"Inside Scoop:" של Inside Quantum Technology של Quantum ו-ChatGPT

למרות שהוא היה בשימוש רק כמה חודשים, ChatGPT כבר מייצר כמה גלים משמעותיים על פני תעשיות. מכתיבת מאמרי חדשות ועד אספקת קוד מחשב, ה צ 'אט AI נראה שכבר מחליף סוגים רבים ושונים של עבודות. בעוד שהטכנולוגיה החדשה הזו יוצרת שינוי פרדיגמה עבור תעשיות רבות ושונות, ChatGPT עדיין נמצא בשיפור ומפותח, כמו גם מקביליו, כמו של גוגל מְשׁוֹרֵר תכנית. דרך אחת לשפר עוד יותר את צ'אטבוטי הבינה המלאכותית יכולה להיות על ידי יישום מחשוב קוונטי טֶכנוֹלוֹגִיָה. עם ההבטחה של מחשוב קוונטי לניתוח נתונים מהיר יותר ויסודי יותר אופטימיזציה אלגוריתמים, השילוב של שתי הטכנולוגיות המתהוות הללו יכול ליצור משהו אפילו יותר חדש ממה שראינו כרגע.

כמה יתרונות פשוטים

איזו דרך טובה יותר להבין את היתרונות הפוטנציאליים של מחשוב קוונטי מאשר לשאול את ChatGPT עצמה? כששאלתי את התוכנית את השאלה הזו, היא הגיבה בשאלה הבאה: "ראשית, מחשוב קוונטי יכול להאיץ את תהליכי האימון וההסקה של למידת מכונה אלגוריתמים, שיכולים להפוך את התגובות של ChatGPT למהירות ומדויקות יותר. שנית, מחשוב קוונטי יכול לסייע בשיפור משימות עיבוד שפה טבעית, מה שיכול לשפר את היכולת של ChatGPT להבין וליצור שפה דמוית אדם. שלישית, מחשוב קוונטי יכול לספק דרכים חדשות לפתרון בעיות אופטימיזציה מורכבות, שיכולות לעזור ל-ChatGPT לשפר את יכולות קבלת ההחלטות וההמלצות שלה".

QML יכולה לגשר על הפער

כדי לחבר את ChatGPT למחשוב קוונטי, מומחים רבים מציגים את התוכנה הזו, כמו Quantum Machine Learning (QML) אלגוריתמים, צריכים להיות בעדיפות ראשונה. "עם זאת הייתי אומר שיש הרבה ביטחון בקרב הספקים ש-QML יראה יתרון על פני קלאסי, עם זאת, ובינה מלאכותית גנרטיבית (כמו הסוג המשמש ל-ChatGPT) יהווה אזור הזדמנויות טוב עבור QML", קובע סם לוצ'רו, מנתח המחשוב הקוונטי הראשי ב אומדיה. QML עשויה לגשר על הפער בין היכולות של AI ומחשוב קוונטי ולהציע כמה יתרונות משמעותיים. לדברי לוצ'רו: "תיאורטית, QML יכול לספק יכולת להפחית (אולי באופן אקספוננציאלי) את הנפח של נתוני אימונים נחוץ כדי להשיג את אותה רמה של יכולת הסקת מסקנות, ביחס לבינה מלאכותית גנרטיבית קלאסית. זה כשלעצמו הוא המפתח מכיוון שמודלים בסיסיים גדולים כמו ChatGPT הם עצומים, יקרים (מיליוני דולרים) לאימון, לוקח הרבה זמן לאימון (חודשים), והם עתירי אנרגיה, וזה לא נהדר מנקודת מבט של קיימות (מגה וואט של חשמל להפעלת מרכז הנתונים). כמו כן, יש חשש לזמינות נתונים: ChatGPT מאומן בעצם על 'האינטרנט', אך ארגונים רבים היו רוצים להיות מסוגלים להשתמש רק בנתונים הפנימיים שלהם לצורך הדרכה, אך עדיין לקבל את אותה רמת ביצועים בהסקת מסקנות. זה יכול להיות תועלת במקרה שימוש, או תועלת רגולטורית (כלומר, שימוש בנתונים מוגנים ב-HIPAA לאימון), בנוסף לתועלת במונחים של עלות, זמן, קיימות וכו'. לא רק ש-QML תציע מודלים חסכוניים יותר עבור ה-ChatGPT העתידי, אלא שהוא יכול גם לרוץ במהירויות גבוהות יותר ובעל קיבולת נתונים גבוהה יותר, ולספק פתרונות חזקים יותר. עם זאת, QML יכול גם להוסיף מגוון רחב יותר של נתונים כדי שהמודל יפעל. "QML עבור AI גנרטיבי מסוגל לחקור מרחב חיפוש רחב יותר מאשר ML קלאסי", אומר לוצ'רו. "באופן מעשי, זה אומר ש-QML צריך להיות טוב יותר, למשל, בתרגום שפה אידיומטית, או בתרגום בין שתי שפות הבנויות בצורה שונה מאוד ברמה הדקדוקית המרכזית." יש לכך השלכות עצומות על תחומים רבים ושונים, מפוליטיקה ומכשירי תרגום בינלאומיים ועד לאנתרופולוגיה של שחזור שפות אבודות.

יתרונות אלה יכולים גם לעזור בקיצוץ זמן האימון בחצי עבור צ'אטבוטים של AI. "אחת התכונות החשובות ביותר של ChatGPT היא שהוא מצויד בלימוד חיזוק ממשוב אנושי (RLHF), שהוא בעצם למידה מבוססת תגמול", מדע וטכנולוגיה סופר איוש ג'יין מוסיף. "אתגר מרכזי לשימוש זה הוא שהמודל צריך לעבור הרבה ניסוי וטעייה לפני שהוא יודע מהי ההתנהגות המתוגמלת - מה שאומר שרק אותם ארגונים שיכולים להרשות לעצמם לאמן את המודל בפומבי למרות הפגמים הראשוניים שלו יכולים תנצח את המשחק. אבל, זה יכול להשתנות כ מחקר אחד מלפני כמה שנים הראו שבמערכות היברידיות, בינה מלאכותית למידת חיזוק הצליחה ללמוד 60 אחוז מהר יותר מאשר מקבילה הלא-קוונטי". מודלים של שפות קוונטיות למעשה כבר בעבודה. כפי שג'יין קובע: "ראינו חברות כמו קיימברידג 'קוונטום פיתחו ערכת כלים וספרייה תוכנה לעיבוד שפה טבעית." קיימברידג' קוונטום (עכשיו קוונטיום) עשוי להתחיל מגמה על ידי בחינת מודלים של שפה עבור AI תוך פיתוח מחשבים קוונטיים בו זמנית.

מגבלות נוכחיות לשילוב של ChatGPT עם Quantum

בעוד שהיתרונות הללו יכולים לשנות את המשחק עבור צ'אט בוט הבינה המלאכותית, התהליך בפועל של שילוב שתי הטכנולוגיות הוא הרבה יותר מסובך. כמה מומחים, כמו ג'יין, מאמינים שהשלב הבא הטבעי ביותר הוא שילוב מודלים של AI המחשוב הקלאסי עם מחשוב קוונטי בפלטפורמה היברידית. "המודל ההיברידי מתמקד בטכניקות ליישום למידה על נתונים קלאסיים באמצעות מחשבים קוונטיים, בניגוד לפיתוח אלגוריתמים קוונטיים מלאים שעובדים עם נתונים קוונטיים", מסביר ג'יין. "ופלטפורמות כמו NVIDIA QODA ואחרים כבר - במידה מסוימת - יישרו את עקומת הלמידה התלולה מאז הפיתוח של מערכות קוונטיות-קלאסיות היברידיות יכול למנף ערימות תוכנה קלאסיות, מודלים תכנות וספריות קיימות, מה שיכול לעזור להאיץ את האימוץ של מחשוב קוונטי". מכיוון שמחשבים קוונטיים עדיין נמצאים בפיתוח, והם די שבריריים וקפדניים, קשה לומר מתי הטכנולוגיה של הדור הבא תהיה מוכנה להתמודד עם ChatGPT. אם השניים יתחברו בסופו של דבר, אולי יתרחש שינוי פרדיגמה דומה, כמו זה שאנו חווים כעת, שיאלץ אותנו שוב להסתגל לטכנולוגיה המתפתחת שלנו.

קנה יוז-קסטלברי היא כותבת צוות ב-Inside Quantum Technology ו-Science Communicator ב-JILA (שותפות בין אוניברסיטת קולורדו בולדר ו-NIST). פעימות הכתיבה שלה כוללות Deep Tech, Metaverse וטכנולוגיה קוונטית.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
• מקור: https://www.insidequantumtechnology.com/news-archive/inside-quantum-technologys-inside-scoop-quantum-and-chatgpt/