تحول الجدل المستمر حول التعلم الآلي الكمي
طُرحت الحوسبة الكمية طويلًا بوصفها محركًا مستقبليًا للذكاء الاصطناعي، لكن الحجة الداعمة لهذا الادعاء كانت ضعيفة في كثير من الأحيان. ولم تكن أصعب مشكلة هي معالجة البيانات على آلة كمية فحسب، بل أيضًا إدخال البيانات الكلاسيكية في صيغة يمكنها الاستفادة من التأثيرات الكمية على نحو ذي معنى من الأساس. وتشير دراسة جديدة أبرزتها New Scientist إلى أن هذا الحاجز قد لا يكون مطلقًا كما افترضه كثير من الباحثين.
يقول هسين-يوان هوانغ من شركة الحوسبة الكمية Oratomic وزملاؤه إن الحواسيب الكمية ينبغي أن تكون قادرة على تقديم مزايا في التعلم الآلي والخوارزميات ذات الصلة. ويهدف تحليلهم إلى إرساء أساس رياضي لمستقبل يمكن فيه للعتاد الكمي أن يساعد في المهام الحسابية الكثيفة البيانات التي تتطلب اليوم قدرًا كبيرًا من قوة الحوسبة التقليدية.
العقبة الأساسية كانت تحميل البيانات
على مدى سنوات، تمحور التشكيك في الذكاء الاصطناعي المعزز كموميًا حول عنق زجاجة عملي. فالبيانات المجمعة من العالم غير الكمي، مثل مراجعات النصوص أو نتائج تسلسل RNA، كان يفترض أن تُشفّر في حالة تراكب كي تتمكن الحواسيب الكمية من معالجتها بسلوك كمي حقيقي. وكان الباحثون يعتقدون أن هذه الخطوة ستتطلب أجهزة ذاكرة مخصصة ضخمة إلى حد غير عملي.
هذا الافتراض مسّ جوهر المجال. فالتسريع النظري لا يفيد كثيرًا إذا كان النظام يستهلك معظم موارده فقط في إعداد المدخلات. وبعبارة أخرى، كانت وعود التعلم الآلي الكمي تصطدم باستمرار بكلفة تحويل البيانات العادية إلى شيء يمكن للحاسوب الكمي استخدامه.
مسار مختلف لتجاوز العنق الزجاجة
يقترح هوانغ وزملاؤه بديلًا لا يتطلب تخزين كل البيانات في ذاكرات كمية مخصصة هائلة قبل بدء المعالجة. وبدلًا من ذلك، يُدخل هذا النهج البيانات إلى الحاسوب الكمي على دفعات أصغر. وقد يبدو ذلك تفصيلًا تقنيًا، لكنه يغيّر النقاش حول الجدوى على نحو مهم. فإذا أمكن تحميل البيانات تدريجيًا مع الحفاظ على البنية اللازمة لتحقيق أفضلية كمية، فإن اعتراضًا عمليًا رئيسيًا يضعف.
يقدّم النص الأصلي هذا باعتباره خطوة تأسيسية لا منتجًا نهائيًا. فهو لا يقول إن الحواسيب الكمية أصبحت فجأة جاهزة للتفوق على عتاد الذكاء الاصطناعي التقليدي في المهام الواقعية اليوم. بل يقول إن الباحثين ربما بات لديهم إطار أكثر إقناعًا لفهم كيف يمكن أن يحدث ذلك في النهاية.
لماذا يهم هذا الأمر بعيدًا عن الضجيج
التعلم الآلي مدمج في العلم والصناعة والبرمجيات اليومية، ولذلك ظل احتمال الاستفادة الكمية جذابًا رغم سنوات من الشكوك. وإذا تمكنت البنى الكمية في النهاية من معالجة بعض مجموعات البيانات الكبيرة بكفاءة أعلى، فإن العائد سيتجاوز بكثير تطبيقًا واحدًا محدودًا. وسيؤثر ذلك في الطريقة التي يفكر بها الباحثون في الحدود الحسابية للذكاء الاصطناعي نفسه.
وفي الوقت نفسه، من الأفضل فهم هذا العمل بوصفه خريطة لا وجهة. فالأرضية الرياضية مهمة لأنها تحدد ما إذا كان المجال يطارد وهمًا أم هدفًا هندسيًا حقيقيًا. وفي التعلم الآلي الكمي، كان هذا التمييز مهمًا على نحو غير معتاد. فقد قدم القطاع وعودًا جريئة لسنوات، لكن المسارات العملية نحو الأفضلية ظلت بعيدة المنال.
هذا التحليل لا ينهي الجدل، لكنه يغير شروطه. فبدلًا من السؤال عما إذا كانت الحواسيب الكمية يمكن أن تساعد الذكاء الاصطناعي أصلًا، قد يسأل المجال بصورة متزايدة عن مشكلات التعلم الآلي الأنسب لهذا النهج القائم على التحميل على دفعات، وعن مدى سرعة نضج العتاد ليلحق بالنظرية. وهذا نقاش أكثر واقعية وأكثر فائدة من ذلك الذي دارت حوله أحاديث الذكاء الاصطناعي الكمي حتى الآن.
هذا المقال يستند إلى تغطية New Scientist. اقرأ المقال الأصلي.