رایانش کوانتومی هنوز تا استفاده گسترده تجاری چند سال فاصله دارد. بااینحال دولتها از همین حالا بودجه زیادی برای جدیگرفتن آن میگذارند. آمریکا حدود ۲ میلیارد دلار پشت این بخش گذاشته است؛ سرمایهای که به تولید «تراشه» (Chip: قطعه اصلی پردازشی در سختافزار) و «قطعات کوانتومی» مرتبط است.
چیزی که شبیه بودجه پژوهشی به نظر میرسد، میتواند برنامهریزی برای زیرساختهای بزرگترِ یک «پشته محاسباتی» (Compute stack: مجموعه لایههای سختافزار و نرمافزارِ لازم برای پردازش) در زیرِ هوش مصنوعی باشد.
شتاب گرفتن راهبردهای ملی
تعهد آمریکا شامل حدود ۱ میلیارد دلار برای کارخانه تولید تراشههای کوانتومی IBM در نیویورک و ۳۷۵ میلیون دلار دیگر برای GlobalFoundries جهت پشتیبانی از تولید قطعات کوانتومی است. فرانسه هم در چارچوب راهبرد کوانتومی و «ریزالکترونیک» (Microelectronics: ساخت قطعات الکترونیکی بسیار کوچک مثل مدارها و تراشهها) ۱.۵ میلیارد یورو متعهد شده است. این اعداد شبیه کمکهزینههای کوچک پژوهشی نیستند؛ بیشتر شبیه سیاستگذاری راهبردی در سطح بالا هستند.
اگر چرخه زیرساخت هوش مصنوعی را دنبال کرده باشید، این الگو آشناست. قبل از همهگیر شدن «هوش مصنوعی مولد» (Generative AI: هوش مصنوعی که متن/تصویر/کد تولید میکند)، زنجیره تامین در حال شکلگیری بود: GPUها، تراشههای پیشرفته، ظرفیت رایانش ابری، دیتاسنترها، تجهیزات شبکه و نیاز به برق، همه تبدیل به بخشهایی از تجارت هوش مصنوعی شدند.
رایانش کوانتومی در مرحله بسیار ابتداییتری است، اما منطق مشابه است. دولتها قبل از مهم شدن تجاریِ فناوری، توان داخلی میخواهند. یعنی مسیر را میسازند قبل از اینکه ترافیک جدی برسد.
این به معنی مناسب بودنِ سرمایهگذاری روی همه شرکتهای کوانتومی از همین امروز نیست. اما یعنی این حوزه از پژوهش صرفِ آزمایشگاهی عبور کرده و وارد برنامهریزی زیرساختیِ بلندمدت شده است.
توضیح ساده رایانش کوانتومی
در سادهترین حالت:
- رایانههای معمولی از «بیت» استفاده میکنند (۰ یا ۱)
- رایانههای کوانتومی از «کیوبیت» استفاده میکنند (۰، ۱، یا هر دو بهطور همزمان با «برهمنهی» / Superposition: حالت همزمان چند وضعیت)
کیوبیتها میتوانند با «درهمتنیدگی» (Entanglement: پیوندی که باعث میشود وضعیت یک کیوبیت بهصورت غیرمعمول به کیوبیت دیگر وابسته شود) به هم وصل شوند؛ طوری که وضعیت یکی روی دیگری اثر بگذارد و سیستمهای معمولی بهسختی بتوانند آن را تقلید کنند. این روشِ خاص برای بررسی همزمان تعداد بسیار زیادی از پاسخهای ممکن، میتواند در بعضی مسئلهها برتری واقعی بدهد؛ مسئلههایی که حلشان با سختافزار معمولی ممکن است سالها طول بکشد.
بااینحال، رایانش کوانتومی همه کارها را سریعتر نمیکند و «نسخه بهترِ رایانه معمولی» نیست. این سیستمها در حوزههای مشخص بهترند: شبیهسازی شیمی (مدلکردن رفتار مولکولها)، تحلیل رمزنگاری (Cryptographic analysis: بررسی روشهای رمزگذاری و شکستن/ارزیابی آنها)، بهینهسازیِ بزرگمقیاس (پیدا کردن بهترین جواب بین گزینههای زیاد)، و برخی کارهای یادگیری ماشین.
برای بیشتر کارهای فعلی، بهویژه «آموزش» و «استنتاج» هوش مصنوعی در مقیاس بزرگ (Training: یادگیری مدل با دادهها؛ Inference: استفاده از مدل برای تولید خروجی)، GPUها ابزار اصلی هستند. GPUهایی مثل تراشههای H200 انویدیا یا ابررایانه هوش مصنوعی Colossusِ اسپیسایکس عمدتاً در اختیار رهبران فعلی بازار هوش مصنوعی هستند.
رایانش کوانتومی ممکن است در آینده قدرتمند شود، اما مزیت کوتاهمدتش محدود است. فرصتهای بهتر میتواند برای شرکتهایی باشد که «پل» بین سیستمهای معمولی امروز و توان کوانتومی آینده را میسازند.
وضعیت فعلی پیشرفت در حوزه کوانتوم
دستگاههای کوانتومی امروز را معمولاً «NISQ» مینامند؛ یعنی «رایانه کوانتومیِ میانمقیاسِ پرنویز» (Noisy intermediate-scale quantum: دستگاهی با تعداد کیوبیت متوسط که خطا/نویز زیاد دارد). معنی عملیاش ساده است: ماشینهای فعلی برای آزمایش و پژوهش مفیدند، اما برای استفاده گسترده تجاری هنوز قابلاعتماد نیستند.
این دستگاهها هنوز با «نرخ خطا» (Error rate: میزان اشتباه محاسبات)، نیاز به «سرمایش شدید» (Cooling: خنکسازی بسیار قوی برای پایدار ماندن کیوبیتها)، و تعداد کیوبیت محدود میشوند. رایانش کوانتومیِ مفید فقط ساخت فیزیکی نیست؛ مهم این است که کیوبیتها پایدار بمانند و خطا کنترل شود.
نکته مثبت این است که پیشرفتها حالا در سطح «معماری سختافزار» (Hardware architecture: طراحی چیدمان و ساختار اجزای دستگاه) هم رخ میدهد، نه فقط در حد نظریه.
تراشه Willow گوگل پیشرفتهایی در «تصحیح خطای کوانتومی» (Quantum error correction: روشهایی برای تشخیص و جبران خطاهای محاسبات کوانتومی) و عملکردِ معیارسنجی نشان داد. معرفی Majorana 1 مایکروسافت به یک معماری احتمالیِ «کیوبیت توپولوژیک» اشاره داشت (Topological qubit: نوعی طراحی کیوبیت که هدفش پایداری بیشتر در برابر خطاست) که اگر در مقیاس بزرگ تایید شود، میتواند مسیر باثباتتری بدهد. IBM هم نقشه راهی ارائه کرده که هدفش رسیدن به «مزیت کوانتومیِ نزدیکمدت» (Quantum advantage: جایی که دستگاه کوانتومی در یک کار مشخص از رایانه معمولی بهتر عمل میکند) تا پایان ۲۰۲۶ و توان «تحملخطا» در مقیاس بزرگتر (Fault-tolerant: سیستمی که با وجود خطاها باز هم درست کار کند) تا ۲۰۲۹ است.
این یعنی رایانش کوانتومیِ تجاری همین نزدیکی نیست. اما نشان میدهد حوزه از رکوردهای پراکنده آزمایشگاهی به مسیرهای مهندسی روشنتر نزدیک میشود. چالش این است که این پیشرفتها در مقیاس بزرگ تکرار شوند، داخل سیستمهای قابلاستفاده ادغام شوند، و فرض نکنیم همه نقطهعطفها دقیقاً سر وقت میرسند.
وضع سختافزار بهتر شده است. زمانبندی تجاری هنوز عامل نامشخص است.
نقطه اتصال کوانتوم و هوش مصنوعی
آمادگی در بالاترین سطح است. بانکها، سازمانهای دولتی، ارائهدهندگان خدمات درمانی، شرکتهای خدمات عمومی (آب/برق/گاز) و پیمانکاران دفاعی، دادههایی دارند که باید سالها امن بمانند. گسترش هوش مصنوعی هم فوریت را بیشتر میکند؛ مثل چیزی که در نتایج Okta دیده شد. هرچه شرکتها داده حساس بیشتری تولید، ذخیره و جابهجا کنند، توجیهِ سرمایهگذاری روی زیرساخت امنیتی قویتر سادهتر میشود.
مسیر محتمل برای رایانش کوانتومی «ادغام» است، نه بههمریختن ناگهانی بازار.
سیستمهای «ترکیبیِ کوانتومی-کلاسیک» (Hybrid quantum-classical: ترکیب رایانه معمولی با بخش کوانتومی) به شرکتها اجازه میدهد توان کوانتومی را آزمایش کنند و همزمان روی زیرساخت فعلی تکیه داشته باشند. سیستم RacQ از Equal1 و Dell یک نمونه است. این سیستم به شکل «رَکمونت» (Rack-mounted: نصبشونده داخل قفسه استاندارد دیتاسنتر) طراحی شده تا به چیدمان معمول دیتاسنتر نزدیکتر باشد.
خریداران سازمانی فقط چون فناوری پیشرفته است سراغش نمیروند؛ وقتی میپذیرند که با فرایندهای فعلی سازگار باشد، فروشنده پشتیبانی کند و دلیل روشن برای استفاده وجود داشته باشد.
سیستمهای ترکیبی همچنین برای سختافزارهای پشتیبانِ رایانش کوانتومی تقاضا ایجاد میکنند: الکترونیک کنترل، سیستمهای سرماسازِ بسیار سرد (Cryogenic systems: تجهیزات ایجاد دماهای خیلی پایین)، قطعات آنالوگ (Analogue components: قطعاتی که با سیگنال پیوسته کار میکنند)، ابزارهای پردازش سیگنال، و توان محاسباتیِ قویِ معمولی.
تلاقی نوآوریهای کوانتومی و هوش مصنوعی را میتوان در این بخشها خلاصه کرد:
- بهبود سیستمهای کوانتومی با هوش مصنوعی – استفاده از یادگیری ماشین برای کمک به تصحیح خطا، کالیبراسیون (Calibration: تنظیم دقیق دستگاه برای کارکرد درست)، پژوهش مواد، و طراحی سیستم (در آزمایشگاهها در حال انجام است)
- امنیت سایبریِ پساکوانتومی – ارتقای رمزگذاری قبل از اینکه رایانههای کوانتومیِ قدرتمند بتوانند سیستمهای فعلی را تهدید کنند. (هماکنون در هزینهکرد دولتها جریان دارد)
- سیستمهای ترکیبیِ کوانتومی-کلاسیک – «پردازنده کمکی» کوانتومی (Co-processor: پردازندهای که کنار پردازنده اصلی کارهای خاص را انجام میدهد) برای کارهای محدود اما با ارزش بالا. (زیرساخت در حال شکلگیری است اما از نظر مهندسی چالش دارد)
- کارهای هوش مصنوعی با کمک کوانتوم – کمک احتمالی در بهینهسازی یا بخشی از فرایندهای یادگیری ماشین.
اینجا داستان سرمایهگذاری واقعیتر میشود. شرکتهایی که لایههای لازم را تامین میکنند ممکن است قبل از تجاری شدنِ سختافزارِ کوانتومیِ خالص، درآمد بسازند.
بازارها جلوتر از واقعیت حرکت میکنند
کوانتوم همه عناصر یک روایت جذاب بازار را دارد: امنیت ملی، تقاضای هوش مصنوعی، تراشههای پیشرفته و تغییر بلندمدت در محاسبات. همین هم قیمتگذاری بیش از حد را آسان میکند.
برخی شرکتهای کاملاً کوانتومی (Pure-play: شرکتی که تقریباً فقط روی یک حوزه تمرکز دارد) همین حالا ارزشگذاریهایی میگیرند که بر پایه بازاری در آینده است؛ بازاری که هنوز کامل شکل نگرفته. برنامه گزارششده Terra Quantum برای ورود به نزدک از طریق SPAC (SPAC: شرکت «چک سفید» برای ورود سریعتر به بورس) با ارزشگذاری حدود ۳.۵ میلیارد دلار یک نمونه است. تمرکز این شرکت روی الگوریتمها، ابزارهای امنیتی و سیستمهای ترکیبی، آن را به بخش کاربردیتر نزدیک میکند، اما ارزشگذاری هنوز به سرعت شکلگیری تقاضای تجاری وابسته است.
زمانبندی ساخت سختافزار همچنان ریسک است.
- نقشه راه IBM برای بازار نقطههای قابلردیابی میدهد، اما زمانبندیها ممکن است عقب بیفتد.
- رویکرد کیوبیت توپولوژیکِ مایکروسافت میتواند مهم باشد، اما هنوز به تایید گسترده در مقیاس بزرگ نیاز دارد.
- پیشرفت گوگل در تصحیح خطا مهم است، اما کاربرد تجاری آزمون جداگانهای دارد.
هزینهها هم مهماند. سختافزار کوانتومی به قطعات ویژه، سرمایش بسیار شدید، تولید دقیق، و سیستمهای کنترل پیچیده وابسته است. با بزرگتر شدن سیستمها، ممکن است هزینهها آنطور که سرمایهگذاران انتظار دارند سریع پایین نیاید.
این میتواند قبل از اینکه درآمد به اندازه کافی بزرگ شود، به شرکتهای سختافزاری فشار بیاورد.
در VT Markets چه چیزهایی در حال حرکت است
VT Markets امکان ورود زودهنگام به حرکتهای بازارِ نزدیک به نوآوریهای کوانتومی را فراهم میکند. فرصت کوتاهمدت بیشتر در لایههایی است که قبل از رسیدن رایانههای کوانتومیِ تحملخطا سود میبرند.
مثل ساخت زنجیره تامین هوش مصنوعی، رویکرد بهتر این است که کوانتوم را یک «پشته» ببینیم، نه یک معامله واحد. در کوتاهمدت، قرار گرفتن در معرض این موضوع ممکن است بیشتر از شرکتهایی بیاید که اکوسیستم را ممکن میکنند، قبل از اینکه رایانههای کوانتومیِ تحملخطا در مقیاس تجاری برسند.
IBM از طریق نقشه راه کوانتومی و نقش تولیدیاش، مستقیمترین حضور را در بازار عمومی دارد. ارتباط انویدیا متفاوت است: در نقش پل میان پردازندههای کوانتومی و محاسبات معمولی قرار میگیرد؛ جایی که شبیهسازی، تصحیح خطا و یکپارچهسازی سیستم (System integration: کنار هم کار کردن اجزای مختلف در یک سیستم کاربردی) سالها مهم میماند.
نامهای امنیت سایبری میتوانند گزینه کوتاهمدت تمیزتری باشند. Palo Alto Networks، Fortinet و CrowdStrike شرکتهای کوانتومیِ خالص نیستند، اما نزدیک به بودجههای امنیت سازمانی هستند که «مهاجرت پساکوانتومی» (Post-quantum migration: جابهجایی از روشهای رمزگذاری قدیمی به روشهای مقاومتر) میتواند فعال کند.
سختافزارِ کوانتومیِ خالص (Pure-play) سود بالقوه بیشتری دارد، اما ریسک اجرای بالاتری هم دارد. خرید این لایه یعنی روی پیشرفت در فیزیک، مهندسی و تولید حساب باز کنید، نه فقط روی تقاضا.
رایانش کوانتومی «هوش مصنوعی بعدی» به معنای ساده و مستقیم نیست. احتمالاً بخشی از زیرساختِ زیرِ هوش مصنوعی، امنیت سایبری و محاسبات پیشرفته میشود.
فرصت این نیست که فرض کنیم رایانههای کوانتومی قرار است GPUها را کنار بزنند یا یکشبه هوش مصنوعی را متحول کنند. فرصت در لایههای زیرین است: تولید تراشه، سیستمهای ترکیبی، سختافزار کنترل، و امنیت سایبریِ پساکوانتومی.
این موضوع ارزش دنبال کردن دارد، اما روایت قابلسرمایهگذاری انتخابی است و ریسک اصلی، ارزشگذاری است. اگر سهامهای کوانتومی قبل از آماده شدن سختافزار، بازارِ کاملاً شکلگرفته را در قیمت لحاظ کنند، معامله شکننده میشود.
برای سرمایهگذارانی که از قبل در زیرساخت هوش مصنوعی حضور دارند، حرکت عملی این نیست که دنبال هر خبر کوانتومی بدوند؛ بلکه این است که بفهمند «در معرض کوانتوم بودن» در سبدشان از کجا آمده و آیا آگاهانه بوده است یا نه.
برای پرسشهای پرتکرار ضربه بزنید
رابطه رایانش کوانتومی و هوش مصنوعی چیست؟
رایانش کوانتومی جایگزین هوش مصنوعی نمیشود، اما میتواند بخشی از زیرساختِ زیرِ آن باشد. هوش مصنوعی میتواند با تصحیح خطا و طراحی سیستم به بهبود سیستمهای کوانتومی کمک کند و پردازندههای کوانتومی شاید بعداً برای کارهای تخصصی که برای رایانههای معمولی سخت است به کار بیایند.
آیا رایانههای کوانتومی جای GPU را میگیرند؟
در کوتاهمدت نه. GPUها سختافزار اصلی برای آموزش و استنتاجِ هوش مصنوعی هستند. رایانههای کوانتومی برای مسئلههای محدود مثل بهینهسازی، شبیهسازی، رمزنگاری و برخی کارهای علمی مناسبترند.
چرا امنیت سایبریِ پساکوانتومی همین حالا مهم است؟
شرکتها آماده میشوند چون ممکن است دادههای حساسِ دزدیدهشده امروز، در آینده و با رایانه کوانتومیِ قدرتمند رمزگشایی شود. استانداردهای ۲۰۲۴ NIST (NIST: نهاد استانداردگذاری آمریکا) مسیر روشنتری برای ارتقای رمزگذاری به شرکتها میدهد تا قبل از فوری شدنِ ریسک اقدام کنند.
فرصت سرمایهگذاری کوتاهمدت کجاست؟
فرصت کوتاهمدت روشنتر در لایههای پیرامون رایانش کوانتومی است، نه لزوماً سختافزار کوانتومیِ خالص. این شامل امنیت سایبری، سیستمهای ترکیبی کوانتومی-کلاسیک، زیرساخت نیمهرسانا (Semiconductor: ماده/صنعت ساخت تراشهها) و سختافزار کنترل میشود. درباره معامله «سهام CFD» (CFD: قرارداد مابهالتفاوت؛ ابزار معامله روی تغییرات قیمت بدون مالکیت مستقیم دارایی) در VT Markets اینجا و اینجا بیشتر بخوانید.
بزرگترین ریسک در موضوع رایانش کوانتومی چیست؟
ریسک اصلی «زمان» است. پیشرفت سختافزار واقعی است، اما سیستمهای کوانتومی در مقیاس تجاری هنوز به چند نقطهعطف فنیِ سخت وابستهاند. اگر بازارها قبل از آماده شدن فناوری، جهشها را در قیمت لحاظ کنند، ارزشگذاری شکننده میشود.
همین الان معامله را شروع کنید – اینجا کلیک کنید تا حساب واقعی VT Markets خود را بسازید
