На современном этапе развития обучения систем искусственного интеллекта уже, по сути, существует естественное технологическое ограничение, связанное с пределом вычислительных мощностей серверов и даже суперкомпьютеров.
Датасеты, загружаемые для обработки, проходят «несколько кругов ада» в не всегда успешных вариантах получения оптимального алгоритма их реализации: зачастую выясняется, что для получения хоть какого-то полезного результата нужны дополнительные данные, которые смогут существенно ускорить процесс, или без них результат вообще невозможен.
Самый худший вариант – когда оказывается, что на основании имеющихся данных построение достоверной прогностической модели вообще невозможно при существующих технических параметрах обработки – то есть когда очень много исходных данных и их взаимосвязей; то есть, конечно, задача всё равно решаема – только её результат будет бесполезен из-за того, что решаться она будет слишком долго…
Квантовые технологии внесли в способы обучения искусственного интеллекта масштабный прорыв: с одной стороны, на несколько порядком уменьшили время обработки данных, с другой стороны, эта технология тоже не лишена недостатков, подчас вполне критичных.
Сразу нужно оговориться, что пока эта система не поставлена на поток: есть реализованные экспериментальные варианты, которые как раз и выявили как положительные стороны, так и описали круг задач, которые потребуют решения в ближайшее время для полноценной реализации в полном объёме.
В первую очередь, это наличие достаточно мощных квантовых компьютеров в необходимом количестве, пока их однозначно слишком мало, они дороги и требуют дальнейшей доработки по массе аспектов взаимодействия с остальным оборудование, как на техническом уровне, так и на программном.
Второе – это временный недостаток большинства существующих квантовых алгоритмов, которые применяются в расчётах, а именно: неприемлемо часто при работе достигается тупик в расчётах («barren plateau»), который возникает в силу того, что обычно вариационные алгоритмы в процессе решения используют случайное распределение при поиске, загружая все кубиты глобально, что и даёт в итоге эффект плато, не приносящего ответа.
Тем не менее, выяснилось, что вторая проблема проистекает из первой: математически группой исследователей университета Лос-Аламос было доказано, что при достаточном масштабировании квантовой системы или увеличении количества кубитов (не менее 100) такая вероятность будет существенно снижаться, до вполне приемлемых величин.
