Inside Quantum Technology "Inside Scoop:" Quantum و ChatGPT

اگرچه تنها چند ماه است که از آن استفاده شده است، ChatGPT در حال حاضر برخی از آن ها را می سازد امواج قابل توجه در سراسر صنایع از نوشتن مقالات خبری گرفته تا تهیه کدهای کامپیوتری AI chatbot به نظر می رسد در حال حاضر جایگزین بسیاری از مشاغل مختلف شده است. در حالی که این فناوری جدید در حال ایجاد یک تغییر پارادایم برای بسیاری از صنایع مختلف است، ChatGPT همچنان در حال بهبود و توسعه است، همانطور که همتایان آن مانند گوگل هستند. شاعر برنامه یکی از راه های بهبود بیشتر این چت ربات های هوش مصنوعی می تواند استفاده از آن باشد محاسبات کوانتومی فن آوری. با وعده محاسبات کوانتومی برای تجزیه و تحلیل سریعتر و دقیق تر داده ها بهینه سازی الگوریتم‌ها، ترکیب این دو فناوری نوپا می‌تواند چیزی جدیدتر از آنچه در حال حاضر دیده‌ایم ایجاد کند.

برخی از مزایای ساده

برای درک مزایای بالقوه محاسبات کوانتومی چه راهی بهتر از پرسیدن از خود ChatGPT وجود دارد؟ وقتی این سوال را از برنامه پرسیدم، با این پاسخ پاسخ داد: "اول، محاسبات کوانتومی به طور بالقوه می تواند فرآیندهای آموزش و استنتاج را تسریع کند. فراگیری ماشین الگوریتم‌هایی که می‌توانند پاسخ‌های ChatGPT را سریع‌تر و دقیق‌تر کنند. ثانیا، محاسبات کوانتومی می‌تواند به بهبود وظایف پردازش زبان طبیعی کمک کند، که می‌تواند توانایی ChatGPT را برای درک و تولید زبان انسان‌مانند افزایش دهد. ثالثاً، محاسبات کوانتومی می‌تواند راه‌های جدیدی را برای حل مسائل پیچیده بهینه‌سازی ارائه کند که می‌تواند به ChatGPT در بهبود قابلیت‌های تصمیم‌گیری و توصیه‌اش کمک کند.

QML می تواند شکاف را پر کند

برای اتصال ChatGPT به محاسبات کوانتومی، بسیاری از کارشناسان این نرم افزار را مانند یادگیری ماشین کوانتومی (QML) الگوریتم ها باید در اولویت اول باشند. با این حال، من می گویم که در میان فروشندگان اطمینان زیادی وجود دارد که QML نسبت به کلاسیک برتری خواهد داشت، و هوش مصنوعی مولد (مانند نوع استفاده شده برای ChatGPT) فرصت خوبی برای QML خواهد بود. سام لوسرو، تحلیلگر ارشد محاسبات کوانتومی در اودیا. QML به طور بالقوه می تواند شکاف بین توانایی های هوش مصنوعی و محاسبات کوانتومی را پر کند و مزایای قابل توجهی را ارائه دهد. به گفته لوسرو: از نظر تئوری، QML می تواند توانایی (شاید به صورت تصاعدی) کاهش حجم را فراهم کند. داده های آموزش برای دستیابی به همان سطح از قابلیت استنتاج، نسبت به هوش مصنوعی مولد کلاسیک، مورد نیاز است. این به خودی خود بسیار مهم است زیرا مدل‌های بنیادی بزرگ مانند ChatGPT بسیار زیاد، گران (میلیون‌ها دلار) برای آموزش هستند، زمان زیادی برای آموزش (ماه‌ها) طول می‌کشد و انرژی زیادی دارند، که از منظر پایداری عالی نیست (مگاوات برق برای تامین انرژی مرکز داده). همچنین، یک نگرانی در مورد در دسترس بودن داده وجود دارد: ChatGPT اساساً بر روی «اینترنت» آموزش دیده است، اما بسیاری از شرکت‌ها دوست دارند فقط از داده‌های داخلی خود برای آموزش استفاده کنند، اما همچنان همان سطح عملکرد را در استنتاج داشته باشند. این می تواند یک مزیت مورد استفاده یا یک مزیت نظارتی (یعنی استفاده از داده های محافظت شده توسط HIPAA برای آموزش)، علاوه بر مزیت از نظر هزینه، زمان، پایداری و غیره باشد. QML نه تنها مدل‌های مقرون‌به‌صرفه‌تری را برای ChatGPT آینده ارائه می‌کند، بلکه می‌تواند با سرعت‌های بالاتر و ظرفیت بالاتر برای داده‌ها کار کند و راه‌حل‌های قدرتمندتری ارائه دهد. QML همچنین می تواند طیف وسیع تری از داده ها را برای اجرای مدل اضافه کند. لوسرو می گوید: «QML برای هوش مصنوعی مولد می تواند فضای جستجوی وسیع تری را نسبت به ML کلاسیک کاوش کند. از نظر عملی، این بدان معناست که QML باید برای مثال در ترجمه زبان اصطلاحی یا ترجمه بین دو زبانی که ساختار بسیار متفاوتی در سطح دستوری اصلی دارند بهتر باشد. این پیامدهای بسیار زیادی برای بسیاری از زمینه‌های مختلف دارد، از سیاست و دستگاه‌های ترجمه بین‌المللی گرفته تا انسان‌شناسی بازسازی زبان‌های گمشده.

این مزایا همچنین می تواند به کاهش زمان آموزش برای چت ربات های هوش مصنوعی کمک کند. یکی از مهمترین ویژگی های ChatGPT این است که مجهز به یادگیری تقویتی از بازخورد انسانی (RLHF) است که اساساً یادگیری مبتنی بر پاداش است. نویسنده آیوش جین می افزاید. "یک چالش کلیدی برای استفاده از این این است که مدل قبل از اینکه بداند رفتار پاداش دهنده چیست، باید آزمون و خطاهای زیادی را پشت سر بگذارد - به این معنی که فقط آن دسته از سازمان هایی که قادر به آموزش این مدل به صورت عمومی با وجود نقص های اولیه هستند، می توانند بازی رو ببر. اما، این می تواند تغییر کند یک مطالعه از چند سال پیش نشان داد که در سیستم‌های ترکیبی، هوش مصنوعی یادگیری تقویتی قادر است 60 درصد سریع‌تر از همتای غیرکوانتومی خود یاد بگیرد. مدل های زبان کوانتومی در واقع در حال حاضر در حال کار هستند. همانطور که جین بیان می کند: "ما شرکت هایی مانند این را دیده ایم کمیت کمبریج ابزار و کتابخانه نرم افزاری برای پردازش زبان طبیعی ایجاد کرده اند. کمبریج کوانتومی (اکنون کوانتینیوم) ممکن است با بررسی مدل های زبان برای هوش مصنوعی در حالی که همزمان کامپیوترهای کوانتومی را توسعه می دهند، روندی را آغاز کند.

محدودیت های فعلی برای ادغام ChatGPT با کوانتوم

در حالی که این مزایا می تواند تغییر بازی برای چت ربات هوش مصنوعی باشد، روند واقعی ادغام این دو فناوری بسیار پیچیده تر است. برخی از کارشناسان، مانند جین، بر این باورند که طبیعی ترین گام بعدی ترکیب مدل های کلاسیک هوش مصنوعی محاسباتی با محاسبات کوانتومی در یک پلت فرم هیبریدی است. جین توضیح می‌دهد: «مدل ترکیبی بر تکنیک‌های پیاده‌سازی یادگیری بر روی داده‌های کلاسیک با استفاده از رایانه‌های کوانتومی تمرکز دارد، در مقابل توسعه الگوریتم‌های کاملاً کوانتومی که با داده‌های کوانتومی کار می‌کنند.» و پلتفرم هایی مانند NVIDIA QODA و دیگران قبلاً - تا حدی - منحنی یادگیری شیب‌دار را تراز کرده‌اند، زیرا توسعه سیستم‌های ترکیبی کوانتومی-کلاسیک می‌تواند از پشته‌های نرم‌افزار کلاسیک، مدل‌های برنامه‌نویسی و کتابخانه‌های موجود استفاده کند، که می‌تواند به تسریع پذیرش محاسبات کوانتومی کمک کند. از آنجایی که رایانه‌های کوانتومی هنوز در حال توسعه هستند، و نسبتاً شکننده و دشوار هستند، نمی‌توان گفت چه زمانی این فناوری نسل بعدی برای مقابله با ChatGPT آماده می‌شود. اگر این دو در نهایت به هم برسند، شاید یک تغییر پارادایم مشابه، مانند آنچه که در حال حاضر تجربه می‌کنیم، رخ دهد و بار دیگر ما را مجبور کند تا با فناوری همیشه در حال تکامل خود سازگار شویم.

کنا هیوز-کستلبری نویسنده کارکنان Inside Quantum Technology و ارتباط دهنده علوم در JILA (شرکتی بین دانشگاه کلرادو بولدر و NIST) است. ضربات نویسندگی او شامل فناوری عمیق، متاورس و فناوری کوانتومی است.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://www.insidequantumtechnology.com/news-archive/inside-quantum-technologys-inside-scoop-quantum-and-chatgpt/