Kann quanteninspirierte KI mit den heutigen großsprachigen Modellen konkurrieren?

Dynex, ein Unternehmen aus Liechtenstein, hat kürzlich sein Quantendiffusions -großes Sprachmodell (QDLLM) in seinem SXSW 2025 Innovation Award Final gestartet und zu einer überzeugenden Entwicklung. Das Unternehmen behauptet, dass sein QDLLM in der Lage sei, generative KI-Ausgaben schneller und effizienter zu generieren als herkömmliche transformatorbasierte Systeme, die auf der aktuellen technologischen Infrastruktur beruhen.

Wie ist dies mit anderen aufstrebenden Ansätzen verglichen? Was bedeutet das für die breitere Zukunft der KI?

Die Bedeutung des Quantencomputers für KI

Der Kernunterschied des Quantencomputers besteht darin, dass es Qubits verwendet, die aufgrund der Quantenüberlagerung gleichzeitig in mehreren Zuständen existieren können. Dies ermöglicht Quantencomputern, eine große Anzahl potenzieller Lösungen parallel zu bewerten, die bei Aufgaben wie groß angelegte Optimierung, Simulation oder Mustererkennung Vorteile haben können.

Im Bereich der KI haben die Forscher untersucht, wie Quantenmerkmale Aufgaben wie Verarbeitung natürlicher Sprache, Optimierung des maschinellen Lernens und Modelltrainingseffizienz verbessern können. Die meisten dieser Bemühungen liegen jedoch noch in den frühen Stadien. Zum Beispiel haben IBM und MIT untersucht, wie hybride quantenklassische Modelle die Trainingszeit für bestimmte Deep -Lern -Aufgaben verkürzen, während Startups wie Zapata AI mit Quantenverbesserungsmodellen für die Stimmungsanalyse und Vorhersage experimentieren.

In diesem Zusammenhang führt der Ansatz von Dynex eine neue Architektur ein, die quantenheuristische Algorithmen verwendet, um LLM effizienter durch dezentrale Hardware auszuführen.

Dynex's QDllM: Ein diffusionsbasierter paralleler Ansatz

Im Gegensatz zu Transformator-basierten Modellen, die Autoregressionstechniken verwenden, um jeweils ein Tag zu generieren, basiert die QDllM von DYNEx auf einem Diffusionsmodell, das parallel Ausgabe-Tags erstellt. Laut Dynex ist dieser Ansatz rechnerisch effizienter und erzeugt eine bessere kontextbezogene Konsistenz.

"Traditionelle Modelle wie GPT-4 oder Deepseek arbeiten nacheinander Word After Word", sagte Daniela Herrmann, Mitbegründerin und Aufgabenleiterin bei Dynex Moonshots. "Qdllm arbeitet parallel. Es denkt eher wie das menschliche Gehirn und verarbeitet alle Muster gleichzeitig. Das ist die Kraft des Quantens."

Mehrere akademische Projekte, darunter die Stanford University und Google DeepMind sowie Initiativen der wichtigsten AI-Technologieanbieter, haben kürzlich begonnen, den Diffusions-basierten Transformator zu untersuchen.

DYNEx unterscheidet sich weiter durch die Integration von Quantenglühen, eine Quantenoptimierungsform, um die Markierungsauswahl während der Textgenerierung zu verbessern. Dies erhöht die Konsistenz und reduziert den Rechenaufwand im Vergleich zu herkömmlichen LLMs, so das Unternehmen.

Dezentrale und analoge Quantenhardware

Ein einzigartiges Merkmal des DYNEx -Modells ist, dass es sich auf ein dezentrales GPU -Netzwerk stützt, das das Quantenverhalten simuliert, anstatt Zugriff auf die tatsächliche Quantenhardware zu erfordern. Dieses Design ermöglicht es dem System, bis zu einer Million algorithmischer Qubits zu skalieren, die von DYNEx beschrieben wurden.

"Jeder Quantenalgorithmus wie Qdllm wird im dezentralen Netzwerk der GPU berechnet, das das Quantencomputer effektiv simuliert", erklärte Herrmann.

Diese Art der Simulation hat einige Ähnlichkeiten mit der Arbeit von TensorFlow Quantum (Google und X), die auch Quantenschaltungen auf klassischer Hardware simuliert, um Algorithmus -Prototypen zu erstellen. In ähnlicher Weise entwickeln viele Tech -Startups und Anbieter Plattformen, um die Quantenlogik im Maßstab zu simulieren, bevor die physische Hardware fertig ist.

Zusätzlich zur Software plant DYNEx 2025, einen eigenen neuromorphen Quantenchip -Apollo zu starten. Im Gegensatz zu supraleitenden Quantenchips, die eine niedrigem Temperaturkühlung erfordern, ist Apollo so ausgelegt, dass er bei Raumtemperatur betrieben wird und die Integration in Kantengeräte unterstützt.

"Mithilfe von neuromorphen Schaltungen kann Dynex das Quantencomputer in Maßstab bis zu 1 Million algorithmische Qubits simulieren", erklärte Herrmann. "Dynex wird damit beginnen, tatsächliche Quantenchips zu produzieren, die auch auf neuromorphen Paradigmen basieren."

Quantenauswirkungen auf die Effizienz der KI und die Auswirkungen der Umwelt

Laut Dynex erreicht QDllm 90% kleinere Modellgrößen, zehnmal schneller und verwendet nur 10% der GPU -Ressourcen, die normalerweise für äquivalente Aufgaben verwendet werden. Dies sind wichtige Aussagen, insbesondere angesichts der zunehmenden Besorgnis über den KI -Energieverbrauch.

"Die Effizienz und Parallelität von Quantenalgorithmen verringern den Energieverbrauch, da er 10 -mal schneller ist und nur 10% der Anzahl der GPUs erfordert", sagte Herrmann.

Während eine unabhängige Überprüfung noch erforderlich ist, wiederholt der Ansatz von Dynex die Bemühungen von Cerebras-Systemen, die Chips auf Waferebene erzeugt haben, die weniger Energie für Schulungsaufgaben verbrauchen. Ein weiteres Beispiel ist GraphCore, dessen intelligente Verarbeitungseinheit (IPU) die Energieausstattung der KI -Workloads durch eine dedizierte parallele Architektur reduzieren soll.

Dynex berichtet, dass QDllm in Benchmarks, die starke Schlussfolgerung erfordern, starke führende Modelle wie ChatGPT und GROK erfordern. Während die öffentlichen Benchmark -Daten noch nicht veröffentlicht wurden, wird das Unternehmen eine vergleichende Studie veröffentlichen, da sie näher an der Markteinführung 2025 liegt. Die Leistungsaussagen von Dynex bleiben anekdotisch, aber interessant, bis sie mit von Experten begutachteten Benchmarks versehen sind.

"Wir veröffentlichen qdllm Benchmarks regelmäßig und haben bewiesen, dass bestimmte Fragen, die eine starke Argumentation erfordern, von Chatgpt, Grok oder Deepseek nicht korrekt beantwortet werden können", bemerkte Herrmann.

Ein größeres Bild: Wie wirkt sich Quantum auf KI aus?

Langfristig glaubt Dynex, dass Quantencomputer zum Kern des KI -Feldes werden wird.

"Wir glauben, dass Quantum die KI für die nächsten fünf Jahre dominieren wird", sagte Herrmann.

Diese Vorhersage bleibt spekulativ, wenn auch nicht ohne Präzedenzfall. Analysten von McKinsey, Boston Consulting Group und Gartner weisen alle darauf hin, dass Quantum Computing die Optimierungs- und Simulationsaufgaben erheblich verbessern kann. Bei den meisten Anwendungsfällen ist dies jedoch erst nach 2030 möglich. Eine vorsichtigere Ansicht deutet darauf hin, dass Quantum-AI-Hybriden zuerst in Niche-Anwendungen wie Drogenerdeckung, finanzielles Risikomodelling oder Cybercurity auftreten.

Derzeit befindet sich DYNEx in einem wachsenden Feld, das mit Quantenvergrößerung oder quantenheuristischen AI -Methoden experimentiert. Ob ihre dezentrale, diffusionsbasierte QDLLM-Benchmarks übertreffen kann, bleibt abzuwarten, aber ihre Entstehung legt nahe, dass die Suche nach neuen Grundlagen von KI noch lange nicht vorbei ist.

Das obige ist der detaillierte Inhalt vonKann quanteninspirierte KI mit den heutigen großsprachigen Modellen konkurrieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!