به گزارش سیلاد، بر کسی پوشیده نیست که هوش مصنوعی با چه سرعت شگفت‌انگیزی در حال توسعه است. بر اساس گزارش امسال شاخص هوش مصنوعی دانشگاه استنفورد، سرمایه‌گذاری روی هوش مصنوعی مولد در سال ۲۰۲۳ افزایش قابل‌توجهی پیدا کرد و به ۲۵٫۲ میلیارد دلار رسید که نشان‌دهنده افزایش ۸ برابری سرمایه‌گذاری نسبت به سال قبل است.
به نقل از هوشیو، در حال حاضر به نظر می‌رسد که هر شرکت، برنامه هوش مصنوعی خودش را دارد، اما زمان آن فرا رسیده که به جایگاه محاسبات کوانتومی در برنامه هوش مصنوعی فکر کنیم. شرکت‌هایی که برای سرمایه‌گذاری در محاسبات کوانتومی و هوش مصنوعی به مزایای ترکیبی فناوری‌ها و تقاضای انرژی نیم‌نگاهی داشته باشند، در آینده در موقعیت خوبی قرار خواهند گرفت و مزیت رقابتی به دست می‌آورند.
دوقطبی کوانتوم و هوش مصنوعی در صنعت
چگونه این دو فناوری، منابع و توانمندی‌های صنعت را به هم متصل خواهند کرد؟ هوش مصنوعی در خودکارسازی وظایف و ساده‌سازی فرایندها پیشرو است و با کشف الگوها، روندها و بینش‌ها به کسب‌وکارها در تصمیم‌گیری مبتنی بر داده‌ها کمک می‌کند. از سوی دیگر، محاسبات کوانتومی در بهینه‌سازی حل مسائل پیچیده؛ مانند مدیریت زنجیره تأمین، کارایی تولید، برنامه‌ریزی کارکنان و کاهش انتشار مؤثرند.
به هر جهت این دو فناوری مکمل یکدیگرند. به این معنا که محاسبات کوانتومی نشان می‌دهند که چگونه می‌توان هوش مصنوعی را با امکان آموزش مدل‌های دقیق‌تر و کارآمدتر و استفاده از قابلیت‌های پیش‌بینی برای ارائه استفاده‌های تجاری بهینه‌تر ارتقا داد. به‌زودی، کامپیوترهای کوانتومی می‌توانند هوش مصنوعی را برای موارد خاصی به نحوی تقویت کنند که از نظر هزینه و انرژی پایدارتر باشد.
از سوی دیگر دلایل قانع‌کننده زیادی وجود دارد که چرا رهبران باید از حالا درباره استراتژی محاسبات کوانتومی در کنار هوش مصنوعی سازمانی فکر کنند. علاوه بر این، لازم است آن‌ها گام‌های مشخصی برای ساخت آینده کوانتومی و هوش مصنوعی خود بردارند.
رایانه‌های کوانتومی می‌توانند به توسعه مدل‌های دقیق‌تر هوش مصنوعی کمک کنند. همان‌طور که هوش مصنوعی به تکامل خود ادامه می‌دهد، منابع محاسباتی موردنیاز نیز برای آموزش و استقرار مدل‌ها به شکل تصاعدی رشد می‌کنند. محاسبات کوانتومی می‌توانند برخی از چالش‌های ناشی از افزایش پیچیدگی و اندازه مدل‌های هوش مصنوعی را کاهش دهند. تصور کنید که بتوان از محاسبات کوانتومی برای ساخت مدل‌های دقیق‌تر و کامل‌تر استفاده کرد و به کسب‌وکارها کمک شود تا بدون محدودیت‌های محاسبات کلاسیک، از هوش مصنوعی بیشترین بهره را ببرند.
کاربرد در داروسازی
در حوزه کشف دارو، هوش مصنوعی کوانتومی می‌تواند با تجزیه‌وتحلیل ساختارهای مولکولی، داروهای جدیدی را شناسایی کند. این مدل‌های هوش مصنوعی با استفاده از داده‌های بزرگ مرتبط با ساختار مولکول‌ها، پیش‌بینی‌هایی در مورد طراحی مولکول‌های جدید ارائه می‌دهند.
به‌عبارت‌دیگر، از طریق مدل‌های کوانتومی می‌توان به‌صورت معکوس مهندسی کرد و با توجه به نیازهای خاص، مولکول‌هایی را طراحی کرد که متخصصان در ابتدا به آن‌ها نمی‌رسیدند و فقط، فضای کشف آن‌ها را گسترش می‌دادند. به‌طورکلی ترکیب هوش مصنوعی و رایانش کوانتومی می‌تواند در تسریع فرایند کشف داروها و توسعه داروهای مؤثر بسیار تأثیرگذار باشند.
آموزش AI با انرژی کمتر
هوش مصنوعی در سال‌های اخیر پیشرفت‌های چشمگیری داشته است. بااین‌حال، مقدار عظیم انرژی موردنیاز برای توسعه و اجرای الگوریتم‌های این فناوری یکی از معضلات آن است. برآوردهای آژانس بین‌المللی انرژی نشان می‌دهد که مصرف جهانی برق در حوزه هوش مصنوعی، مراکز داده و ارزهای دیجیتال تا سال ۲۰۲۶ دو برابر خواهد شد.
اما در مقایسه با محاسبات کلاسیک، فناوری محاسبات کوانتومی برای توسعه مدل‌های پیشرفته هوش مصنوعی از نظر انرژی کارآمدتر و بهینه‌تر است. این بدان معناست که محاسبات کوانتومی می‌تواند به تقویت پیشرفت‌های هوش مصنوعی در زمینه‌هایی مانند یادگیری عمیق، پردازش زبان طبیعی و بینایی کامپیوتری با مصرف انرژی کمتر کمک کند.
ممکن است لجستیک زنجیره تأمین و سناریوهای تولیدی پیچیده سودمند باشند
در این مسیر صنایعی مانند لجستیک و تولید با چالش‌های پیچیده‌ای مواجه می‌شوند که با در نظر گرفتن مواردی مانند مدیریت موجودی، ظرفیت انبار و برنامه‌ریزی مسیر تحویل، متغیرها و محدودیت‌های متعددی را شامل می‌شود.
هوش مصنوعی می‌تواند با تجزیه‌وتحلیل حجم وسیعی از داده‌ها و در نظر گرفتن عواملی مانند فروش تاریخی، روند بازار و رفتار مصرف‌کننده، پیش‌بینی‌های بسیار دقیقی را از فروش انجام دهد.
با توجه به اینکه امروزه پایداری به ضرورتی تجاری تبدیل شده است، هوش مصنوعی کوانتومی می‌تواند به سازمان‌های تولیدکننده کمک کند تا تقاضا را با دقت بیشتری پیش‌بینی کنند و تولید را با تقاضا همسو کنند. این توانمندی، تولید کالاهای اضافی و کاهش ضایعات را از طریق زنجیره تأمین به حداقل خواهد رساند.
با استفاده از محاسبات کوانتومی برای بهینه‌سازی مسیریابی و تولید و مدیریت موجودی بر اساس پیش‌بینی مبتنی بر هوش مصنوعی، می‌توان به سازمان‌ها کمک کرد تا نیاز به حمل‌ونقل و ذخیره‌سازی را کاهش دهند؛ درنتیجه از هزینه‌ها کاسته و جلوی انتشار کربن نیز تا حد زیادی گرفته می‌شود.
حال این سؤال مطرح می‌شود که رهبران برای ورود هوش مصنوعی کوانتومی به شرکت‌های خود باید چه کنند؟
۱. کوانتوم را برای به حداکثر رساندن تأثیر هوش مصنوعی ترکیب کنید.
محاسبات کوانتومی، واقعیت دور از دسترسی نیست؛ بلکه فرصتی کنونی است و رهبران باید ابتکاراتی را رهبری کنند که کاوش و پذیرش محاسبات کوانتومی امروزی را در کنار تلاش‌ها برای مقیاس‌بندی هوش مصنوعی در اولویت قرار می‌دهند.
تیم‌ها می‌توانند شناسایی مواردی را آغاز کنند که هوش مصنوعی کوانتومی امروزی می‌تواند در آن‌ها تأثیر بگذارد، به‌خصوص برای ساخت مدل‌های دقیق‌تر و آموزش مدل‌های کارآمدتر که باید در اولویت رهبران قرار گیرد. علاوه بر این، رهبران باید از همین امروز روی هوش مصنوعی کوانتومی سرمایه‌گذاری کنند تا توسعه سریع و استقرار برنامه‌ها را در آینده تسهیل کنند.
۲. تیم‌ها را برای شناسایی موارد استفاده کوتاه‌مدت از هوش مصنوعی کوانتومی درگیر کنید
استفاده‌های کوتاه‌مدت و در حال ظهوری به‌ویژه در زمینه‌های لجستیک، زنجیره تأمین، تولید و علوم زیستی مشاهده شده است که برای هوش مصنوعی کوانتومی مناسبند. رهبران لازم است که تیم‌های داخلی خود را برای شناسایی مواردی که هوش مصنوعی کوانتومی می‌تواند چالش‌های تجاری خاص آن‌ها را تسهیل کند، مشارکت دهند.
درگیر کردن تیم‌های برای شناسایی مشکلاتی که به هوش مصنوعی کوانتومی مربوطند، نه‌تنها به تسریع تأثیر هوش مصنوعی کوانتومی در سازمان کمک می‌کند، بلکه فرهنگ نوآوری و سازگاری را نیز جا می‌اندازد.
* همه تصاویر با استفاده از هوش مصنوعی DALL-E 3 تولید شده است.
۵۴۵۴
