Kvantni AI modeli: što su, kako rade i za što se koriste

Fuzija kvantnih modela umjetne inteligencije i kvantnog računarstva otvara tehnološku granicu koja je prije samo nekoliko godina zvučala kao znanstvena fantastika. Danas već imamo prave kvantne procesore, algoritme kvantnog strojnog učenja koji rade na fotonskom hardveru i velike tvrtke koje se klade na ovu disciplinu kao sljedeći veliki skok u performansama, točnosti i energetskoj učinkovitosti.

Istovremeno, klasična umjetna inteligencija nije uspjela riješiti neke izuzetno složene probleme: molekularne simulacije, optimizaciju velikih razmjera i kvantnu korekciju pogrešaka, između ostalog. Upravo u tom kontekstu pojavili su se kvantni modeli umjetne inteligencije koji koriste kubite, superpoziciju i ispreplitanje za obradu informacija na načine koje tradicionalno računalo jednostavno ne može replicirati.

Što je kvantna umjetna inteligencija i kako se razlikuje od tradicionalne umjetne inteligencije?

Kada govorimo o kvantnoj umjetnoj inteligenciji (ili kvantnoj umjetnoj inteligenciji), mislimo na novo područje koje kombinira umjetnu inteligenciju i algoritme strojnog učenja s kvantnim računarstvom. Ne radi se samo o "korištenju umjetne inteligencije za kvantne stvari", već o dizajniranju modela koji izravno iskorištavaju svojstva kubita za učenje, optimizaciju i donošenje odluka na radikalno drugačije načine.

Umjesto klasičnih bitova, koji mogu biti samo 0 ili 1 , kvantni modeli umjetne inteligencije rade s kubitima, koji mogu biti u superpoziciji stanja. To znači da jedan kvantni registar može istovremeno predstavljati velik broj kombinacija, što omogućuje procjenu mnogih rješenja odjednom u određenim problemima pretraživanja, optimizacije ili klasifikacije.

Druga ključna razlika je kvantna isprepletenost , svojstvo kojim je stanje jednog kubita u korelaciji sa stanjem drugog čak i kada su fizički odvojeni. Ova značajka omogućuje konstrukciju vrlo bogatih reprezentacijskih prostora i AI modela koji mnogo učinkovitije hvataju složene odnose između varijabli od klasičnih neuronskih mreža.

U praksi, kvantna umjetna inteligencija nije namijenjena potpunoj zamjeni klasične umjetne inteligencije, već djelovanju kao akcelerator za računalno najzahtjevnije zadatke . Stoga se velik dio trenutnih istraživanja usredotočuje na hibridne arhitekture, gdje klasično računalo koordinira protok podataka i delegira računalno najskuplje dijelove kvantnom koprocesoru.

Osnovni pojmovi: fizički kubiti, logički kubiti i ispravljanje pogrešaka

Za istinsko razumijevanje modela kvantne umjetne inteligencije, korisno je shvatiti neke osnovne koncepte kvantnog računarstva. Prvi je fizički kubit: jedinica kvantne informacije implementirana specifičnim fizičkim sustavom (zarobljenim ionima, supravodičima, fotonima itd.). Ovi kubiti su nevjerojatno osjetljivi na šum, temperaturu, magnetska polja i općenito na bilo kakvu interakciju s okolinom.

Ovaj šum uzrokuje česte pogreške u izračunima . Danas čak i najbolji kvantni procesori griješe otprilike jednom na tisuću operacija - vrlo visoka stopa kada se razmatraju kritične znanstvene ili poslovne primjene. Da bi kvantno računarstvo bilo zaista korisno u velikim razmjerima, ta stopa pogrešaka mora pasti na jednu na bilijun operacija ili čak i manje.

Tu na scenu stupaju logički kubiti i kvantna korekcija pogrešaka . Logički kubit nije fizički kubit, već apstrakcija konstruirana kombiniranjem mnogih fizičkih kubita i primjenom kodova za korekciju pogrešaka. Cilj je zaštititi kvantne informacije od šuma i smetnji, omogućujući duge i precizne izračune.

Problem je u tome što je dekodiranje ovih korekcijskih kodova i upravljanje velikim brojem potrebnih fizičkih kubita računalno zahtjevan zadatak. Tvrtke poput Nvidije predložile su modele inspirirane statističkom fizikom (poput Isingovih modela ) kako bi ubrzale proces dekodiranja. Prema njihovim internim procjenama, ove vrste modela mogle bi ponuditi do 2,5 puta veće performanse i utrostručiti točnost u zadacima ispravljanja pogrešaka na logičkim kubitima.

U tom kontekstu, kvantna umjetna inteligencija pojavljuje se kao "kontrolna ravnina" ili operativni sustav za buduće kvantne strojeve . Otvoreni modeli, koje zajednica može obučavati, mogu u stvarnom vremenu optimizirati način ispravljanja pogrešaka, programiranja logičkih vrata i distribucije dostupnih kvantnih resursa.

Kratka povijest kvantne umjetne inteligencije i njezine evolucije

Ideja korištenja kvantne mehanike za računanje nije nova. Početkom 80-ih, Richard Feynman predložio je kvantno računanje kao rješenje za vrlo specifičan problem: klasična računala nisu učinkovita u simuliranju složenih kvantnih fizičkih sustava. Kvantni sustav, tvrdio je, najbolje je simulirati drugim kvantnim sustavom.

Devedesetih godina 90. stoljeća pojavili su se prvi utjecajni kvantni algoritmi , poput Shorovog algoritma za faktorizaciju velikih cijelih brojeva mnogo brže od bilo koje poznate klasične metode i Groverovog algoritma za pretraživanje nestrukturiranih baza podataka s kvadratnim poboljšanjem složenosti. Ti su rezultati pokazali da u određenim slučajevima kvantno računalo može jasno nadmašiti klasično.

Veza između umjetne inteligencije i kvantnog računarstva počela se oblikovati početkom 2000-ih s inicijativama poput NASA- inog Laboratorija za kvantnu umjetnu inteligenciju , Googlea i Sveučilišnog udruženja za istraživanje svemira. Cilj je bio istražiti kako bi kvantno računarstvo moglo poboljšati strojno učenje i druge računalno intenzivne zadatke.

Paralelno s tim, razvijali su se prvi algoritmi kvantnog strojnog učenja , pokušavajući iskoristiti superpoziciju i prepletenost kako bi ubrzali zadatke klasifikacije, regresije, klasteriranja i optimizacije. Dugi niz godina većina napretka bila je teorijska ili se temeljila na simulacijama na klasičnom hardveru.

Danas se razgovor promijenio: sve je veći fokus na praktičnim primjenama kvantne umjetne inteligencije , s hibridnim arhitekturama i stvarnim platformama poput Qiskit (IBM), TensorFlow Quantum (Google) ili Amazon Braket, koje nude alate za dizajn, simulaciju i pokretanje kvantnih algoritama i modela umjetne inteligencije na hardveru ili simulatorima u oblaku.

Fizički principi koji omogućuju kvantnu umjetnu inteligenciju

Snaga kvantnih AI modela proizlazi iz dva temeljna principa kvantne mehanike: superpozicije i isprepletenosti. Superpozicija omogućuje kubitu da bude istovremeno u kombinaciji 0 i 1, što omogućuje kvantnom registru da paralelno predstavlja eksponencijalni broj mogućih stanja.

Isprepletenost, sa svoje strane, stvara duboke korelacije između kubita koje nemaju klasični ekvivalent. Promjena stanja jednog kubita trenutno utječe na stanje njegovog isprepletenog partnera, bez obzira na udaljenost. Na algoritamskoj razini, to se prevodi u vrlo kompaktne informacijske strukture za hvatanje složenih ovisnosti između varijabli.

U kvantnoj umjetnoj inteligenciji, koncept kubita zamjenjuje tradicionalni bit kao osnovnu jedinicu informacije. Dok bit može imati samo jednu vrijednost (0 ili 1) u bilo kojem trenutku, kubit omogućuje superpozicije obje, što dovodi do mnogo složenijih matematičkih operacija koje se izvršavaju paralelno.

Kvantna računala koja pokreću ove modele zahtijevaju izuzetno stroge uvjete: temperature blizu apsolutne nule (oko -273°C), gotovo potpunu izolaciju od okoline, zaštitu od Zemljinog magnetskog polja i visokoprecizne zatvorene komore. Inače, svaka vanjska interakcija uzrokuje dekoherenciju, urušavajući superpozicije i uništavajući izračun.

Nakon što su ovi uvjeti zajamčeni, kubiti su sposobni izvoditi izračune ogromne složenosti ultrabrzim brzinama , otvarajući vrata napretku u medicini, biologiji, financijama, znanosti o materijalima ili fizičkim simulacijama koje su trenutno izvan dosega klasičnog računarstva.

Veza između kvantnog računarstva i umjetne inteligencije

Kvantno računarstvo i klasična umjetna inteligencija već su, pojedinačno, dvije od najrevolucionarnijih tehnologija našeg vremena. Zajedno, ukazuju na promjenu paradigme za industrije poput farmaceutike, financija, logistike i znanosti o podacima općenito.

Konvencionalna umjetna inteligencija oslanja se na matematičke i statističke modele koji, iako vrlo moćni, ne uvijek točno prikazuju složenost i neizvjesnost fizičkog svijeta. Kvantno računarstvo, s druge strane, rođeno je upravo kako bi opisalo probabilističke sustave i pojave na atomskoj skali, što se prirodno poklapa s mnogim problemima predviđanja i simulacije.

Integracija oba rezultira hibridnim AI sustavima, kombinirajući klasičnu AI i kvantnu AI . Klasični hardver orkestrira podatkovni cjevovod, upravlja predobradom i obavlja jednostavnije zadatke, dok je kvantni hardver posvećen složenijim dijelovima: kombinatornoj optimizaciji, uzorkovanju, probabilističkim simulacijama i visokodimenzionalnim izračunima.

Već postoje operativni projekti koji slijede ovu filozofiju, kao što su Qiskit, TensorFlow Quantum i Amazon Braket , koji omogućuju istraživačima i tvrtkama eksperimentiranje s kvantnim algoritmima integriranim u standardne AI tijekove rada. Ova kombinacija također potiče razvoj kvantne mreže, temeljene na fotonima, satelitima i optičkim vlaknima, koja se počinje primjenjivati ​​u regijama poput Kine, Sjedinjenih Američkih Država i Europske unije.

Kako se otkrića u kvantnoj fizici i strojnom učenju razvijaju, kvantna umjetna inteligencija predodređena je da bude ključni element u postizanju takozvane "kvantne nadmoći" u određenim područjima i u dizajniranju novih usluga i aplikacija koje je danas nemoguće zamisliti s klasičnim resursima.

Kvantni algoritmi relevantni za umjetnu inteligenciju

Kvantni algoritmi rade na kvantnim računalima i koriste superpoziciju za istovremeno istraživanje mnogih rješenja, umjesto da sekvencijalno procjenjuju svaku mogućnost kao što bi to učinio klasični sustav. Neki od njih su posebno relevantni za umjetnu inteligenciju.

Jedan od najpoznatijih je Groverov algoritam , koji je formulirao Lov Grover 90-ih. Osmišljen je za pretraživanje elementa u neuređenom popisu s kvadratnim poboljšanjem u odnosu na najbolji klasični algoritam. Svaki element baze podataka predstavljen je kao kvantno stanje unutar superpozicije koja obuhvaća sve unose, a interferencija pojačava vjerojatnost mjerenja ispravnog stanja.

Groverov algoritam već se koristi u područjima kao što su kriptoanaliza, optimizacija i simulacija fizičkih sustava . Njegova sposobnost ubrzavanja pretraživanja može se prevesti u značajna poboljšanja u zadacima umjetne inteligencije vezanim uz pronalaženje informacija ili istraživanje vrlo velikih prostora rješenja.

Drugi ključni element je Shorov algoritam , koji je dizajnirao Peter Shor 1994. godine. Pokazao je da kvantno računalo može faktorizirati velike cijele brojeve u polinomnom vremenu, nešto što je nedostižno za trenutne klasične metode velikih razmjera. To predstavlja prijetnju velikom dijelu kriptografije javnog ključa koju danas koristimo na internetu.

Iako Shor sam po sebi nije algoritam umjetne inteligencije, bio je ključan u unapređenju istraživanja kvantnog računarstva i inspirirao je mnoga istraživanja kvantnih algoritama za optimizaciju, učenje i modeliranje podataka. Iz tih temelja nastali su specifični koncepti kvantne umjetne inteligencije, poput kvantnih neuronskih mreža i kvantnog učenja s potkrepljenjem.

Razlike između kvantnih modela umjetne inteligencije i drugih vrsta umjetne inteligencije

Tradicionalna umjetna inteligencija crpi inspiraciju iz ljudske inteligencije za rješavanje problema i obuhvaća tehnike poput strojnog učenja, dubokog učenja i generativne umjetne inteligencije. Radi s klasičnim bitovima, determinističkim (ili pseudo-slučajnim) operacijama i arhitekturama koje se razvijaju prilagođavanjem milijuna ili milijardi parametara.

Danas generativna umjetna inteligencija može učiti i replicirati tekst, slike, video, kod ili čak molekularne strukture, ali njezine performanse su ograničene dostupnom računalnom snagom i troškovima energije povezanim s obukom divovskih modela na distribuiranim infrastrukturama.

Kvantna umjetna inteligencija nije jednostavno „više istog“: zamišljena je kao eksponencijalni pojačivač umjetne inteligencije. Njena sposobnost obrade informacija u znatno različitim dimenzijama s manje resursa otvara vrata modelima treniranja s mnogo učinkovitijim parametrima ili obavljanju zadataka koji su u praksi nepremostivi za klasično superračunalo.

Konzultantske tvrtke i analitičari predviđaju da bi ovi napredci mogli značajno povećati globalni BDP u nadolazećim desetljećima ubrzavanjem inovacija, smanjenjem vremena razvoja i otključavanjem novih poslovnih prilika. Jedan ilustrativan primjer je smanjenje vremena obuke za modele velikih jezika (LLM), s tjedana na sate, za stvaranje visoko specijaliziranih AI asistenata u složenim tehničkim ili znanstvenim područjima.

Nadalje, kvantna umjetna inteligencija uvodi nove načine dizajniranja inteligentnih sustava: ne radi se samo o pokretanju klasične neuronske mreže na kvantnom računalu, već o osmišljavanju izvorno kvantnih algoritama za učenje, zaključivanje ili prepoznavanje uzoraka, iskorištavajući fenomene poput interferencije ili kolapsa valne funkcije.

Prednosti kvantne umjetne inteligencije za obuku i korištenje AI modela

Jedna od velikih prednosti kvantne umjetne inteligencije je njezin potencijal drastičnog smanjenja troškova treniranja modela umjetne inteligencije. Treniranje generativnih sustava ili baznih modela s milijardama parametara trenutno zahtijeva premještanje ogromnih količina podataka kroz duboke neuronske mreže, s milijunima matematičkih operacija u svakoj iteraciji.

Ovaj proces uključuje ogromnu potrošnju računalnih resursa i energije , složene distribuirane implementacije i vrlo visoke ekonomske troškove. U teoriji, dobro dizajniran kvantni procesor mogao bi izvršavati milijune operacija paralelno unutar jednog čipa, eliminirajući dio potrebe za masovno distribuiranim arhitekturama za određene faze obuke.

Višeprocesorske kvantne konfiguracije omogućile bi treniranje AI modela u mjerilima nezamislivim danas , rješavajući daleko složenije ili višedimenzionalne probleme. Nadalje, utjecaj vrhunske AI na okoliš mogao bi se značajno smanjiti ako bismo mogli iskoristiti kvantni hardver koji je energetski učinkovitiji od trenutnih velikih podatkovnih centara.

Još jedna ključna prednost je poboljšana točnost predviđanja . Sposobnost kvantnog računarstva za izvođenje naprednih probabilističkih simulacija i rješavanje optimizacijskih problema velikih razmjera omogućuje razmatranje više varijabli, interakcija i scenarija u okruženjima visokog rizika.

U financijskom sektoru, na primjer, kvantna umjetna inteligencija mogla bi transformirati procjenu rizika, analizu portfelja i predviđanje tržišta . Kombiniranjem detaljnih tržišnih podataka s bezbrojnim varijablama paralelno, mogla bi generirati daleko nijansiranija predviđanja od onih koja su trenutno dostupna, dajući investitorima i institucijama odlučujuću prednost u odnosu na tradicionalne modele.

Znanstvene i poslovne primjene kvantne umjetne inteligencije

Potencijal kvantne umjetne inteligencije nije ograničen na ubrzavanje onoga što već radimo, već omogućuje i nove načine rada i istraživanja . U znanstvenom području, mogla bi radikalno skratiti vrijeme potrebno za istraživanje golemih područja istraživanja, od molekula do materijala ili cijelih klimatskih scenarija.

U medicini i farmaciji, kvantna umjetna inteligencija omogućuje simulaciju složenih kemijskih reakcija s neviđenom vjernošću , istraživanje tisuća molekularnih konfiguracija u kratkom vremenu te predviđanje njihove učinkovitosti i potencijalnih nuspojava. To ubrzava otkrivanje lijekova i personalizaciju tretmana za razne bolesti.

U klimatologiji i znanostima o Zemlji, njegova sposobnost obrade skupova podataka na planetarnoj razini omogućuje poboljšane modele predviđanja klime, predviđanje ekstremnih događaja i osmišljavanje učinkovitijih politika ublažavanja ugljičnog otiska. Slično tome, u znanosti o materijalima olakšava dizajn tvari s naprednim svojstvima za energiju, elektroniku ili građevinarstvo.

Na razini poduzeća, kvantna umjetna inteligencija izvrsno se snalazi u zadacima optimizacije procesa : od planiranja logističkih ruta do dodjele resursa u tvornicama, upravljanja zalihama i organiziranja složenih rasporeda. Kvantni optimizacijski algoritmi mogu pronaći kvalitetnija rješenja u kraćem vremenu, generirajući značajne uštede i u troškovima i u vremenu.

U kriptosigurnosti i zaštiti podataka, kvantna računala mogu probiti određene trenutne kriptografske sheme, ali se također mogu koristiti za dizajniranje novih sustava šifriranja otpornih na kvantne napade . Modeli kvantnog strojnog učenja pomažu u analizi sigurnosnih konfiguracija i predlaganju robusnih dizajna za novo doba.

Poslovni slučajevi upotrebe: korisnička služba, lanac opskrbe, prijevara i farmaceutski proizvodi

Osim općih primjena, već se pojavljuju konkretni poslovni slučajevi upotrebe kvantne umjetne inteligencije , koji ilustriraju njezin utjecaj u stvarnom svijetu. Jedan takav primjer je korisnička služba. Korištenjem kvantnog računarstva za analizu velikih količina nestrukturiranih podataka (e-pošte, chatova, poziva, društvenih mreža) u stvarnom vremenu, tvrtke mogu predvidjeti ponašanje kupaca i ponuditi hiperpersonaliziranu podršku.

To se prevodi u prediktivni angažman : sustav identificira obrasce i preporučuje proizvode ili usluge koje će korisniku vjerojatno trebati prije nego što ih uopće zatraži; proaktivno rješava probleme i prilagođava ton i sadržaj svakoj osobi. Rezultat je preventivna usluga koja povećava zadovoljstvo i poboljšava operativnu učinkovitost.

Još jedno brzo razvijajuće područje je optimizirano upravljanje lancem opskrbe . Globalni lanci opskrbe su složeni, krhki i vrlo osjetljivi na poremećaje. Kvantni algoritmi umjetne inteligencije mogu obraditi ogromne količine podataka (vremenske uvjete, geopolitiku, potražnju, promet, logističke kapacitete) kako bi predvidjeli poremećaje, prilagodili razinu zaliha i rekonfigurirali rute u stvarnom vremenu.

Ovim pristupom tvrtke postižu preciznije upravljanje zalihama na vrijeme , smanjuju troškove logistike, minimiziraju kašnjenja i smanjuju otpad. Lanac opskrbe kojim se upravlja kvantnom umjetnom inteligencijom ponaša se kao mnogo otporniji i agilniji sustav, sposoban proaktivno reagirati na iznenadne promjene, a ne naknadno.

U financijskom sektoru, kvantna umjetna inteligencija pozicionira se kao ključni saveznik u naprednom otkrivanju prijevara . Za razliku od tradicionalnih sustava, koji sekvencijalno obrađuju podatke i često imaju visoke stope lažno pozitivnih rezultata, kvantni modeli mogu istovremeno analizirati više tokova podataka, identificirajući vrlo suptilne obrasce i anomalije.

To značajno smanjuje lažno pozitivne rezultate, poboljšava korisničko iskustvo (manje blokiranih legitimnih transakcija) i smanjuje operativne troškove smanjenjem potrebe za ručnim pregledima. Nadalje, mogućnost proaktivnog identificiranja prijetnji omogućuje osmišljavanje učinkovitijih obrambenih strategija protiv sve sofisticiranijih prijevara.

Farmaceutska industrija također prolazi kroz duboku transformaciju zahvaljujući kvantnoj umjetnoj inteligenciji. Simuliranjem molekularnih interakcija „kvantnom brzinom“, istraživačko-razvojni timovi mogu identificirati kandidate za lijekove u tjednima umjesto godinama, procijeniti njihovu stabilnost, afinitet za specifične receptore i potencijalnu toksičnost prije nego što pristupe skupim kliničkim ispitivanjima.

Ovaj pristup umnožava brzinu otkrivanja lijekova, poboljšava točnost predviđanja učinkovitosti i nuspojava te smanjuje rizik od neuspjeha ispitivanja u zadnji čas , što rezultira ekonomskim uštedama i potencijalom za spašavanje mnogo više života ubrzavanjem dolaska tretmana na tržište.

Ključni primjer: kvantni procesor koji nadmašuje klasičnu umjetnu inteligenciju

Nedavna prekretnica savršeno ilustrira prirodu kvantnih modela umjetne inteligencije koja mijenja ere . Međunarodni tim predvođen Sveučilištem u Beču uspio je postići da kvantni sustav prvi put pobijedi klasičnu umjetnu inteligenciju u zadatku klasifikacije podataka, području u kojem su prije dominirali tradicionalni strojevi.

Demonstracija je provedena pomoću fotonskog kvantnog procesora izgrađenog na Politehničkom sveučilištu u Milanu, koji koristi fotone (svjetlosne čestice) za implementaciju algoritma. Zadatak je bio klasificirati različite vrste podataka, baš kao što to AI sustavi rade svakodnevno u prepoznavanju slike, glasa ili uzoraka potrošača.

Kvantni algoritam, koji je dizajnirala tvrtka Quantinuum, pravio je manje pogrešaka od svog klasičnog pandana i trošio je daleko manje energije. Fotonski sustavi gotovo da ne zahtijevaju dodatnu energiju za obradu informacija, jer rade izravno sa svjetlošću, dok konvencionalna računala trebaju ogromne količine energije za premještanje i pohranu podataka.

U vrijeme kada veliki modeli umjetne inteligencije postaju sve moćniji, ali i energetski intenzivniji, ova razlika postaje ključna. Istraživači naglašavaju da nije potrebno ići puno dalje od trenutne kvantne tehnologije kako bi se vidjele konkretne prednosti u određenim zadacima strojnog učenja.

Osim tehničkog postignuća, ovaj eksperiment označava promjenu paradigme u kvantnom strojnom učenju : pokazuje da mali kvantni procesori već mogu ponuditi jasna poboljšanja u točnosti i učinkovitosti kod problema klasifikacije u stvarnom svijetu, predviđajući brži, točniji i održiviji način razvoja i primjene modela umjetne inteligencije.

Izazovi, trenutno stanje i budući izgledi

Unatoč ogromnom potencijalu, kvantna umjetna inteligencija suočava se sa znatnim izazovima . Jedan je čisto fizički: održavanje stabilnosti kubita i njihovo skaliranje bez šuma i dekoherencije koji uzrokuju porast pogrešaka. Drugi je arhitektonski: dizajniranje softverskih sustava, programskih okvira i razvojnih alata koji omogućuju izgradnju i otklanjanje pogrešaka složenih modela.

S etičkog i regulatornog stajališta, kombinacija ogromne računalne snage i pristupa osjetljivim podacima zahtijeva robusne okvire upravljanja. Mogućnost probijanja kriptografskih sustava ili zaključivanja izuzetno osjetljivih obrazaca zahtijeva nove standarde za sigurnost, privatnost i kontrolu korištenja.

Tu je i izazov s talentima: kvantna umjetna inteligencija zahtijeva stručnjake sa stručnošću u kvantnoj fizici, računarstvu, matematici i strojnom učenju - složenoj mješavini vještina. Obuka stručnjaka bit će ključna za prevođenje trenutnih istraživanja u konkretne proizvode i usluge u tom području.

Unatoč svemu, smjer se čini jasnim. Inicijative poput Quantum Spain i drugih europskih programa posvećene su razvoju i primjeni kvantnih tehnologija, dok institucije poput Europske komisije ukazuju na to da će ovaj novi tehnološki val poboljšati ljudsko iskustvo i transformirati cijele sektore gospodarstva.

Ukratko, modeli kvantne umjetne inteligencije počinju se seliti s bijelih ploča i laboratorija na funkcionalni hardver koji već nadmašuje klasičnu umjetnu inteligenciju u specifičnim zadacima, s manjom potrošnjom energije i većom točnošću. Kako se ispravljanje pogrešaka, hibridne arhitekture i izvorni kvantni algoritmi razvijaju, vidjet ćemo kako ova kombinacija kubita i inteligencije postaje svakodnevni alat za tvrtke, znanstvenike i vlade, tiho mijenjajući način na koji rješavamo neke od najsloženijih problema našeg vremena.