Согласно Gartner, до конца 2028 г. ни одна масштабная корпоративная рабочая нагрузка искусственного интеллекта не будет выполняться на квантовом оборудовании, а классический ускоренный ИИ будет доминировать во всех производственных бенчмарках, сообщает портал HPCwire.

Квантовый ИИ (Quantum AI) относится к методам ИИ или машинного обучения, которые требуют выполнения на квантовом оборудовании для достижения заявленного преимущества в производительности, стоимости или возможностях по сравнению с классическими вычислениями.

«Для достижения отказоустойчивых квантовых вычислений в масштабе, необходимом для получения измеримых преимуществ в производительности или снижении затрат на ИИ, требуются достижения в четырех областях: аппаратное обеспечение, коррекция ошибок, промежуточное ПО и алгоритмы», — говорит Чираг Декате, вице-президент-аналитик Gartner.

Настоящий квантовый ИИ отличается от трех часто путаемых категорий:

• Классический ИИ: модели ИИ, такие как глубокое обучение, трансформеры и обучение с подкреплением, которые работают исключительно на CPU, GPU или TPU и обеспечивают измеримую окупаемость инвестиций для предприятий уже сегодня.
• ИИ, дополненный квантовыми методами (Quantum-inspired AI): классические алгоритмы, заимствующие идеи из квантовой механики, такие как отжиг, тензорные сети и амплитудное кодирование, но работающие на обычном оборудовании. Эти методы уже приносят пользу в задачах оптимизации, моделирования и выборки и не зависят от квантового оборудования.
• Гибридные квантово-классические методы: экспериментальные рабочие процессы, в которых небольшие квантовые схемы используются совместно с классическим ИИ или высокопроизводительными вычислительными системами (HPC). Эти подходы используются для исследований и пилотных проектов с поддержкой поставщиков, а не для производственного ИИ.

«Когда поставщики заявляют о предоставлении „квантового ИИ“, они обычно имеют в виду гибридные или дополненные квантовыми технологиями методы, а не нативно-квантовый ИИ, работающий в масштабах предприятия, — отмечает Декате. — Настоящие квантовые вычисления не готовы ни к одной производственной ИИ-нагрузке и, скорее всего, не будут готовы до конца этого десятилетия. Более того, ни один рецензированный результат не демонстрирует квантового преимущества в производственных ИИ-нагрузках».

Формирование пула поставщиков, ориентированных на конвергенцию квантовых технологий и ИИ, ускоряется, и советы директоров, находящиеся под давлением необходимости «не упустить квантовые технологии», будут склонны перенаправлять ИИ-бюджеты на НИОКР, которые не смогут принести пользу в этом десятилетии. Поэтому Gartner прогнозирует, что отказоустойчивые квантовые вычисления для ИИ до конца 2030 г. останутся на стадии НИОКР, с недостаточным масштабом логических кубитов для поддержки экономически жизнеспособных сквозных алгоритмов ИИ.

Квантовые НИОКР и производственная инфраструктура ИИ имеют несовместимые временные горизонты, юнит-экономики и потребности в управлении. Генеративный ИИ приносит измеримую отдачу по показателям скорости выполнения, точности и автоматизации в течение 12-18 месяцев. Между тем, квантовый ИИ никогда еще не приносил измеримой ценности ни в одной производственной рабочей нагрузке и вряд ли сделает это в обозримом будущем.

«Смешивание двух бюджетов искажает подотчетность обоих и позволяет квантовой опциональности вытеснять производственные возможности ИИ, — говорит Декате. — CIO на постоянной основе включают генеративный ИИ, агентный ИИ, кибербезопасность и облачные технологии в категории основных расходов. Квантовые технологии не фигурируют в списках приоритетных инвестиций. CIO, которые финансируют квантовые технологии, делают это по значительно более низким ставкам, чем генеративный ИИ, и не требуют краткосрочной окупаемости инвестиций».

Чтобы получить максимальную отдачу от квантовых решений, предприятиям следует:

• Внедрять классические методы, дополненные квантовыми технологиями, в существующий стек ИИ. Организациям следует отдавать приоритет алгоритмам, дополненными квантовыми методами, работающим на современной инфраструктуре GPU, а не развитию квантового оборудования. В таких областях, как оптимизация, генеративный ИИ, линейная алгебра, анализ графов и обучение с подкреплением, классические подходы обеспечивают аналогичные преимущества без затрат, сложности или незрелости квантовых систем.
• Определить критерии прекращения пилотного проекта и не вестись на показуху со стороны поставщиков. Каждый пилотный квантовый проект должен начинаться с предварительного определения показателей успеха, четкого классического эталона и явных условий прекращения. Это предотвращает чрезмерное расходование бюджета на бесконтрольные эксперименты без получения измеримой ценности.
• Отслеживать значимый квантовый прогресс. Наиболее важным показателем прогресса является не количество физических кубитов, а доступность логических кубитов, работающих с приемлемым уровнем ошибок. Достижения в области коррекции ошибок, калибровки с помощью ИИ и квантового управления более важны для получения бизнес-ценности, чем громкие заявления о более крупных квантовых процессорах.