Pierwszy kwantowy zastrzyk dla AI. Sztuczna inteligencja na nowo uczy się myśleć

👁 119 przeczytań

Wyobraź sobie, że zadajesz modelowi AI astronomiczne pytanie: „Które planety Układu Słonecznego mają pierścienie?”. Model odpowiada: tylko Saturn - choć w rzeczywistości pierścienie mają wszystkie planety-olbrzymy. Brzmi znajomo? To typowa pomyłka, którą popełniają nawet najlepsze systemy. A gdyby tak wystarczyło dosłownie kilka kwantowych poprawek, by model nagle zaczął podawać prawidłową odpowiedź? Dokładnie to udało się zespołowi Multiverse Computing przy współpracy z IBM. W eksperymencie, który jako pierwszy w historii pokazał działanie kwantowego wzmocnienia na produkcyjnym modelu językowym, naukowcy dowiedli, że dodanie zaledwie 6000 kwantowych parametrów do modelu Llama 3.1 8B (który ma ich 8 miliardów) wystarczyło, by poprawić trafność odpowiedzi. Zmiana wyniosła 1,4% w kluczowej mierze promptowy.com/perplexity-ai/">perplexity - ale skutki były konkretne i widoczne gołym okiem.

Perplexity, czyli miara pewności siebie AI

Wewnętrznym kompasem każdego modelu językowego jest perplexity (PPL). Im niższa wartość, tym lepiej system przewiduje kolejne słowo w zdaniu. Wysoka PPL oznacza, że model częściej się myli, „zgaduje”, a jego odpowiedzi bywają niespójne. Standardowe metody obniżania PPL - dokładanie kolejnych warstw neuronów, trenowanie na większych zbiorach danych, zwiększanie liczby parametrów - są drogie, energochłonne i wymagają gigantycznych centrów danych. GPT-5.5 ma już szacunkowo od 2 do 5 bilionów parametrów. Każdy z nich to dodatkowy bajt w pamięci i więcej mocy obliczeniowej potrzebnej do trenowania modelu.

Naukowcy z Multiverse Computing poszli inną drogą. W publikacji udostępnionej na serwerze arXiv 7 maja 2026 roku opisują, jak do klasycznego modelu Llama 3.1 8B dodali maleńkie kwantowe obwody - Cayley-parameterized unitary adapters (CUAs).

„Wyniki te stanowią, moim zdaniemzej wiedzy, pierwszą demonstrację end-to-end kwantowego wzmocnienia produkcyjnego, szeroko wdrażanego modelu językowego na rzeczywistym nadprzewodzącym sprzęcie kwantowym” - napisali autorzy w artykule.

Jak działa kwantowa łatka dla AI?

Pomysł jest elegancki i nie wymaga budowania od nowa ogromnych sieci neuronowych. Tradycyjne parametry modelu Llama 3.1 zostały zamrożone, czyli pozostały niezmienione. Do jednej z warstw wstawiono natomiast małe bloki kwantowe - Cayley’owskie adaptery - które najpierw wytrenowano klasycznie. Całość, czyli model klasyczny plus adaptery, uruchomiono następnie na 156-kubitowym procesorze IBM Quantum System Two. To właśnie ten krok - wykonanie inferencji na prawdziwym komputerze kwantowym - odróżnia eksperyment od wcześniejszych symulacji.

Borja Aizpurua, główny autor badania, tłumaczy w rozmowie z Live Science, że kwantowe adaptery są celowo małe. „Im większy obwód, tym więcej szumów” - mówi. Każdy komputer kwantowy cierpi na zakłócenia: od fluktuacji pola magnetycznego Ziemi, przez promieniowanie Wi-Fi, aż po promienie kosmiczne. Im mniejszy obwód, tym łatwiej kontrolować błędy. W efekcie hybrydowy model - klasyczny z kwantowym dodatkiem - obniżył perplexity o 1,4%, zwiększając przy tym liczbę parametrów zaledwie o 0,000075%.

Model, który nagle odpowiedział dobrze

Efekt nie był tylko statystyczny. W testach zadaniowych kwantowo wspomagany model Llama 3.1 8B odpowiadał poprawnie na pytania, na które oryginał się mylił. W przykładzie astronomicznym - pytanie o pierścienie planet-olbrzymów - model z adapterami wskazał prawidłowo: wszystkie planety Jowiszowe. W biologii, przy pytaniu o konsekwencje przepływu genów, hybryda wybrała „zwiększoną homogeniczność genetyczną”, podczas gdy oryginał wskazał błędnie „zaburzenie równowagi Hardy’ego-Weinberga”.

„Widzimy przykład, w którym model nie odpowiada poprawnie, a potem dodajesz coś kwantowego i nagle odpowiada dobrze” - komentuje Aizpurua.

To kluczowe spostrzeżenie: kwantowe uzupełnienie nie tylko uśrednia błędy, ale może korygować konkretne pomylone odpowiedzi.

Droga do kwantowej przewagi w AI

Autorzy badania podkreślają, że znaczenie eksperymentu nie leży w samym 1,4% spadku PPL, lecz w fakcie, że efekt w ogóle wystąpił. „Wartość tych wyników wzrośnie wraz z wiernością sprzętu kwantowego i liczbą kubitów” - piszą. Innymi słowy, to dowód koncepcji, który może otworzyć drzwi do budowy hybrydowych systemów AI znacznie mniejszych i tańszych w utrzymaniu niż dzisiejsze monstrualne modele.

Następnym krokiem, jak mówi Aizpurua, jest opracowanie metody, w której cały obwód kwantowy - nie tylko dwa adaptery - będzie bezpośrednio enkodowany. To mogłoby doprowadzić do powstania modelu językowego o niższej PPL i wyższej dokładności przy użyciu znacznie mniejszej liczby parametrów niż jakakolwiek czysto klasyczna metoda. Cel ostateczny to osiągnięcie kwantowej przewagi - momentu, w którym komputer kwantowy wykonuje obliczenia, które dla żadnego klasycznego superkomputera nie byłyby możliwe.

Na razie to przyszłość. Ale pierwszy krok - włożenie kwantowej łatki do AI, która odpowiedziała na pytanie lepiej niż oryginał - został zrobiony. A to znaczy, że wkrótce sztuczna inteligencja może uczyć się myśleć na nowo.

// czytaj dalejOpus 5 na szczycie rankingu inteligencji. Pierwszy raz ktoś przeskoczył Fable 5BenchmarkiBig Tech pożycza pieniądze na sztuczną inteligencję. Gdy giganci idą po dług, boom robi się poważnyPremiumSztuczna inteligencja, która wykrywa luki w kodzie lepiej niż hakerzy. Biały Dom nagle zrozumiał, że deregulacja może być ryzykownaPremium