Kvantne tehnologije i AI: što je realno danas, a što ostaje budućnost
Industrijski stručnjaci iz Multiverse Computinga i Toshibine korporacije za OECD.ai razlažu gdje kvantne tehnologije već danas mijenjaju AI, a gdje optimistična očekivanja nisu potkrijepljena dokazima. Tensor mreže smanjuju računalnu potrebu 10–100 puta; šira kvantna ML primjena nije realna u idućem desetljeću.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Rasprava o kvantnom računarstvu i AI često oscilira između dvije krajnosti: utopičnih najava revolucije i potpunog odbacivanja kao hype-a bez supstance. OECD.ai platforma pokrenula je troserijalnu analizu koja pokušava pronaći srednji put — i prva epizoda, potpisana od strane industrijskih stručnjaka, donosi korisno razlikovanje između onoga što funkcionira danas i onoga što ostaje istraživački cilj.
Autori su Victor Gaspar, direktor prodaje u Multiverse Computingu — španjolskom startupu specijaliziranom za kvantno-inspiriranu optimizaciju — i Katsuyuki Hanai iz Toshiba Corporation, gdje vodi poslovnu jedinicu za kvantne komunikacije. Važna napomena: tekst izražava stajališta autora kao industrijskih praktičara, ne regulatorno ili istraživačko stajalište OECD-a.
Što je realno i dostupno već danas?
Najkonkretniji nalaz analize tiče se tensor mreža — matematičke tehnike izvorno razvijene u fizici kvantnih sustava, ali primjenjive isključivo na klasičnom hardveru. Tensor mreže komprimiraju reprezentaciju velikih jezičnih modela uklanjanjem redundantnih parametara na strukturiran način koji čuva ključne odnose u podacima.
Rezultat koji stručnjaci navode je značajan: smanjenje memorijske i računalne potrebe za 10 do 100 puta u usporedbi s nekomprimiranim modelima, uz umjeren gubitak točnosti koji se može nadoknaditi kraćim fine-tuningom. Ključna distinkcija: ovo ne zahtijeva kvantni hardver, ne zahtijeva pristup kvantnim računalima u oblaku i nije teorijski konstrukt — po tvrdnji autora, startupovi i tehnološki provideri već su ugradili tensor mrežne tehnike u komercijalne produkte.
Kvantni senzori su druga kategorija s dokazanom kratkoročnom primjenom. Za razliku od kvantnih računala koja zahtijevaju ekstremno hlađenje i izolaciju od okoline, kvantni senzori mogu raditi u realnim uvjetima i već posižu razine preciznosti mjerenja nedostižne klasičnim uređajima — mjerenje magnetskih polja, temperature, kemijskog sastava ili mehaničkih vibracija. Primjene se protežu od medicinskog dijagnosticiranja do precizne poljoprivrede i monitoringa infrastrukture.
Gdje procjena postaje kritična
Quantum Machine Learning (QML) — primjena kvantnih algoritama za treniranje ili inferiranje AI modela — ostaje najhype-ovani, ali i najproblematičniji segment. Gaspar i Hanai identificiraju tri sustavna ograničenja koja sprečavaju proboj:
Prvo, prijenos podataka između klasičnih i kvantnih sustava ostaje spor. Kvantni procesor ne prima podatke kao klasični čip; svaki unos podataka zahtijeva kvantu inicijalizaciju koja troši dragocijeno koherentno vrijeme. Ovo usko grlo eliminira prednost za većinu ML zadataka koji zahtijevaju masivan protok podataka.
Drugo, prednost nad klasičnim algoritmima nije dokazana za relevantne ML zadatke. Dok kvantni algoritmi pokazuju teorijsko ubrzanje za određene matematičke probleme, optimizirani klasični algoritmi na modernim GPU-ima i TPU-ima konzistentno drže korak ili nadmašuju kvantne alternative u benchmarkovima. Autori eksplicitno navode da široka komercijalna primjena QML-a nije očekivana u idućem desetljeću.
Treće, hardverske specifikacije potrebne za funkcionalni QML sustav ostaju nedefinirane. Koliko kubita, kolika koherencija, koliko niski gate error rates — bez jasnih meta nema jasnog puta razvoja.
Hibridni pristup kao most
Najrealističniji kratkoročni scenarij koji autori opisuju su hibridni kvantno-klasični sustavi: kvantni procesori preuzimaju uske, dobro definirane optimizacijske probleme (npr. optimizacija kemijskih reakcija, molekularna simulacija), dok klasični AI sustavi upravljaju svime ostalom. Oblačne platforme koje danas nude pristup kvantnim računalima kao API-ju smanjuju barijeru ulaska za developere koji žele eksperimentirati s ovim hibridnim arhitekturama.
Na policy razini, autori upozoravaju na manjak specijaliziranog talenta koji razumije i kvantnu fiziku i AI, te na potrebu za međunarodnom suradnjom u razvoju etičkih okvira za kvantne AI sustave — tema koja je za sada na periferiji regulatornih rasprava.
Analiza nastavlja u sljedeća dva dijela serije na OECD.ai platformi.
Česta pitanja
- Što su tensor mreže i zašto su već sada praktično korisne?
- Tensor mreže su kvantno-inspirirana matematička tehnika koja komprimira velike jezične modele bez potrebe za kvantnim hardverom. Prema stručnjacima, smanjuju memorijsku i računalnu potrebu 10–100 puta uz minimalan gubitak točnosti nakon fine-tuninga, i već su ugrađene u komercijalne produkte.
- Zašto kvantno strojno učenje nije realno u bliskoj budućnosti?
- Stručnjaci identificiraju tri ograničenja: spor prijenos podataka između klasičnih i kvantnih sustava, nedokazana prednost nad optimiziranim klasičnim algoritmima, te nejasne hardverske specifikacije potrebne za QML. Šira komercijalna primjena nije očekivana unutar desetljeća.
- Gdje su kvantni senzori već korisni?
- Kvantni senzori mogu mjeriti iznimno male promjene magnetskog polja, temperature, kretanja ili kemijskog sastava s preciznošću nedostižnom klasičnim uređajima, s primjenama u medicini, poljoprivredi i monitoringu infrastrukture.