Kvantni AI: Šta se dešava kada veštačka inteligencija dobije podršku kubita?

Spoj veštačke inteligencije (Artificial Intelligence) i kvantnog računarstva (Quantum Computing) trenutno je jedna od najglasnijih tema u IT industriji. Razlog je jednostavan: veliki jezički modeli (LLM – Large Language Models) postaju sve skuplji za treniranje, zahtevniji za pokretanje i energetski intenzivniji. Kvantni računari obećavaju drugačiji način rešavanja određenih matematičkih problema – ali teorijsko obećanje još uvek nije proizvodna revolucija.

Quantum AI (kvantna AI) najrealnije treba posmatrati kao hibridni pristup. Klasični procesori i GPU-ovi ostaju zaduženi za ogromne količine podataka i većinu neuronskih mreža, dok bi QPU (Quantum Processing Unit) mogao preuzeti posebne optimizacione, simulacione i kombinatorne zadatke. Teorijski radovi istražuju kako kvantno mapiranje i optimizacija mogu pomoći učenju modela, ali aktuelni kvantni hardver i dalje ograničavaju buka, gubitak koherencije i mali broj upotrebljivih kubita.

U ovom tekstu objašnjavamo šta su kubiti, gde kvantni računari realno mogu pomoći AI-ju, zašto ideja o „treniranju LLM-a na kvantnom računaru” još nije spremna za masovnu upotrebu i zbog čega će u budućnosti verovatno pobediti hibridni modeli.

Ključne poruke

Drugačija paradigma: Kvantni računar nije „brži laptop”, već potpuno drugačiji tip računara sposoban da koristi superpoziciju, interferenciju i spregnutost kvantnih stanja.
Hibridni modeli: Kvantni AI je danas pre svega istraživačka oblast. Najrealniji modeli su hybrid quantum-classical systems (hibridni kvantno-klasični sistemi).
Bez GPU zamene: Nema dokaza da će aktuelni kvantni računari uskoro preuzeti kompletno treniranje velikih jezičkih modela, niti da će automatski smanjiti cenu AI-ja.
Perspektiva: Najveći potencijal leži u optimizaciji, simulaciji materijala i molekula, kao i rešavanju kombinatornih problema.
Terminologija: Kvantno računarstvo (rad sa kubitima) i AI quantization (kompresija težina modela sa 32-bitnih na 8-bitne vrednosti) nisu ista stvar.

Prvo razdvojimo dve „kvantne” stvari

U AI svetu se često mešaju dva potpuno različita pojma:

Quantum computing (Kvantno računarstvo): Fizička oblast koja koristi kubite, kvantna stanja, superpoziciju i specijalizovane kvantne algoritme.
Quantization (Kvantizacija modela): Klasična softverska tehnika optimizacije. Podrazumeva smanjenje preciznosti numeričkih vrednosti u modelu (npr. sa 32-bitnih na 8-bitne brojeve) kako bi model zauzimao manje memorije i radio brže na slabijem hardveru.

Kvantizacija modela ne zahteva kvantni računar. LLM koji ste pokrenuli lokalno na svom računaru može biti „quantized”, a da nikada nije bio blizu pravih kubita. Zato, kada čitate o „Kvantnoj AI”, govorimo o pokušaju spajanja klasičnih LLM algoritama i pravih kvantnih procesora (QPU).

Šta su kubiti, bez mistike?

Bit: Klasični računar koristi bit koji ima vrednost 0 ili 1.
Kubit (Qubit): Kvantni računar koristi kubit koji se (dok se ne izmeri) može opisati kao kvantna kombinacija stanja 0 i 1. To se naziva superpozicija.
Kvantna spregnutost (Entanglement): Stanje jednog kubita može biti usko povezano sa stanjem drugog.
Interferencija: Kvantni algoritam se programira tako da pojača verovatnoću dobijanja tačnog rezultata, a smanji verovatnoću pogrešnih.

Ovo ne znači da kvantni računar „proba sve odgovore odjednom” i magično izbaci tačan rezultat. Računar mora biti programiran tako da njegova stanja evoluiraju u korist rešenja problema, nakon čega se vrši merenje.

Zato broj kubita u marketinškom saopštenju nije najvažniji podatak. Kvalitet kubita, kontrola grešaka i stabilnost su ključni – 1.000 loših kubita nije automatski bolje od 100 stabilnih.

Zašto AI traži novi oblik računarstva?

Savremeni AI modeli troše ogromne resurse iz tri osnovna razloga:

Imaju stotine milijardi parametara.
Obrađuju masivne skupove podataka.
Uče kroz ogroman broj iteracija (pretežno putem množenja matrica).

Rast veličine modela nije beskonačno održiv. Tu nastaje privlačna ideja: šta ako deo najtežih problema – pretraga mogućih rešenja i simulacija kompleksnih sistema – može da se rešava kvantnim algoritmima?

Gde bi kvantni AI realno mogao da pomogne?

Najrealnija budućnost nije „ChatGPT radi samo na kvantnom računaru”. Realnija je stroga podela poslova.

1. Optimizacija modela

Treniranje neuronske mreže svodi se na podešavanje parametara kako bi se smanjila greška (loss function). Klasični algoritmi (poput stohastičkog gradijentnog spusta) rade odlično, ali kvantni pristupi (poput QAOA – Quantum Approximate Optimization Algorithm) istražuju da li bi kvantni procesor mogao pomoći u pronalaženju boljih konfiguracija ili bržem izlasku iz „lokalnih minimuma”.

2. Quantum feature mapping

U klasičnom mašinskom učenju, podaci se često transformišu u oblik koji model lakše razdvaja. Kvantni pristupi pokušavaju slično: mapiranje klasičnih podataka u kvantni prostor. Problem? Da bi kvantni računar radio sa klasičnim podacima, oni se prvo moraju kodirati, što je izuzetno spor proces za ogromne tekstualne baze.

3. Simulacija molekula i materijala

Ovo je najkonkretnija oblast primene. Kvantni sistemi po prirodi najbolje simuliraju kvantnu fiziku (molekovi, elektroni, reakcije). Dok AI može da predloži kandidate za novi lek ili bateriju, kvantni računar ih može precizno simulirati, smanjujući potrebu za skupim laboratorijskim testovima.

4. Kombinatorna optimizacija

Problemi sa milijardama kombinacija (raspored dostave, logistika, energetske mreže) postaju teški i za superračunare. Kvantni annealing pristupi istražuju kako da AI predvidi parametre, a kvantni deo pronađe najkvalitetniju rutu ili raspored resursa.

Da li će kvantni računar trenirati LLM brže i jeftinije?

Pošten odgovor: možda jednog dana za određene delove procesa, ali danas to nije potvrđena industrijska realnost.

Da bi kvantni računar samostalno istrenirao LLM poput GPT-a ili Claude-a, potrebno je učitati terabajte podataka, sačuvati i sinhronizovati parametre, i sve to na stabilnom hardveru otpornom na greške. Kvantni računari danas funkcionišu u tzv. NISQ (Noisy Intermediate-Scale Quantum) eri – što znači da pate od dekoherencije, šuma i nestabilnosti.

Kvantna prednost vs. Korisna prednost

Često se pominje quantum advantage (kvantna prednost), ali ona ima tri nivoa:

Teorijska prednost: Matematički razlog zašto bi algoritam bio brži.
Eksperimentalna prednost: Mali eksperiment pokazuje dobar rezultat na ograničenom problemu.
Praktična prednost: Sistem je jeftiniji, pouzdaniji i korisniji u realnom poslovnom okruženju.

U Quantum AI svetu trenutno se nalazimo između prvog i drugog koraka.

Hibridni model: Najverovatniji scenario (Data centar 2030.)

Malo je verovatno da će AI data centre budućnosti činiti samo kvantne mašine. Mnogo je realniji slojevit sistem:

CPU: Za opšte poslove i orkestraciju podataka.
GPU / AI akceleratori: Za neuronske mreže i masovne matrične operacije.
QPU (Kvantni procesor): Za specifične optimizacione i kombinatorne zadatke.

U ovom scenariju, QPU postaje specijalizovani koprocesor, baš kao što GPU nije izbacio CPU iz upotrebe, već je preuzeo specifičan deo posla.

Da li će Quantum AI biti energetski efikasniji?

Nije korektno porediti samo potrošnju samog kvantnog čipa sa potrošnjom GPU klastera i zaključiti da je kvantno računanje „zelenije”.

Prava energetska prednost mora se meriti na nivou celog sistema, uključujući: složenu infrastrukturu, kriogeno hlađenje na temperaturama blizu apsolutne nule, kontrolnu elektroniku, kao i energiju potrebnu za prenos ogromne količine podataka. Tek kada korisni rezultati nadmaše ovaj infrastrukturni trošak, možemo govoriti o energetskoj isplativosti.

Šta to znači za kompanije u Srbiji?

Domaće kompanije nemaju razloga da danas kupuju egzotični hardver ili prave velike budžete za QPU integracije. Ipak, oblast treba pratiti, posebno u sledećim industrijama:

Kriptografija: Prelazak na post-quantum kriptografiju radi zaštite podataka na duge staze.
Logistika i proizvodnja: Optimizacija procesa koji imaju previše promenljivih za klasične sisteme.
Finansije i farmacija: Modeliranje rizika i hemijskih procesa.

Pravilo za prepoznavanje PR-a od stvarnog projekta: Ako pročitate izjavu „Koristimo kubite i AI da promenimo budućnost“, a ne vidite podatak sa kojom klasičnom metodom je rešenje upoređeno i koja metrika je poboljšana – gledate u marketinšku prezentaciju, a ne u tehnološki napredak.

Budućnost AI-ja

Najprovokativnija istina o kvantnoj veštačkoj inteligenciji je sledeća: budućnost AI-ja verovatno neće pripasti onima koji naprave najveći mogući model. Pripašće onima koji nauče da model treniraju i pokreću inteligentnije – sa manje računanja, manje sirove energije i pametnijim oslanjanjem na specijalizovani hardver, bilo on GPU, NPU ili QPU.

Kvantni AI nije sledeći taster koji ćete kliknuti u podešavanjima ChatGPT-a. Promene neće doći kroz „kvantni chatbot”, već kroz tiše i važnije stvari: preciznije simulacije, revolucionarnu hemiju i pametnije korišćenje računarske snage.

Korisni izvori:

Kvantni AI nije sledeći taster koji ćete kliknuti u podešavanjima ChatGPT-a. To je dug put od fizičkih eksperimenata do pouzdanog računanja. Ali ako kubiti ikada zaista preuzmu deo najtežih AI problema, promene neće doći kroz spektakularni „kvantni chatbot”, već kroz tiše i važnije stvari: bolju optimizaciju, preciznije simulacije i pametnije korišćenje računarske energije.