量子啟發的人工智能能否與當今的大型語言模型競爭？
隨著大型語言模型（LLMs）在生成式人工智能領域的快速發展和主導地位，量子計算和人工智能兩個新興領域的交匯處也在悄然發生變革。越來越多的研究人員和公司開始探索量子計算的原則如何解決當今人工智能基礎設施面臨的一些限制，特別是在擴展性、效率和推理複雜性方面。
其中一個較為引人注目的進展來自於位於列支敦士登的Dynex公司，該公司最近推出的量子擴散大型語言模型（qdLLM）在2025年SXSW創新獎中成為決賽入圍者。該公司聲稱其qdLLM能夠比依賴當前技術基礎設施的傳統變壓器系統更快、更高效地生成生成式人工智能輸出。
這與其他新興方法相比如何，對於人工智能的未來又意味著什麼？
量子計算對人工智能的意義
量子計算的核心在於利用量子位（qubits），這使得它可以同時存在於多個狀態，這是由於量子疊加效應的作用。這使得量子計算機能夠並行評估大量潛在解決方案，可能在需要大規模優化、模擬或模式識別的任務中提供優勢。
在人工智能的背景下，研究人員已經探討了量子特性如何改善自然語言處理、機器學習優化和模型訓練效率等任務。然而，這些努力大多仍處於早期階段。例如，IBM和麻省理工學院研究了混合量子-經典模型如何減少特定深度學習任務的訓練時間，而像Zapata AI這樣的初創公司則在實驗量子增強模型，用於情感分析和預測。
在這樣的背景下，Dynex的做法引入了一種新架構，使用量子啟發算法通過去中心化硬件更高效地運行大型語言模型。
Dynex的qdLLM：基於擴散的並行方法
與使用自回歸技術逐字生成響應的變壓器模型不同，Dynex的qdLLM基於擴散模型，並行生成輸出標記。根據Dynex的說法，這種方法在計算上更高效，並能產生更好的上下文一致性。
Dynex的聯合創始人和任務負責人Daniela Herrmann表示：“傳統模型如GPT-4或DeepSeek是逐字處理的，而qdLLM則是並行運作。它更像人腦一樣，同時處理模式，這就是量子的力量。”
包括斯坦福大學和Google DeepMind在內的幾個學術項目，以及主要人工智能技術提供商的倡議，最近也開始探索基於擴散的變壓器。
Dynex進一步通過集成量子退火（量子優化的一種形式）來改善文本生成過程中的標記選擇，聲稱這能提高一致性並減少相較於傳統大型語言模型的計算開銷。
去中心化和模擬量子硬件
Dynex模型的一個獨特特徵是依賴於一個去中心化的GPU網絡，該網絡模擬量子行為，而不是需要實際的量子硬件。這一設計使系統能夠擴展到Dynex所描述的最多一百萬個算法量子位。
Herrmann解釋道：“任何量子算法，例如qdLLM，都是在一個去中心化的GPU網絡上計算的，這些GPU高效地模擬量子計算。”
這種模擬與TensorFlow Quantum（由Google和X開發）在實際硬件準備好之前模擬量子電路的工作有些相似。同樣，一些科技初創公司和供應商正在開發平台，以在物理硬件準備好之前，規模化地模擬量子邏輯。
除了軟件，Dynex計劃於2025年推出自己的神經形量子芯片Apollo。與需要低溫冷卻的超導量子芯片不同，Apollo設計為在室溫下運行，支持集成到邊緣設備中。
Herrmann表示：“使用神經形電路使Dynex能夠在大規模上模擬量子計算，最多達到一百萬個算法量子位。Dynex將開始生產實際的量子芯片，這些芯片也基於神經形範式。”
量子對人工智能效率和環境影響的影響
Dynex聲稱，qdLLM模型的大小減少了90%，速度提高了10倍，並且僅使用通常所需的10% GPU資源來完成等效任務。這些是重要的聲稱，尤其是在對人工智能的能源使用越來越受到關注的背景下。
Herrmann指出：“量子算法的效率和並行性降低了能源消耗，因為它速度提高了10倍，並且只需要10%的GPU數量。”
儘管仍需獨立驗證，但Dynex的做法與Cerebras Systems的努力相呼應，後者創造了使用較少能量的晶圓級芯片用於訓練任務。Graphcore的智能處理單元（IPUs）也旨在通過專門的並行架構來減少人工智能工作負載的能量足跡。
Dynex報告稱，qdLLM在需要強推理的基準測試中表現良好，超越了包括ChatGPT和Grok在內的領先模型。儘管公共基準數據尚未發布，但該公司表示，隨著2025年市場推出的臨近，將發布比較研究。在同行評審的基準數據可用之前，Dynex的性能聲明仍然是個案，但卻引人入勝。
Herrmann提到：“我們定期發布qdLLM基準，並表明某些需要強推理的問題，ChatGPT、Grok或DeepSeek都無法正確回答。”
更大的圖景：量子將如何影響人工智能？
從長遠來看，Dynex認為量子計算將成為人工智能領域的核心。
Herrmann表示：“我們認為，量子計算將在未來五年主導人工智能。”
這一預測仍然具有推測性，但並非沒有先例。來自麥肯錫、BCG和高德納的分析師都指出，量子計算可能會顯著改善優化和模擬任務，但大多數用例可能要到2030年以後才能實現。更為謹慎的觀點認為，量子-人工智能混合體將首先出現在特定應用中，例如藥物發現、金融風險建模或網絡安全。
目前，Dynex在越來越多的探索量子增強或量子啟發人工智能方法的競爭者中脫穎而出。無論他們的去中心化擴散基於qdLLM是否能超越基準，仍有待觀察，但其出現顯示出尋找人工智能新基礎的探索仍在繼續。
這篇文章提供了一個引人深思的視角，讓我們重新思考量子計算在人工智能未來發展中的潛力。隨著技術的進步，我們可能會看到更多的創新出現，進一步改變我們對人工智能的理解和應用。量子計算的引入不僅僅是技術上的突破，更是對現有AI架構的一次挑戰，這或許能促進更高效、更環保的人工智能解決方案的誕生。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
