Полный выпуск подкаста «Горизонты событий» с Мариной Петраковой о кубитах, сверхпроводниках, криостатах, шуме, квантовой химии и реальных ограничениях квантовых компьютеров.
Когда люди слышат «квантовый ИИ», легко представить будущую нейросеть, которая работает не на GPU, а на квантовом компьютере и мгновенно отвечает лучше любого ChatGPT. Но это неправильное ожидание. Квантовое машинное обучение сегодня не про замену больших языковых моделей.
Скорее это набор исследовательских подходов для узких задач, где квантовый блок может дополнить классическую модель.
Почему языковые модели не переезжают на кванты
Большие языковые модели обучаются на огромных объёмах текста, кода и мультимодальных данных. Их сила — в масштабировании: гигантские датасеты, миллиарды параметров, GPU/TPU-кластеры, распределённое обучение, оптимизированная инфраструктура.
Квантовые компьютеры сегодня совсем не похожи на такую инфраструктуру. У них мало качественных кубитов, есть шумы, ограничения по числу операций и дорогой доступ к железу. Даже если использовать эмулятор квантового компьютера, он работает на классическом железе и быстро упирается в экспоненциальный рост сложности.
Поэтому идея «просто добавим кванты в ChatGPT» не работает. Неясно, какую часть большой языковой модели надо заменить квантовым блоком, как загрузить в него данные, как обучать это эффективно и будет ли выигрыш после честного сравнения.
Где кванты могут быть уместны
Более реалистичная идея — не переносить всю LLM на квантовый компьютер, а искать небольшие модули, где квантовая схема может дать полезное преобразование признаков.
Например, гибридная модель может использовать классическую сеть для предварительной обработки данных, затем передавать компактные признаки в параметризованную квантовую схему, а после измерения возвращать результат в классическую часть.
Такой подход лучше подходит для задач классификации, регрессии, обработки изображений, оптимизации или анализа квантовых данных. Он не похож на массовое обучение языковой модели с нуля.
Главная проблема — загрузка данных
Квантовый компьютер не может напрямую «прочитать» картинку, текст или таблицу как обычная программа. Классическую информацию надо закодировать в квантовое состояние: через углы поворота, амплитуды, фазы или другие схемы embedding.
Это звучит технически, но смысл простой: прежде чем квантовый блок что-то посчитает, данные надо перевести на его язык. А этот перевод может оказаться настолько дорогим, что уничтожит потенциальный выигрыш.
В квантовом машинном обучении это называют input problem или проблемой загрузки данных. Для произвольных больших данных универсального дешёвого способа пока нет.
Почему GPU ещё долго будут главными
GPU хороши именно для того, что нужно современным нейросетям: плотные матричные операции, большие батчи, масштабируемое обучение, зрелые библиотеки, предсказуемая стоимость. Квантовый компьютер решает другой тип задач.
Это похоже на ситуацию с предыдущим выпуском про квантовые компьютеры: они не заменяют обычный ПК. Так и квантовый ИИ не заменяет классический ИИ целиком. Он может стать специализированным сопроцессором или исследовательским инструментом для особых задач.
Если однажды квантовый блок даст пользу для LLM, это, скорее всего, будет не полная замена модели, а узкий компонент: оптимизация, сжатие, выбор признаков, генерация специализированных представлений или обработка квантовых данных.
Что значит «усилить нейросети»
Название выпуска звучит как вопрос: как кубиты могут усилить нейросети? Ответ: осторожно, локально и не всегда.
Усилить — не значит сделать любую модель разумнее. Это может означать улучшить точность на конкретной задаче, уменьшить число параметров, дать новый способ обработки признаков или помочь там, где данных мало.
И это уже достаточно интересно. Не надо обещать квантовый аналог ChatGPT, чтобы направление было важным. Достаточно найти задачи, где квантово-классическая связка даёт проверяемую пользу.
А вы бы хотели увидеть квантовый блок внутри языковой модели, если бы он улучшал качество всего на несколько процентов?
Съёмка выпуска проходила в студии CastPoint.ru. Благодарим за предоставленное помещение.