ปัญญาประดิษฐ์แบบเพิ่มสมรรถนะเชิงควอนตัม

การผนวกรวมกันของเทคโนโลยีควอนตัมและปัญญาประดิษฐ์เปรียบดั่งถนนสองเส้นที่มุ่งจะมอบความช่วยเหลือร่วมกัน ในด้านหนึ่งการที่จะสร้างอัลกอรึทึมควอนตัมเพื่อจัดการปัญหาที่ยากจะแก้และการตีความข้อมูลเชิงควอนตัมที่เกิดจากหน่วยประมวลผลควอนตัม (กลุ่มข้อมูลที่บรรจุหน่วยความจำควอนตัม) ที่มีสัญญาณรบกวนนั้น สามารถถูกปรับปรุงอย่างยั่งยืนด้วยใช้ปัญญาประดิษฐ์เป็นตัวช่วย และในทางกลับกัน ความสามารถของอัลกอรึทึมควอนตัมในการลดทนความซับซ้อนและร่นเวลาในการคำนวณให้อยู่ในย่านของการแปรผันตามพหุนามนั้น จะช่วยให้ปัญญาประดิษฐ์ทำงานได้อย่างมีประสิทธิภาพและเสถียรภาพโดยเฉพาะในการแก้ปัญหาที่ควอมพิวเตอร์คลาสสิคไม่สามารถเทียบได้ การผนวกรวมกันของเทคโนโลยีควอนตัมและปัญญาประดิษฐ์จะทำให้เกิดการปรับปรุงศักยภาพได้อย่างมาก

ปัญญาประดิษฐ์จำเป็นต้องใช้การคำนวณเชิงควอนตัมเพื่อที่จะมุ่งไปสู่การเป็นปัญญาประดิษฐ์ทั่วไป (Artificial General Intelligence, AGI) อันซึ่งเป็นระบบที่สามารถมีกระบวนการคิดเทียบเท่ามนุษย์และเป็นเครื่องจักรที่มีจิตใต้สำนึก การผนวกรวมกันของสองเทคโนโลยีนี้จะนำไปสู่ “ปัญญาประดิษฐ์ควอนตัม” (Quantum artificial intelligence, QAI) อันซึ่งมีแก่นของคุณค่าคือการใช้อัลกอรึทึมควอนตัมเพื่อเพิ่มศักยภาพการคำนวณภายใต้ขอบเขตของปัญญาประดิษฐ์ ในปัจจุบันนี้ ปัญญาประดิษฐ์ควอนตัมยังเป็นเพียงแนวคิด มากกว่าการถูกนำไปปฏิบัติจริง เนื่องจากคอมพิวเตอร์ควอนตัมที่สามารถใช้แก้ปัญญาในชีวิตประจำวันได้จริงนั้นยังสร้างไม่สำเร็จ ซึ่งคาดหวังว่า ความท้าทายแรก ๆ ของการนำไปปฏิบัติจริง คือการคำนวณที่เพิ่มศักยภาพอัลกอรึทึมของปัญญาประดิษฐ์ อันซึ่งไม่สามารถทำได้หากใช้คอมพิวเตอร์แบบคลาสสิคในการคำนวณ ยกตัวอย่างเช่น คอมพิวเตอร์ควอนตัมสามารถฝึกฝนให้อย่างรวดเร็วแก่ เครื่องเรียนรู้ (Machine learning) การปรับอัลกอรึทึมให้ดีขึ้น การให้ตรรกะหรือเหตุผลภายใต้ความไม่แน่นอน เป็นต้น

เทคโนโลยีควอนตัม: ด้วยการมุ่งเน้นไปที่การใช้ประโยชน์คอมพิวเตอร์ควอนตัมเพื่ออัลกอรึทึมของเครื่องเรียนรู้ มีขั้นตอนพื้นฐาน 4 ขั้นตอนในการควบคุมและจำลองปัญญาประดิษฐ์ควอนตัม ขั้นตอนแรก คือ การแปลงข้อมูลให้อยู่ในรูปของแถวบรรจุข้อมูลตัวเลขหลายมิติที่เรียกว่า Quantum tensor  ขั้นที่สอง เลือกใช้แบบจำลอง Quantum neural network ที่เหมาะสม เพื่อทำการประมวลผลข้อมูลเชิงควอนตัม ได้แก่ การสังเคราะห์ข้อมูลจากสถานะพัวผันเชิงควอนตัม เป็นต้น ขั้นที่สาม สุ่มตัวอย่างจากข้อมูลเพื่อให้ได้มาซึ่งค่าเฉลี่ย โดยกลุ่มตัวอย่างจากการกระจายตัวของข้อมูล คือ ผลการวัดสถานะควอนตัมที่ถูกทำซ้ำ จนถึงจุดนี้ ข้อมูลเชิงควอนตัมจะถูกแปลงเป็นข้อมูลคลาสสิคและพร้อมสำหรับขั้นตอนที่สี่ คือ การทำแบบจำลอง Classical neural network เพื่อที่จะหาความสัมพันธ์ของข้อมูล ทั้งนี้ อัลกอรึทึมควอนตัมที่มีแนวโน้มจะใช้งานได้บนคอมพิวเตอร์ควอนตัมเพื่อเพิ่มศักยภาพปัญญาประดิษฐ์ ได้แก่ การเรียนรู้เชิงลึก (deep learning) การตัดสินใจ (decision making) การค้นหา (searching) และ ทฤษฎีเกม เป็นต้น

ผลกระทบทางตรงต่อสังคม: การปรับปรุงปัญญาประดิษฐ์ ได้แก่ การบ่งชี้อคติในชุดอัลกอรึทึมของปัญญาประดิษฐ์ กำลังของการประมวลผลข้อมูลขนาดใหญ่เพื่อสร้างระบบปัญญาประดิษฐ์และในขณะเดียวกัน ผนวกปัญญาประดิษฐ์เข้ากับระบบการทำงานที่มีอยู่ก่อนแล้วได้อย่างราบรื่น

การใช้ประโยชน์อื่น ๆ: ระบบสารสนเทศที่จะมาสนับสนุน ได้แก่ การสร้างระบบรักษาความปลอดภัยด้านข้อมูล การบ่งชี้ปัญหาต่อความปลอดภัยและการรั่วของข้อมูล การปรับปรุงโค้ด การยืนยันคุณภาพ การทำให้ระบบโครงข่ายดีขึ้น การประมวลข้อมูลอย่างไม่เกิดการติดขัด การเพิ่มความความปลอดภัยไซเบอร์ เป็นต้น

ธุรกิจหรือกิจกรรมด้านโลกเสมือนจริง ได้แก่ การเก็บและวิเคราะห์ข้อมูล การตัดสินใจอัตโนมัติ และเลือกกลุ่มเป้าหมายที่เจาะจง

ประโยชน์ด้านอื่น ๆ ได้แก่ การทำแบบจำลองระบบ neuromorphic cognitive

เทคโนโลยีควอนตัมทางเลือก: –

ระบบสนับสนุน: การประมวลผลแบบคลาวด์, การคำนวณไฮบริดควอนตัม-คลาสสิค

ภาพที่ 30 Tensor Flow Quantum (TFQ) ของบริษัท Google เป็น open-source library สำหรับ quantum machine learning learning Ref: https://research.aimultiple.com/quantum-ai/