LieChtensteinの會社であるDynexは、最近、SXSW 2025イノベーション賞の決勝で量子拡散大型言語モデル（QDLLM）を立ち上げ、説得力のある開発になりました。同社は、QDLLMは、現(xiàn)在のテクノロジーインフラストラクチャに依存する従來のトランスベースのシステムよりも、生成AI出力をより速く効率的に生成できると主張しています。

これは他の新興アプローチとどのように比較されますか？これは、AIのより広い未來にとって何を意味しますか？

AIへの量子コンピューティングの重要性

量子コンピューティングのコアの違いは、量子の重ね合わせにより複數(shù)の狀態(tài)に同時に存在できるキュービットを使用することです。これにより、量子コンピューターは多數(shù)の潛在的なソリューションを並行して評価できます。これは、大規(guī)模な最適化、シミュレーション、パターン認識などのタスクに利點がある場合があります。

AIの分野では、研究者は、量子機能が自然言語処理、機械學(xué)習(xí)の最適化、モデルトレーニング効率などのタスクをどのように改善できるかを調(diào)査しました。しかし、これらの努力のほとんどはまだ初期段階にあります。たとえば、IBMとMITは、ハイブリッド量子古典モデルが特定の深い學(xué)習(xí)タスクのトレーニング時間を短縮する方法を研究している一方、Zapata AIなどのスタートアップは、感情分析と予測のための量子強化モデルを?qū)g験しています。

これに関連して、Dynexのアプローチは、量子ヒューリスティックアルゴリズムを使用して分散型ハードウェアを介してLLMをより効率的に実行する新しいアーキテクチャを?qū)毪筏蓼埂?/p>

DynexのQDLLM：拡散ベースの並列アプローチ

Autoregression手法を使用して一度に1つのタグを生成するトランスベースのモデルとは異なり、DynexのQDLLMは、出力タグを並列に作成する拡散モデルに基づいて構(gòu)築されます。 Dynexによると、このアプローチはより計算的に効率的であり、より良いコンテキストの一貫性を生成します。

「GPT-4やDeepseekなどの従來のモデルは、単語の後に連続して動作します」と、Dynex MoonshotsのDyniele Herrmannは述べています。 「Qdllmは並行して機能します。それは人間の脳に似ており、すべてのパターンを一度に処理します。それが量子の力です?！?/p>

Stanford UniversityやGoogle Deepmind、および主要なAIテクノロジープロバイダーのイニシアチブを含むいくつかの學(xué)術(shù)プロジェクトは、最近、拡散ベースの変圧器の探索を開始しました。

Dynexは、テキスト生成中のマーク選択を改善するために、量子最適化フォームである量子アニーリングを統(tǒng)合することにより、さらに區(qū)別します。これにより、一貫性が向上し、従來のLLMと比較して計算オーバーヘッドが減少します、と同社は主張しています。

分散型およびアナログ量子ハードウェア

Dynexモデルのユニークな機能の1つは、実際の量子ハードウェアへのアクセスを必要とするのではなく、量子挙動をシミュレートする分散型GPUネットワークに依存していることです。この設(shè)計により、システムはDynexによって記述された最大100萬個のアルゴリズムキミットにスケーリングできます。

「QDLLMなどの量子アルゴリズムは、量子コンピューティングを効果的にシミュレートするGPUの分散ネットワークで計算されています」とHerrmannは説明しました。

このタイプのシミュレーションには、Tensorflow Quantum（GoogleおよびX）の作業(yè)といくつかの類似點があります。これは、クラシックハードウェアの量子回路をシミュレートしてアルゴリズムプロトタイプを作成します。同様に、多くのハイテクスタートアップとベンダーは、物理的なハードウェアが準備が整う前に大規(guī)模に量子ロジックをシミュレートするためのプラットフォームを開発しています。

ソフトウェアに加えて、Dynexは2025年に獨自の神経形式量子チップアポロを発売する予定です。低溫冷卻を必要とする超伝導(dǎo)量子チップとは異なり、Apolloは室溫で動作し、エッジデバイスへの統(tǒng)合をサポートするように設(shè)計されています。

「神経変動回路を使用すると、Dynexは最大100萬個のアルゴリズムのキュービットの大規(guī)模な量子コンピューティングをシミュレートできます」とHerrmann氏は説明しました。 「Dynexは、神経形態(tài)のパラダイムにも基づいた実際の量子チップの生産を開始します。」

AIの効率と環(huán)境への影響に対する量子への影響

Dynex氏によると、QDLLMはモデルサイズが90％小さく、10倍高速で、同等のタスクに通常使用されるGPUリソ??ースの10％のみを使用しています。これらは、特にAIエネルギー消費に関する懸念が高まっていることを考えると、重要な聲明です。

「量子アルゴリズムの効率と並列性は、エネルギー消費量を10倍速く、GPUの數(shù)の10％しか必要としないため、エネルギー消費を減らします」とHerrmann氏は述べています。

獨立した検証はまだ必要ですが、Dynexのアプローチは、タスクのトレーニングに少ないエネルギーを使用するウェーハレベルのチップを作成したセレブラスシステムの努力を反映しています。別の例は、GraphCoreです。そのインテリジェント処理裝置（IPU）は、専用の並列アーキテクチャを介してAIワークロードのエネルギーフットプリントを減らすように設(shè)計されています。

Dynexは、QDLLMがベンチマークで強く実行され、強力な推論が必要であり、ChatGptやGrokを含む主要なモデルを上回ることを必要とすると報告しています。パブリックベンチマークデータはまだリリースされていませんが、同社は2025年の市場発売に近いため、比較調(diào)査をリリースすると述べました。 Dynexのパフォーマンスアサーションは逸話的なままですが、ピアレビューされたベンチマークが提供されるまで興味深いものです。

「私たちはQDLLMベンチマークを定期的に公開しており、強力な推論を必要とする特定の質(zhì)問は、ChatGpt、Grok、またはDeepseekによって正しく答えることができないことを証明しています」とHerrmann氏は述べています。

全體像：QuantumはAIにどのように影響しますか？

長期的には、Dynexは、量子コンピューティングがAIフィールドの中核になると考えています。

「Quantumは今後5年間AIを支配すると思う」とHerrmann氏は述べた。

この予測は、前例がないわけではありませんが、推測のままです。マッキンゼー、ボストンコンサルティンググループ、ガートナーのアナリストは、量子コンピューティングが最適化とシミュレーションタスクを大幅に改善できることを指摘していますが、ほとんどのユースケースでは、2030年以降まで不可能かもしれません。

現(xiàn)在、Dynexは、量子増強または量子ヒューリスティックAIメソッドを?qū)g験している成長分野にあります。分散化された拡散ベースのQDLLMがベンチマークを上回ることができるかどうかはまだわかりませんが、その出現(xiàn)は、AIの新しい基盤を検索することは終わっていないことを示唆しています。

以上が量子風(fēng)のAIは、今日の大規(guī)模な言語モデルと競合できますか？の詳細內(nèi)容です。詳細については、PHP 中國語 Web サイトの他の関連記事を參照してください。