來自列支敦士登的一家公司Dynex最近在其SXSW 2025創(chuàng)新獎(jiǎng)決賽中推出其量子擴(kuò)散大型語言模型(qdLLM)，成為一個(gè)引人注目的發(fā)展。該公司聲稱，其qdLLM能夠比依賴于當(dāng)前技術(shù)基礎(chǔ)設(shè)施的傳統(tǒng)基于Transformer的系統(tǒng)更快、更有效地生成生成式AI輸出。

這與其他新興方法相比如何？這對AI的更廣泛未來意味著什么？

量子計(jì)算對AI的意義

量子計(jì)算的核心區(qū)別在于它利用量子位(qubit)，由于量子疊加，量子位可以同時(shí)存在于多種狀態(tài)。這使得量子計(jì)算機(jī)能夠并行評估大量潛在解決方案，在需要大規(guī)模優(yōu)化、模擬或模式識別等任務(wù)中可能具有優(yōu)勢。

在AI領(lǐng)域，研究人員已經(jīng)探索了量子特性如何改進(jìn)自然語言處理、機(jī)器學(xué)習(xí)優(yōu)化和模型訓(xùn)練效率等任務(wù)。然而，這些努力大多仍處于早期階段。例如，IBM和麻省理工學(xué)院研究了混合量子經(jīng)典模型如何減少特定深度學(xué)習(xí)任務(wù)的訓(xùn)練時(shí)間，而Zapata AI等初創(chuàng)公司正在試驗(yàn)用于情感分析和預(yù)測的量子增強(qiáng)模型。

在此背景下，Dynex的方法引入了一種新的架構(gòu)，該架構(gòu)使用量子啟發(fā)式算法通過去中心化硬件更有效地運(yùn)行LLM。

Dynex的qdLLM：一種基于擴(kuò)散的并行方法

與使用自回歸技術(shù)一次生成一個(gè)標(biāo)記的基于Transformer的模型不同，Dynex的qdLLM建立在一個(gè)擴(kuò)散模型之上，該模型并行創(chuàng)建輸出標(biāo)記。據(jù)Dynex稱，這種方法在計(jì)算上更有效，并產(chǎn)生更好的上下文一致性。

“像GPT-4或DeepSeek這樣的傳統(tǒng)模型是順序工作的，一個(gè)詞接一個(gè)詞，”Dynex聯(lián)合創(chuàng)始人兼Dynex Moonshots任務(wù)負(fù)責(zé)人Daniela Herrmann說?！皅dLLM是并行工作的。它更像人腦一樣思考，一次處理所有模式。這就是量子的力量?！?/p>

包括斯坦福大學(xué)和谷歌DeepMind在內(nèi)的幾個(gè)學(xué)術(shù)項(xiàng)目，以及主要AI技術(shù)提供商的倡議，最近開始探索基于擴(kuò)散的Transformer。

Dynex進(jìn)一步通過集成量子退火（一種量子優(yōu)化形式）來改進(jìn)文本生成過程中的標(biāo)記選擇，從而使其與眾不同。該公司聲稱，與傳統(tǒng)的LLM相比，這提高了一致性并降低了計(jì)算開銷。

去中心化和模擬量子硬件

Dynex模型的一個(gè)獨(dú)特之處在于它依賴于模擬量子行為的GPU去中心化網(wǎng)絡(luò)，而不是需要訪問實(shí)際的量子硬件。這種設(shè)計(jì)允許系統(tǒng)擴(kuò)展到Dynex描述的最多一百萬個(gè)算法量子位。

Herrmann解釋說：“任何量子算法，例如qdLLM，都正在GPU的去中心化網(wǎng)絡(luò)上計(jì)算，這些GPU有效地模擬了量子計(jì)算?！?/p>

這種類型的模擬與TensorFlow Quantum（谷歌和X公司）的工作有一些相似之處，TensorFlow Quantum還在經(jīng)典硬件上模擬量子電路以創(chuàng)建算法原型。類似地，許多科技初創(chuàng)公司和供應(yīng)商正在開發(fā)平臺，以便在物理硬件準(zhǔn)備就緒之前大規(guī)模模擬量子邏輯。

除了軟件之外，Dynex計(jì)劃在2025年推出自己的神經(jīng)形態(tài)量子芯片Apollo。與需要低溫冷卻的超導(dǎo)量子芯片不同，Apollo設(shè)計(jì)為在室溫下運(yùn)行，支持集成到邊緣設(shè)備中。

“使用神經(jīng)形態(tài)電路允許Dynex大規(guī)模模擬量子計(jì)算，最多可達(dá)100萬個(gè)算法量子位，”Herrmann解釋說?！癉ynex將開始生產(chǎn)實(shí)際的量子芯片，這些芯片也基于神經(jīng)形態(tài)范式?！?/p>

對AI效率和環(huán)境影響的量子影響

Dynex表示，qdLLM實(shí)現(xiàn)了90%更小的模型尺寸，速度提高了10倍，并且僅使用了通常用于等效任務(wù)的GPU資源的10%。這些都是重要的說法，特別是考慮到人們對AI能源消耗的日益關(guān)注。

“量子算法的效率和并行性降低了能耗，因?yàn)樗俣忍岣吡?0倍，只需要10%的GPU數(shù)量，”Herrmann說。

雖然仍然需要獨(dú)立驗(yàn)證，但Dynex的方法與Cerebras Systems的努力相呼應(yīng)，后者已經(jīng)創(chuàng)建了使用更少能量進(jìn)行訓(xùn)練任務(wù)的晶圓級芯片。另一個(gè)例子是Graphcore，其智能處理單元(IPU)旨在通過專門的并行架構(gòu)來減少AI工作負(fù)載的能源足跡。

Dynex報(bào)告稱，qdLLM在需要強(qiáng)推理的基準(zhǔn)測試中表現(xiàn)強(qiáng)勁，優(yōu)于領(lǐng)先模型，包括ChatGPT和Grok。雖然尚未發(fā)布公共基準(zhǔn)數(shù)據(jù)，但該公司表示，隨著其更接近2025年的市場發(fā)布，它將發(fā)布比較研究。在提供同行評審的基準(zhǔn)測試之前，Dynex的性能斷言仍然是軼事性的，但很有趣。

“我們定期發(fā)布qdLLM基準(zhǔn)測試，并已證明某些需要強(qiáng)推理的問題無法被ChatGPT、Grok或DeepSeek正確回答，”Herrmann指出。

更大的圖景：量子將如何影響AI？

長期來看，Dynex認(rèn)為量子計(jì)算將成為AI領(lǐng)域的核心。

“我們認(rèn)為量子將在未來5年主導(dǎo)AI，”Herrmann說。

這一預(yù)測仍然是推測性的，盡管并非沒有先例。麥肯錫、波士頓咨詢集團(tuán)和Gartner的分析師都指出，量子計(jì)算可以極大地改進(jìn)優(yōu)化和模擬任務(wù)，但對于大多數(shù)用例而言，可能要到2030年以后才會實(shí)現(xiàn)。更謹(jǐn)慎的觀點(diǎn)認(rèn)為，量子-AI混合體將首先出現(xiàn)在利基應(yīng)用中，例如藥物發(fā)現(xiàn)、金融風(fēng)險(xiǎn)建?；蚓W(wǎng)絡(luò)安全。

目前，Dynex處于一個(gè)不斷壯大的領(lǐng)域中，該領(lǐng)域正在試驗(yàn)量子增強(qiáng)或量子啟發(fā)式AI方法。他們的去中心化、基于擴(kuò)散的qdLLM能否超越基準(zhǔn)測試還有待觀察，但它的出現(xiàn)表明，對AI新基礎(chǔ)的搜索遠(yuǎn)未結(jié)束。

以上是量子啟發(fā)的AI可以與當(dāng)今的大型語言模型競爭嗎？的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！