Jak długo przed AGI? To był chyba najgłośniejszy refren słyszany w tym roku w dziennikarstwie technologicznym. Po tym, jak ChatGPT olśnił świat zeszłej zimy, media głównego nurtu szybko zwróciły uwagę na to, co nieuchronnie nadejdzie – a mianowicie sztuczną inteligencję ogólną, czyli AGI. Jak donoszą, był to logiczny kolejny krok dla tej potężnej technologii, której świt może albo doprowadzić do podnoszącej na duchu transformacji globalnej gospodarki, albo do jej zniszczenia przez złowrogą, stworzoną przez człowieka superinteligencję.
Problem polega na tym, że osiągnięcie któregokolwiek z tych punktów będzie prawdopodobnie wymagało mocy obliczeniowej przekraczającej możliwości nawet najbardziej wytrzymałego procesora graficznego. Nie oznacza to, że utopiści/doomsterzy AI nie mają żadnych opcji. IBM, na przykład, stworzył analogowy układ AI, który może obsługiwać zadania związane z językiem naturalnym wydajniej niż procesor graficzny, podczas gdy firmy takie jak AMD walczą z dominacją Nvidii na rynku sztucznej inteligencji poprzez oprogramowanie poprawiające wydajność modeli. Mimo to, podejścia te to niewiele więcej niż nowe sposoby na coraz mocniejsze forsowanie klasycznego sprzętu obliczeniowego – lub, mówiąc inaczej, kolejne próby wyciśnięcia krwi z coraz bardziej wykrwawionego kamienia.
Jest też ścieżka kwantowa. Od kilku lat naukowcy marzą o połączeniu sztucznej inteligencji z obliczeniami kwantowymi w celu stworzenia pewnego rodzaju hybrydy tych dwóch, modelu, który mógłby, po prostu mógłby, przekroczyć słabe fizyczne ograniczenia klasycznych komputerów i ostatecznie stworzyć rodzaj łagodnej superinteligencji, na którą wszyscy mają nadzieję. Oczywiście wszystko to zależy od pojawienia się komputerów kwantowych, które wykorzystują logiczne kubity w ilościach wystarczających do obsługi stabilnych modeli sztucznej inteligencji, ale jest to perspektywa, która, jak zauważą czytelnicy, jest prawdopodobnie bliższa niż nam się wydaje.
Eksperymenty w tej dziedzinie z pewnością postępują w szybkim tempie. Na początku tego miesiąca Quantinuum ogłosiło plany współpracę z naukowcami z Uniwersytetu Chubu w Japonii nad sposobami wykorzystania teorii kwantowej do modelowania języka, znaczenia i psychologii w algorytmach sztucznej inteligencji. Nowy wieloletni projekt skupi się na stworzeniu nowych modeli kwantowego uczenia maszynowego dostosowanych do poznania i zostanie dostosowany do wykorzystania najnowszej generacji komputerów kwantowych – w tym tych z logicznymi kubitami, których nie można wykorzystać w algorytmach sztucznej inteligencji. symulowane na klasycznym sprzęcie. Oczekuje się, że pierwsza tego typu maszyna zostanie wydana w przyszłym roku.
Będzie się ona opierać na wcześniejszych pracach naukowców z Quantinuum i Chubu, którzy nakreślili podobieństwa między systemami kwantowymi i kognitywnymi. Prace te sugerowały, że matematyczne struktury teorii kwantowej można zaobserwować w aspektach ludzkiego języka i poznania oraz wyjaśnić niektóre z obecnie trudnych do rozwiązania problemów współczesnej sztucznej inteligencji. Obejmuje to rolę kontekstu w generowaniu znaczenia w tekście lub „efekt kolejności pytań”, w którym poprzednie pytanie może wpływać na proces poznawczy i odpowiedzi respondentów.
Quantinuum nie jest pierwszym startupem kwantowym, który bada, w jaki sposób komputery kwantowe mogą prowadzić do sztucznej inteligencji podobnej do ludzkiej. Wcześniej w tym roku IonQ’s Dyrektor generalny Peter Chapman powiedział, że sztuczna inteligencja kwantowa będzie równie istotna jak obecne duże modele językowe, takie jak te napędzające ChatGPT OpenAI. Firma opublikowała artykuł badawczy, który sugeruje, że podejmowanie decyzji przez ludzi może być testowane na przyszłych komputerach kwantowych, sugerując również zdolność do zrozumienia kolejności, w jakiej ludzie zadają pytania i wpływu, jaki ma to na ich odpowiedzi. ORCA, w międzyczasie, jest współpracuje z firmą Nvidia w celu wdrożenia jej fotonicznych komputerów kwantowych wraz z procesorami graficznymi, aby przyspieszyć i poprawić jakość generowania i analizy sztucznych obrazów.
Inni wykorzystują techniki kwantowego uczenia maszynowego do tworzenia mniejszych modeli z podobnymi wynikami, jak w przypadku klasycznego uczenia maszynowego. Nie wiadomo jeszcze, czy kolejna ewolucja tego procesu zaowocuje lepszym zrozumieniem tajemnic ludzkiego poznania. Z pewnością wydaje się, że odcinek. Z drugiej strony, słyszę, jak pytasz, kto dziesięć lat temu wyobrażał sobie ChatGPT i możliwość generowania złożonych odpowiedzi tekstowych z prostego monitu?
Klasyczne obliczenia zaczynają zbliżać się do swoich granic, jeśli chodzi o coraz większe modele sztucznej inteligencji. Możliwe, że modele fundacji następnej generacji, a mianowicie GPT-5 firmy OpenAI, Claude 3 firmy Anthropic i Gemini firmy Google, będą ostatnimi, które można trenować wyłącznie na klasycznym sprzęcie. Modele, które pojawią się po nich, prawdopodobnie za pięć do dziesięciu lat, mogą wymagać mocy procesora QPU do szkolenia, a nawet uruchomienia. Ale, przynajmniej na razie, pocieszam się świadomością, że ludzki umysł pozostaje najpotężniejszym silnikiem obliczeniowym na Ziemi.