هوش مصنوعی و رایانه‌های کوانتومی؛ رقبایی که ناگزیر به همکاری‌اند

نه یادگیری ماشین که بعدها با عنوان «هوش مصنوعی» شناخته شد و نه رایانش کوانتومی، در آن زمان به بلوغ کافی نرسیده بودند؛ موضوعی که اکنون «آلن باراتز»، مدیرعامل D-Wave نیز به آن اذعان می‌کند. مقاله‌ای که یک سال پس از تأسیس این آزمایشگاه در نشریه Nature Physics منتشر شد، نشان داد که رایانه D-Wave در انجام وظایف مرتبط با هوش مصنوعی عملکردی بهتر از یک واحد پردازش گرافیکی (GPU) معمولی ندارد.

بااین‌حال، سرنوشت هوش مصنوعی و رایانش کوانتومی همچنان به یکدیگر گره خورده است. برخی این دو فناوری را مکمل یکدیگر می‌دانند؛ به این معنا که پیشرفت‌های هوش مصنوعی به توسعه رایانه‌های کوانتومی کمک کرده و در مقابل، پیشرفت در الگوریتم‌های کوانتومی نیز مسیرهای تازه‌ای برای ارتقای هوش مصنوعی گشوده است. در مقابل، گروهی دیگر این دو را رقیب هم می‌بینند. اگر به گفته‌های آزمایشگاه‌های پیشرو هوش مصنوعی گوش دهیم، ممکن است چنین به نظر برسد که تا زمانی که رایانه‌های کوانتومی به مرحله بهره‌برداری کامل برسند، دیگر مسئله مهمی باقی نمانده باشد که فقط آن‌ها بتوانند حل کنند.

اما واقعیت این‌قدر دراماتیک نیست. هوش مصنوعی و رایانه‌های کوانتومی در سه حوزه با یکدیگر هم‌پوشانی دارند:

1. در نوع مسائلی که برای حل آن‌ها طراحی شده‌اند.
2. در نقشی که هر یک می‌تواند در توسعه دیگری ایفا کند
3. در منابعی که برای دستیابی به آن‌ها با یکدیگر رقابت می‌کنند.

بااین‌حال، به نظر می‌رسد در هر سه حوزه، همکاری، راهبرد موفق‌تری نسبت به رقابت باشد.

امیدوارکننده‌ترین کاربرد رایانه‌های کوانتومی، شبیه‌سازی خودِ مکانیک کوانتومی است؛ موضوعی که در عمل به حوزه‌هایی مانند علم مواد، شیمی و زیست‌شناسی مربوط می‌شود. محاسبات لازم برای شبیه‌سازی حتی واکنش‌های شیمیایی نسبتاً ساده نیز آن‌قدر پیچیده‌اند که ابررایانه‌های امروزی ناچارند به تقریب‌هایی سخت و مستعد خطا اکتفا کنند. یک رایانه کوانتومی با توان پردازشی کافی می‌تواند امکان شبیه‌سازی دقیق و با وفاداری بسیار بالا به واقعیت را در بنیادی‌ترین سطح آن فراهم کند.

اما در همین حال، شرکت‌های فعال در حوزه هوش مصنوعی مانند Isomorphic Labs و CuspAI نیز در حال توسعه سامانه‌هایی هستند که می‌کوشند همین چالش‌ها را حل کنند؛ با این تفاوت که به‌جای اجرای شبیه‌سازی‌های فوق‌دقیق، بر تشخیص الگو برای انجام پیش‌بینی‌ها تکیه دارند. «چد ادواردز» که هم‌بنیان‌گذار CuspAI است، پیش از CuspAI از مدیران ارشد استارتاپ رایانش کوانتومی Quantinuum بود؛ اما سرعت پیشرفت هوش مصنوعی او را متقاعد کرد که مسیر خود را تغییر دهد.

گاهی این تقابل در جهت معکوس رخ می‌دهد. در ماه مارس، پژوهشگران چینی یک سامانه کوانتومی در مقیاس کوچک را معرفی کردند که توانست در پیش‌بینی وضعیت آب‌وهوا عملکرد بهتری از روش‌های کلاسیک داشته باشد. رسانه‌های هنگ‌کنگ این دستاورد را ضربه‌ای به صنعت هوش مصنوعی توصیف کردند؛ زیرا ممکن بود مراکز داده گران‌قیمت را به فناوری‌هایی منسوخ تبدیل کند.

به گفته «دیوید کاکس»، معاون بخش مدل‌های هوش مصنوعی IBM، این تفکر «مجموع صفر» (zero-sum) اشتباه است. او می‌گوید رایانه‌های کوانتومی همواره جایگاه خود را خواهند داشت، زیرا «هیچ نوع دیگری از رایانه‌ها قادر به انجام کارهایی نیست که یک رایانه کوانتومی انجام می‌دهد.»

برای مثال، یک مدل هوش مصنوعی که قرار است واکنش‌های شیمیایی را پیش‌بینی کند، ابتدا باید با میلیون‌ها نمونه آموزشی تغذیه شود تا بتواند قواعد حاکم بر این فرایند را استنتاج کند. ازآنجایی‌که رایانه‌های کوانتومی امکان اجرای شبیه‌سازی‌های دقیق‌تر را فراهم می‌کنند، مدل‌هایی که بر پایه این شبیه‌سازی‌ها آموزش می‌بینند نیز پیش‌بینی‌های دقیق‌تری خواهند داشت. این مدل‌ها نیز به نوبه خود می‌توانند ترکیب‌های شیمیایی امیدوارکننده دیگری را شناسایی کنند تا رایانه‌های کوانتومی روی آن‌ها متمرکز شوند. «روچیر پوری»، دانشمند ارشد مرکز تحقیقات IBM در این باره می‌گوید: «برای نخستین‌بار می‌توان این چرخه بهینه‌سازی را به طور کامل بست.»

دومین زمینه همکاری میان رایانش کوانتومی و هوش مصنوعی، تسریع پیشرفت یکدیگر است. سامانه‌های هوش مصنوعی می‌توانند در حل یکی از بزرگ‌ترین موانع توسعه رایانه‌های کوانتومی، یعنی مدیریت خطا نقش مهمی ایفا کنند. «بیت‌های کوانتومی» یا کیوبیت‌ها (Qubits) که اجزای سازنده رایانه‌های کوانتومی هستند، به بدنامی در ناپایداری شهرت دارند. مهندسان برای کاهش این مشکل، چندین کیوبیت فیزیکی را در قالب یک «کیوبیت منطقی»  (Logical Qubit)گروه‌بندی می‌کنند تا این کیوبیت‌های فیزیکی بتوانند عملکرد یکدیگر را بررسی و اصلاح کنند.

شرکت‌هایی مانند استارتاپ Infleqtion معتقدند می‌توان این فرایند را با استفاده از یک «رمزگشا» یا همان اصطلاحاً دی‌کدر (Decoder) مبتنی بر هوش مصنوعی بهبود داد؛ سامانه‌ای که در کنار رایانه کوانتومی قرار می‌گیرد و به مدیریت فرایند تصحیح خطا کمک می‌کند. افزون بر این، توسعه نرم‌افزار برای رایانه‌های کوانتومی نیز به‌شدت دشوار است و هوش مصنوعی می‌تواند در این زمینه نیز نقش مؤثری داشته باشد.

در مقابل، رایانه‌های کوانتومی نیز می‌توانند توانمندی‌های هوش مصنوعی را افزایش دهند. یکی از نمونه‌ها، نسخه کوانتومی مفهومی به نام مخزن (Reservoir) است که پژوهشگران هوش مصنوعی برای مدل‌سازی سامانه‌های پیچیده‌ای مانند بازارهای مالی از آن استفاده می‌کنند.

در روش رایانش مخزنی (Reservoir Computing)، هوش مصنوعی با مشاهده اثر یک سامانه پیچیده، پرنویز و دائماً در حال تغییر بر یک واسطه، می‌تواند آن سامانه را با هزینه محاسباتی اندک مدل‌سازی کند. هر بار که داده‌های جدید وارد مخزن می‌شوند، وضعیت آن اندکی تغییر می‌کند. خروجی این سامانه بازتابی از پیچیدگی ورودی‌های دریافت‌شده است، اما مدل‌سازی آن بسیار ساده‌تر است؛ درست همان‌طور که موج‌های روی سطح یک برکه، اندازه، شکل و سرعت سنگ‌هایی که در آن انداخته شده‌اند را بازتاب می‌دهند. این رویکرد در رایانش کلاسیک نیز نمونه‌هایی دارد، اما رایانه‌های کوانتومی می‌توانند با بهره‌گیری از ویژگی‌های منحصربه‌فرد خود، این فرایند را به شکل مؤثرتری انجام دهند.

شرکت استرالیایی SQC دقیقاً چنین تراشه‌های مخزن کوانتومی را عرضه می‌کند. شرکت مخابراتی Telstra که هم سرمایه‌گذار این شرکت است و هم از نخستین مشتریان آن، توانسته زمان آموزش مدل‌های هوش مصنوعی خود را ۹۰ درصد کاهش دهد. بااین‌حال، به گفته «میشل سیمونز»، بنیان‌گذار SQC، هنوز این تصور وجود دارد که کار با رایانش کوانتومی بسیار دشوار است. او می‌گوید: «ما حتی از واژه «کوانتوم» هم استفاده نمی‌کنیم؛ فقط آن را یک «شتاب‌دهنده هوش مصنوعی» می‌نامیم.»

دیوید کاکس نیز معتقد است رایانه‌های کوانتومی می‌توانند در آموزش مدل‌های هوش مصنوعی که امروزه توسط میلیون‌ها GPU در مراکز داده پرمصرف انجام می‌شود، نقش مهمی ایفا کنند. او می‌گوید: «در هسته اصلی شیوه‌ای که امروز هوش مصنوعی را توسعه می‌دهیم، فرصت‌های واقعی برای بهره‌گیری از رایانه‌های کوانتومی وجود دارد.»

اگر او درست بگوید، مزیت رایانه‌های کوانتومی صرفاً به‌سرعت بیشتر محدود نخواهد شد. این رایانه‌ها فناوری‌هایی گران‌قیمت و بسیار حساس هستند. حالت‌های کوانتومی ظریفی که عملکرد آن‌ها را ممکن می‌کنند، باید با دقت فراوان از محیط بیرونی محافظت شوند.

در مرکز تحقیقات IBM در یورک‌تاون هایتس ایالت نیویورک، یکی از رایانه‌های کوانتومی System Two این شرکت در میانه یک اتاق قرار دارد و با صدایی یکنواخت کار می‌کند. خود رایانه درون مخزنی از هلیوم مایع قرار گرفته تا دمای آن در تنها کسری از درجه بالاتر از صفر مطلق حفظ شود. مدارهای الکترونیکی تخصصی کنترل‌کننده دستگاه در اطراف این مخزن قرار گرفته‌اند و مجموعه‌ای بسیار بزرگ‌تر و پرسروصداتر از تجهیزات نیز در گوشه‌ای دیگر وظیفه تأمین انرژی سامانه سرمایش را بر عهده دارند.

با وجود این ابعاد و پیچیدگی، این دستگاه همچنان به‌مراتب کوچک‌تر و ارزان‌تر از مراکز داده عظیمی است که هزاران GPU را برای آموزش پیشرفته‌ترین مدل‌های هوش مصنوعی در خود جای‌داده‌اند. «جری چو»، مدیر برنامه رایانش کوانتومی IBM می‌گوید: «به‌جای مصرف برق در مقیاس گیگاوات، ما در محدوده مگاوات فعالیت می‌کنیم.»

در بسیاری از حوزه‌ها، از جمله هوش مصنوعی، جذابیت رایانش کوانتومی در حال تغییر است. فناوری‌ای که زمانی به دلیل سرعت بالاتر نویدبخش بود، اکنون به این دلیل نیز جذاب شده که می‌تواند بهره‌وری بسیار بیشتری داشته باشد. سخت‌افزار SQC باوجودآنکه باید تا دمای منفی ۲۶۹ درجه سانتی‌گراد یا همان صفر مطلق کلوین سرد شود، به‌گونه‌ای طراحی شده که در یک رک استاندارد سرور جای می‌گیرد و کمتر از یک‌دهم انرژی یک رک مملو از GPU مصرف می‌کند.

IBM و D-Wave از جمله چندین آزمایشگاه رایانش کوانتومی بودند که دولت آمریکا در ماه مه، در قالب برنامه‌ای دو میلیارددلاری از آن‌ها حمایت کرد. «آرویند کریشنا»، مدیرعامل IBM این سرمایه‌گذاری را نشانه‌ای از اعتماد به صنعتی دانست که به گفته او «در آستانه جهشی بزرگ» قرار دارد. صنعت هوش مصنوعی نیز در انتظار ورود آن است.

گزارش حاضر در نسخه Augst 1^st 2026 نشریه The Economist منتشر شده است.