Multiverse Computing, hiszpańska firma specjalizująca się w obliczeniach kwantowych, przetestowała kwantowe sieci neuronowe (Quantum Neural Networks, QNN) zintegrowane z dużym modelem językowym liczącym 30 miliardów parametrów. To jeden z pierwszych publicznie opisanych przypadków, w których architektura kwantowa styka się z modelem LLM tej skali – i choć wyniki wymagają dalszej weryfikacji, samo podjęcie eksperymentu sygnalizuje, że granica między obliczeniami kwantowymi a generatywną AI zaczyna się zacierać szybciej, niż większość środowiska się spodziewała.
Na czym polegał eksperyment z 30-miliardowym modelem?
Multiverse Computing przeprowadziło testy, w których komponenty oparte na kwantowych sieciach neuronowych zostały włączone do struktury modelu językowego klasy 30B – czyli modelu o 30 miliardach parametrów. Modele tej skali należą do kategorii, które standardowo wymagają ogromnych zasobów obliczeniowych przy treningu i inferencji.
Podejście firmy zakłada, że wybrane warstwy lub moduły sieci mogą zostać zastąpione lub uzupełnione przez obwody kwantowe. Zamiast klasycznych operacji na macierzach parametrów, QNN korzystają z właściwości mechaniki kwantowej – superpozycji i splątania – do reprezentowania i przetwarzania informacji w sposób niedostępny dla klasycznego sprzętu.
Czym są kwantowe sieci neuronowe?
Kwantowa sieć neuronowa to architektura obliczeniowa, która łączy koncepcję sieci neuronowej z wykonaniem na komputerze kwantowym lub hybrydowym układzie kwantowo-klasycznym. Zamiast klasycznych neuronów z wagami liczbowymi, QNN operują na kubitach i bramkach kwantowych, które można parametryzować i optymalizować podobnie jak wagi w klasycznej sieci.
Kluczową obietnicą tej technologii jest potencjalnie lepsza efektywność reprezentacji – teoretycznie kwantowy obwód o mniejszej liczbie parametrów może kodować przestrzeń rozwiązań, której odtworzenie klasyczną siecią wymagałoby znacznie więcej zasobów. Praktyczna realizacja tej obietnicy pozostaje jednak aktywnym obszarem badań.
Hybrydowe podejście jako pomost
Multiverse Computing stosuje model hybrydowy: klasyczne warstwy modelu językowego współpracują z modułami kwantowymi, które wykonywane są na dedykowanym sprzęcie lub symulatorze. Takie podejście pozwala omijać obecne ograniczenia liczby kubitów i poziomu szumów w dzisiejszych procesorach kwantowych, zachowując jednocześnie mierzalne korzyści z kwantowego przetwarzania w wybranych fragmentach obliczeń.
Redakcja IWD Partner: Eksperyment Multiverse Computing przypomina nieco pierwsze próby akceleracji sieci neuronowych na GPU – wtedy też nie było pewności, czy sprzętowa specjalizacja przyniesie systemowy przełom, czy pozostanie akademicką ciekawostką. Pytanie, które warto postawić, brzmi: czy obecne procesory kwantowe są wystarczająco dojrzałe, by hybryda z LLM klasy 30B dawała przewagę mierzalną w praktycznych zastosowaniach, a nie tylko w warunkach laboratoryjnych?
Skala 30B – dlaczego właśnie ta klasa modeli?
Model o 30 miliardach parametrów plasuje się w średniej-wyższej kategorii współczesnych dużych modeli językowych – poniżej największych architektur liczących setki miliardów parametrów, ale dalece powyżej modeli, które można uruchomić na konsumenckim sprzęcie. Wybór tej klasy ma znaczenie praktyczne: modele 30B są już stosowane w rzeczywistych wdrożeniach biznesowych i naukowych, więc wyniki testów kwantowych komponentów mają potencjalne przełożenie na realne zastosowania.
Testowanie QNN w tak dużym modelu, a nie w miniaturowej architekturze badawczej, to sygnał, że Multiverse Computing chce pokazać skalowalność swojego podejścia – a nie tylko dowód koncepcji działający wyłącznie na zabawkowych danych.
Oś czasu: kwantowe AI w liczbach i datach
- 2018 – pierwsze prace badawcze nad parametryzowanymi obwodami kwantowymi jako odpowiednikami sieci neuronowych zaczynają pojawiać się w głównym nurcie literatury naukowej.
- 2019 – Google ogłasza osiągnięcie tzw. supremacji kwantowej na procesorze Sycamore, przyspieszając zainteresowanie praktycznymi zastosowaniami obliczeń kwantowych.
- 2021–2023 – rozkwit badań nad hybrydowymi algorytmami kwantowo-klasycznymi; firmy takie jak Multiverse Computing rozwijają produkty ukierunkowane na optymalizację i uczenie maszynowe.
- 14 listopada 2026 – Multiverse Computing publikuje wyniki testów QNN zintegrowanych z modelem LLM klasy 30B.
Co eksperyment zmienia dla przyszłości modeli językowych?
Jeśli wyniki testów się potwierdzą i hybryda kwantowo-klasyczna okaże się efektywniejsza obliczeniowo od czysto klasycznego odpowiednika, może to otworzyć nową ścieżkę skalowania modeli językowych – nie przez dodawanie kolejnych klasycznych GPU, lecz przez selektywne zastępowanie fragmentów sieci komponentami kwantowymi.
Dla przemysłu oznaczałoby to presję na producentów sprzętu kwantowego, by dostarczali procesory kompatybilne z frameworkami treningowymi AI. Dla laboratoriów badawczych – nową zmienną w wyścigu o efektywność energetyczną modeli, która jest dziś jednym z głównych ograniczeń dalszego skalowania.
Według wstępnych danych, kluczowym wyzwaniem pozostaje integracja na poziomie oprogramowania: frameworki takie jak PyTorch czy JAX nie zostały zaprojektowane z myślą o kwantowych backendach, a każda hybryda wymaga dziś indywidualnej inżynierii połączeń między klasycznym a kwantowym segmentem obliczeń.
Powiązane pojęcia z AI i uczenia maszynowego
- Duży model językowy (LLM) – sieć neuronowa trenowana na ogromnych zbiorach tekstu, zdolna do generowania, tłumaczenia i analizowania języka naturalnego; liczona w miliardach parametrów.
- Kubit – podstawowa jednostka informacji w komputerze kwantowym, która – w odróżnieniu od klasycznego bitu – może znajdować się w superpozycji stanów 0 i 1 jednocześnie.
- Parametryzowany obwód kwantowy (PQC) – obwód kwantowy zawierający bramki o regulowanych parametrach, trenowany metodami gradientowymi analogicznie do klasycznych sieci neuronowych.
- Superpozycja kwantowa – właściwość układu kwantowego pozwalająca mu znajdować się w wielu stanach jednocześnie, aż do momentu pomiaru.
- Inferencja – faza użytkowania modelu AI polegająca na generowaniu odpowiedzi lub prognoz na podstawie wcześniej wyuczonych wag, w odróżnieniu od fazy treningu.
Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: Quantum Zeitgeist (14.11.2026).
Zdjęcie: Viktor Mindt / Unsplash
