Es handelt sich weniger um eine Fusion als um einen gegenseitigen Beistandspakt zwischen Technologien, die bei unterschiedlichen Problemen hervorragende Leistungen erbringen. Die Vorteile fließen in beide Richtungen.
ANGELA WEISS/AFP via Getty Images
Eine Version dieses Artikels erschien ursprünglich im AI & Tech-Newsletter von Quartz. Melden Sie sich hier an, um die neuesten Nachrichten, Analysen und Einblicke zu KI und Technik direkt in Ihren Posteingang zu erhalten..
Jahrelang waren künstliche Intelligenz und Quantencomputing die beiden Lieblinge der Technologiewellen: Es wurde versprochen, alles zu revolutionieren, während es wenig über Labordemos und Risikokapitalpräsentationen hinaus lieferte. Dann kam ChatGPT hinzu, und plötzlich war KI real, allgegenwärtig und brachte große Investitionen ein. Jetzt ist das Quantencomputing, das sich immer noch weitgehend auf Labore mit spezialisierter Hardware beschränkt, vielleicht endlich an der Reihe, auch - mitgezogen von der Dynamik der KI.
Schließen Sie sich über 500.000 Lesern an, die ihren Tag mit Quartz beginnen.
Mit dem Abonnieren stimmen Sie unseren Nutzungsbedingungen und unserer Datenschutzrichtlinie zu.
Die beiden Technologien konvergieren auf eine Weise, die beiden zugutekommt. KI hilft beim Bau besserer Quantencomputer, optimierende Algorithmen und die Entwicklung von Echtzeit-Fehlerkorrekturen, die fehlertolerante Quantenmaschinen der Realität näher bringen könnten. In der Zwischenzeit zeigen Quantenprozessoren vielversprechende Ergebnisse bei spezifischen KI-Aufgaben wie Betrugserkennung, der Generierung synthetischer Datensätze zum Trainieren von KI-Modellen und potenziell zur Senkung der enormen Energiekosten, die aktuelle KI-Systeme belasten.
Es ist weniger eine Fusion als ein gegenseitiger Unterstützungspakt zwischen Technologien, die bei grundlegend unterschiedlichen Problemen glänzen.
KI erweist sich als unverzichtbar, um die größten Herausforderungen der Quantenphysik zu bewältigen. Nvidias Zusammenarbeit mit Google $GOOGL Quantum AI zeigt, wie das in der Praxis funktioniert. Die Plattform des Chipherstellers half, die Physik von Quantenprozessoren zu simulieren, eine entscheidende Arbeit, um "Rauschen" zu verstehen und zu reduzieren — die Fehler, die Quantenhardware plagen und die Dauer von Berechnungen begrenzen. Simulationen, die eine Woche gedauert hätten, sind jetzt in Minuten fertig. In der gesamten Branche verwenden maschinelle Lernwerkzeuge zur Verbesserung des Designs von Quantenschaltkreisen und Fehlerkorrektur, um die Skalierungsherausforderungen zu bewältigen, vor denen Quantensysteme stehen.
Die Vorteile fließen in beide Richtungen. Quantencomputer sind bei bestimmten Optimierungsproblemen, die klassische Maschinen überfordern, überlegen. Joe Depa, der globale Chief Innovation Officer von EY, weist auf die Betrugserkennung als vielversprechende Anwendung hin, bei der Quantenalgorithmen zugrunde liegende Muster erkennen können, die andere übersehen, was besonders wertvoll ist, wenn qualitativ hochwertige Trainingsdaten knapp oder teuer sind. Noch ehrgeiziger könnte quantengenerierte synthetische Daten große KI-Modelle für Materialforschung und chemische Simulationen im Bereich der Arzneimittelentdeckung, der Kohlenstoffabscheidung und des Batteriedesigns trainieren, die klassische Computer unzumutbar lange benötigen würden, um sie zu berechnen.
Es gibt auch einen Energieaspekt. Der Energiehunger der KI stellt Versorgungsunternehmen vor die Herausforderung, den Strombedarf von Rechenzentren zu decken. Depa sagt, dass es erheblichen Optimismus gibt, dass zukünftige quantenverstärkte Algorithmen mit deutlich reduziertem Energieverbrauch trainieren könnten, obwohl dies immer noch weitgehend spekulativ bleibt.
Die Infrastrukturanforderungen unterscheiden sich dramatisch. Während KI auf bestehenden Cloud-Setups skaliert, erfordert Quantenextreme Kühlung und spezialisierte Einrichtungen. Einige wenige große Akteure, darunter IBM $IBM gehen dieses Problem an, indem sie Quantenprozessoren in ihre Supercomputing-Infrastruktur integrieren und Hybridsysteme aufbauen, die klassische und Quantenrechenleistung kombinieren. Aber außerhalb dieser begrenzten Pilotprojekte besteht das Henne-Ei-Problem weiterhin: Unternehmen werden nicht in Quanteninfrastruktur investieren, bis Anwendungen nachweislich funktionieren, und Anwendungen können nicht nachgewiesen werden, ohne dass eine zugängliche Infrastruktur vorhanden ist.
Dann gibt es das Interpretierbarkeitsproblem. KI wird bereits als „Black Box“ kritisiert, bei der selbst Entwickler Schwierigkeiten haben, zu verstehen, wie Modelle zu Schlussfolgerungen kommen. Quantencomputing fügt eine weitere Dimension der Unverständlichkeit hinzu. Die Quantenzustände, die der Technologie ihre Kraft verleihen, sind grundsätzlich nicht erkennbar, während sie gemessen werden. Dies ist keine technische Einschränkung, sondern ein Merkmal der Quantenmechanik selbst. Wenn die Technologien konvergieren, können die resultierenden Systeme doppelt unverständlich sein, was Fragen des Vertrauens und der regulatorischen Genehmigung aufwirft, die keines der beiden Bereiche hinreichend beantwortet hat.
Es gibt auch eine Sicherheitsüberlegung. Quantencomputer, die leistungsstark genug sind, um die Arzneimittelentwicklung zu optimieren, könnten die meisten aktuellen Verschlüsselungen brechen. Sicherheitsexperten warnen davor, dass Kriminelle möglicherweise bereits heute verschlüsselte Daten sammeln, um sie zu entschlüsseln, sobald Quantenrechner dies können – eine „Ernte jetzt, entschlüsseln später“-Strategie, die dringend Cybersicherheits-Upgrades erforderlich macht, noch bevor Quanten kommerzielle Marktreife erreicht.
Die Architektur, die KI allgegenwärtig gemacht hat, könnte dasselbe für Quanten tun, wenn die Technologie ausgereift ist, bevor die Unternehmensaufmerksamkeit woandershin wandert.
Im Moment ist es eher eine arrangierte Ehe als eine Liebesgeschichte zwischen zwei vielversprechenden Technologien, die immer noch herausfinden, ob sie sich ergänzen oder nur konkurrieren.
