει πλεονεκτήματα σε εξαιρετικά εξειδικευμένα προβλήματα αναφοράς, η μεταφορά αυτού του πλεονεκτήματος σε πρακτικές εφαρμογές παραμένει μια παγκόσμια πρόκληση. Προηγούμενες επιδείξεις από την Google και τον κινεζικό κβαντικό υπολογιστή Jiuzhang πέτυχαν το λεγόμενο κβαντικό πλεονέκτημα σε εργασίες όπως η δειγματοληψία τυχαίων κυκλωμάτων και η δειγματοληψία μποζονίων, αλλά αυτά τα προβλήματα είχαν μικρή άμεση πρακτική χρησιμότητα.
Αντί να βασίζεται σε βαθιά και εύθραυστα κβαντικά κυκλώματα, η κινεζική ομάδα υιοθέτησε ένα πλαίσιο reservoir computing, κωδικοποιώντας τα δεδομένα χρονοσειρών σε ένα δίκτυο αλληλοεπιδρώντων κβαντικών spins. Το σύστημα αξιοποιεί τη φυσική δυναμική της κβαντικής εμπλοκής για την επεξεργασία πληροφοριών, παρακάμπτοντας την ανάγκη για περίπλοκο σχεδιασμό κυκλωμάτων. Κρίσιμα, φαινόμενα που συνήθως αντιμετωπίζονται ως θόρυβος – όπως η «χαλάρωση» ή η μετάβαση σε κατάσταση ηρεμίας – μετατράπηκαν σε υπολογιστικούς πόρους, προσδίδοντας στο σύστημα μια μορφή βραχυπρόθεσμης μνήμης, απαραίτητης για την πρόβλεψη χρονοσειρών.
Ενώ ένα κλασικό νευρωνικό δίκτυο μοιάζει με μια τεράστια βιβλιοθήκη όπου κάθε τόμος είναι σχολαστικά καταλογογραφημένος με το χέρι, το κβαντικό reservoir είναι περισσότερο σαν ένα ανακατεμένο φλιτζάνι καφέ – η περίπλοκη, κυματιστή δυναμική κωδικοποιεί φυσικά μοτίβα χωρίς την παρέμβαση του βιβλιοθηκάριου.
«Το κβαντικό μας reservoir επιτυγχάνει υψηλότερη ακρίβεια πρόβλεψης, υποδεικνύοντας ότι πρακτικά κβαντικά πλεονεκτήματα μπορεί να είναι εφικτά με το σημερινό κβαντικό υλικό», δήλωσε ο Xinhua Peng, αρμόδιος επιστήμονας της μελέτης. Οι ερευνητές σημείωσαν ότι η προσέγγιση του reservoir computing μείωσε περαιτέρω το υπολογιστικό κόστος, εξαλείφοντας την ανάγκη για βαθιά κβαντικά κυκλώματα, μειώνοντας έτσι τόσο την πολυπλοκότητα του υλικού όσο και την κατανάλωση ενέργειας. «Αυτό οφείλεται εν μέρει στο γεγονός ότι η διαδρομή του πυρηνικού μαγνητικού συντονισμού δεν απαιτεί ακριβό κρυογονικό εξοπλισμό, όπως ψυγεία διάλυσης», σημείωσε η SpinQ Technology.
Σε τυπικές δοκιμές NARMA – ένα σημείο αναφοράς για την πρόβλεψη χρονοσειρών – το κβαντικό μοντέλο μείωσε τα σφάλματα πρόβλεψης κατά μία έως δύο τάξεις μεγέθους. Αυτά τα αποτελέσματα στηρίζουν την ισχυρή του απόδοση σε πραγματικά σενάρια πρόβλεψης. Οι ερευνητές περιγράφουν το έργο ως ένα πρώιμο αλλά απτό βήμα προς το «πρακτικό κβαντικό πλεονέκτημα», όπου τα κβαντικά συστήματα ξεπερνούν τα κλασικά ισοδύναμά τους σε εργασίες με πραγματική σημασία στον πραγματικό κόσμο. Αντηχεί την πρόσφατη ανατροπή της οικονομίας των μεγάλων γλωσσικών μοντέλων, όπου λιτά συστήματα όπως το DeepSeek έδειξαν ότι μικρότερες, πιο αποδοτικές αρχιτεκτονικές μπορούσαν να ανταγωνιστούν τους κολοσσιαίους υπολογιστικούς κόμβους της εποχής – μια υπενθύμιση ότι οι σημερινοί μετριοπαθείς κβαντικοί επεξεργαστές θα μπορούσαν κάλλιστα να αντιπροσωπεύουν την επόμενη απρόσμενη ώθηση για την mainstream AI.
Η CAS δήλωσε ότι η έρευνα παρείχε «ένα εφικτό πειραματικό παράδειγμα για την ανάπτυξη κβαντικής AI χαμηλής κατανάλωσης ενέργειας και υψηλής διάστασης, κατάλληλης για εφαρμογές στον πραγματικό κόσμο». Ο αγώνας της κβαντικής υπολογιστικής δεν αφορά πλέον μόνο τον αριθμό των qubits, αλλά το ποιους προβλήματα του πραγματικού κόσμου μπορούν να λύσουν οι σημερινές ατελείς μηχανές. Το τρέχον σύστημα, ωστόσο, παραμένει περιορισμένο σε κλίμακα.
