Dynex, ein Unternehmen aus Liechtenstein, hat kürzlich sein Quantendiffusions -gro?es 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 herk?mmliche transformatorbasierte Systeme, die auf der aktuellen technologischen Infrastruktur beruhen.

Wie ist dies mit anderen aufstrebenden Ans?tzen 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 Zust?nden existieren k?nnen. Dies erm?glicht Quantencomputern, eine gro?e Anzahl potenzieller L?sungen parallel zu bewerten, die bei Aufgaben wie gro? angelegte Optimierung, Simulation oder Mustererkennung Vorteile haben k?nnen.

Im Bereich der KI haben die Forscher untersucht, wie Quantenmerkmale Aufgaben wie Verarbeitung natürlicher Sprache, Optimierung des maschinellen Lernens und Modelltrainingseffizienz verbessern k?nnen. 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, w?hrend 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 w?hrend der Textgenerierung zu verbessern. Dies erh?ht die Konsistenz und reduziert den Rechenaufwand im Vergleich zu herk?mmlichen 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 tats?chliche Quantenhardware zu erfordern. Dieses Design erm?glicht 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", erkl?rte Herrmann.

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

Zus?tzlich 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 Kantenger?te unterstützt.

"Mithilfe von neuromorphen Schaltungen kann Dynex das Quantencomputer in Ma?stab bis zu 1 Million algorithmische Qubits simulieren", erkl?rte Herrmann. "Dynex wird damit beginnen, tats?chliche 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 Modellgr??en, zehnmal schneller und verwendet nur 10% der GPU -Ressourcen, die normalerweise für ?quivalente Aufgaben verwendet werden. Dies sind wichtige Aussagen, insbesondere angesichts der zunehmenden Besorgnis über den KI -Energieverbrauch.

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

W?hrend eine unabh?ngige 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. W?hrend die ?ffentlichen Benchmark -Daten noch nicht ver?ffentlicht wurden, wird das Unternehmen eine vergleichende Studie ver?ffentlichen, da sie n?her an der Markteinführung 2025 liegt. Die Leistungsaussagen von Dynex bleiben anekdotisch, aber interessant, bis sie mit von Experten begutachteten Benchmarks versehen sind.

"Wir ver?ffentlichen qdllm Benchmarks regelm??ig und haben bewiesen, dass bestimmte Fragen, die eine starke Argumentation erfordern, von Chatgpt, Grok oder Deepseek nicht korrekt beantwortet werden k?nnen", bemerkte Herrmann.

Ein gr??eres 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 n?chsten fünf Jahre dominieren wird", sagte Herrmann.

Diese Vorhersage bleibt spekulativ, wenn auch nicht ohne Pr?zedenzfall. 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 Anwendungsf?llen ist dies jedoch erst nach 2030 m?glich. 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 Quantenvergr??erung 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 gro?sprachigen Modellen konkurrieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!