LieChtensteinの會(huì)社であるDynexは、最近、SXSW 2025イノベーション賞の決勝で量子拡散大型言語(yǔ)モデル（QDLLM）を立ち上げ、説得力のある開(kāi)発になりました。同社は、QDLLMは、現(xiàn)在のテクノロジーインフラストラクチャに依存する従來(lái)のトランスベースのシステムよりも、生成AI出力をより速く効率的に生成できると主張しています。

これは他の新興アプローチとどのように比較されますか？これは、AIのより広い未來(lái)にとって何を意味しますか？

AIへの量子コンピューティングの重要性

量子コンピューティングのコアの違いは、量子の重ね合わせにより複數(shù)の狀態(tài)に同時(shí)に存在できるキュービットを使用することです。これにより、量子コンピューターは多數(shù)の潛在的なソリューションを並行して評(píng)価できます。これは、大規(guī)模な最適化、シミュレーション、パターン認(rèn)識(shí)などのタスクに利點(diǎn)がある場(chǎng)合があります。

AIの分野では、研究者は、量子機(jī)能が自然言語(yǔ)処理、機(jī)械學(xué)習(xí)の最適化、モデルトレーニング効率などのタスクをどのように改善できるかを調(diào)査しました。しかし、これらの努力のほとんどはまだ初期段階にあります。たとえば、IBMとMITは、ハイブリッド量子古典モデルが特定の深い學(xué)習(xí)タスクのトレーニング時(shí)間を短縮する方法を研究している一方、Zapata AIなどのスタートアップは、感情分析と予測(cè)のための量子強(qiáng)化モデルを?qū)g験しています。

これに関連して、Dynexのアプローチは、量子ヒューリスティックアルゴリズムを使用して分散型ハードウェアを介してLLMをより効率的に実行する新しいアーキテクチャを?qū)毪筏蓼埂?/p>

DynexのQDLLM：拡散ベースの並列アプローチ

Autoregression手法を使用して一度に1つのタグを生成するトランスベースのモデルとは異なり、DynexのQDLLMは、出力タグを並列に作成する拡散モデルに基づいて構(gòu)築されます。 Dynexによると、このアプローチはより計(jì)算的に効率的であり、より良いコンテキストの一貫性を生成します。

「GPT-4やDeepseekなどの従來(lái)のモデルは、単語(yǔ)の後に連続して動(dòng)作します」と、Dynex MoonshotsのDyniele Herrmannは述べています。 「Qdllmは並行して機(jī)能します。それは人間の脳に似ており、すべてのパターンを一度に処理します。それが量子の力です?！?/p>

Stanford UniversityやGoogle Deepmind、および主要なAIテクノロジープロバイダーのイニシアチブを含むいくつかの學(xué)術(shù)プロジェクトは、最近、拡散ベースの変圧器の探索を開(kāi)始しました。

Dynexは、テキスト生成中のマーク選択を改善するために、量子最適化フォームである量子アニーリングを統(tǒng)合することにより、さらに區(qū)別します。これにより、一貫性が向上し、従來(lái)のLLMと比較して計(jì)算オーバーヘッドが減少します、と同社は主張しています。

分散型およびアナログ量子ハードウェア

Dynexモデルのユニークな機(jī)能の1つは、実際の量子ハードウェアへのアクセスを必要とするのではなく、量子挙動(dòng)をシミュレートする分散型GPUネットワークに依存していることです。この設(shè)計(jì)により、システムはDynexによって記述された最大100萬(wàn)個(gè)のアルゴリズムキミットにスケーリングできます。

「QDLLMなどの量子アルゴリズムは、量子コンピューティングを効果的にシミュレートするGPUの分散ネットワークで計(jì)算されています」とHerrmannは説明しました。

このタイプのシミュレーションには、Tensorflow Quantum（GoogleおよびX(jué)）の作業(yè)といくつかの類(lèi)似點(diǎn)があります。これは、クラシックハードウェアの量子回路をシミュレートしてアルゴリズムプロトタイプを作成します。同様に、多くのハイテクスタートアップとベンダーは、物理的なハードウェアが準(zhǔn)備が整う前に大規(guī)模に量子ロジックをシミュレートするためのプラットフォームを開(kāi)発しています。

ソフトウェアに加えて、Dynexは2025年に獨(dú)自の神経形式量子チップアポロを発売する予定です。低溫冷卻を必要とする超伝導(dǎo)量子チップとは異なり、Apolloは室溫で動(dòng)作し、エッジデバイスへの統(tǒng)合をサポートするように設(shè)計(jì)されています。

「神経変動(dòng)回路を使用すると、Dynexは最大100萬(wàn)個(gè)のアルゴリズムのキュービットの大規(guī)模な量子コンピューティングをシミュレートできます」とHerrmann氏は説明しました。 「Dynexは、神経形態(tài)のパラダイムにも基づいた実際の量子チップの生産を開(kāi)始します?！?/p>

AIの効率と環(huán)境への影響に対する量子への影響

Dynex氏によると、QDLLMはモデルサイズが90％小さく、10倍高速で、同等のタスクに通常使用されるGPUリソ??ースの10％のみを使用しています。これらは、特にAIエネルギー消費(fèi)に関する懸念が高まっていることを考えると、重要な聲明です。

「量子アルゴリズムの効率と並列性は、エネルギー消費(fèi)量を10倍速く、GPUの數(shù)の10％しか必要としないため、エネルギー消費(fèi)を減らします」とHerrmann氏は述べています。

獨(dú)立した検証はまだ必要ですが、Dynexのアプローチは、タスクのトレーニングに少ないエネルギーを使用するウェーハレベルのチップを作成したセレブラスシステムの努力を反映しています。別の例は、GraphCoreです。そのインテリジェント処理裝置（IPU）は、専用の並列アーキテクチャを介してAIワークロードのエネルギーフットプリントを減らすように設(shè)計(jì)されています。

Dynexは、QDLLMがベンチマークで強(qiáng)く実行され、強(qiáng)力な推論が必要であり、ChatGptやGrokを含む主要なモデルを上回ることを必要とすると報(bào)告しています。パブリックベンチマークデータはまだリリースされていませんが、同社は2025年の市場(chǎng)発売に近いため、比較調(diào)査をリリースすると述べました。 Dynexのパフォーマンスアサーションは逸話(huà)的なままですが、ピアレビューされたベンチマークが提供されるまで興味深いものです。

「私たちはQDLLMベンチマークを定期的に公開(kāi)しており、強(qiáng)力な推論を必要とする特定の質(zhì)問(wèn)は、ChatGpt、Grok、またはDeepseekによって正しく答えることができないことを証明しています」とHerrmann氏は述べています。

全體像：QuantumはAIにどのように影響しますか？

長(zhǎng)期的には、Dynexは、量子コンピューティングがAIフィールドの中核になると考えています。

「Quantumは今後5年間AIを支配すると思う」とHerrmann氏は述べた。

この予測(cè)は、前例がないわけではありませんが、推測(cè)のままです。マッキンゼー、ボストンコンサルティンググループ、ガートナーのアナリストは、量子コンピューティングが最適化とシミュレーションタスクを大幅に改善できることを指摘していますが、ほとんどのユースケースでは、2030年以降まで不可能かもしれません。

現(xiàn)在、Dynexは、量子増強(qiáng)または量子ヒューリスティックAIメソッドを?qū)g験している成長(zhǎng)分野にあります。分散化された拡散ベースのQDLLMがベンチマークを上回ることができるかどうかはまだわかりませんが、その出現(xiàn)は、AIの新しい基盤(pán)を検索することは終わっていないことを示唆しています。

以上が量子風(fēng)のAIは、今日の大規(guī)模な言語(yǔ)モデルと競(jìng)合できますか？の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。