量子启发式 AI 能否与当今的大语言模型竞争？

随着大语言模型（大语言模型）在生成式 AI 领域的迅速演进和主导地位不断加强，一场更为低调的演变正悄然发生在两个新兴领域的边缘：量子计算和人工智能。越来越多的研究人员和公司正在探索，量子计算的原理是否能够解决当今 AI 基础设施面临的一些局限性，特别是在可扩展性、效率和推理复杂性方面。

其中一个值得注意的发展来自于位于列支敦士登的 Dynex 公司，该公司最近推出了其量子扩散大语言模型（qdLLM），并入围 SXSW 2025 创新奖决赛。该公司声称，其 qdLLM 相较于依赖当前技术基础设施的传统 Transformer 模型系统，能够更快、更高效地生成生成式 AI 输出。

这与其他新兴方法相比如何，又对 AI 的更广阔未来意味着什么？

量子计算对 AI 的意义

量子计算的核心区别于传统计算在于其利用量子比特（qubit），由于量子叠加原理，量子比特可以同时存在于多种状态。这使得量子计算机能够并行评估大量潜在解答，可能在需要大规模优化、模拟或模式识别的任务中提供优势。

在 AI 领域，研究人员已经探讨过如何利用量子属性改善自然语言处理、机器学习优化以及模型训练效率等任务。然而，大部分这些工作仍处于早期阶段。例如，IBM 与 MIT 研究了混合量子-经典模型在特定深度学习任务中缩短训练时间的可能性，而像 Zapata AI 这样的初创公司则在实验量子增强模型，以用于情感分析和预测。

在这种背景下，Dynex 的方法引入了一种全新架构，利用量子启发算法通过去中心化硬件更高效地运行大语言模型。

Dynex 的 qdLLM：基于扩散、并行的方案

与基于 Transformer 的模型使用自回归技术逐个 Token 生成响应不同，Dynex 的 qdLLM 构建在扩散模型基础上，能够并行生成输出 Token。据 Dynex 公司介绍，这种方法在计算上更为高效，并能产生更好的上下文一致性。

Dynex 的联合创始人及 Dynex Moonshots 任务负责人 Daniela Herrmann 解释说：“传统模型如 GPT-4 或 DeepSeek 是顺序运行的，一次生成一个单词，而 qdLLM 是并行工作的。它更像人类大脑，一次处理所有模式。这就是量子的强大之处。”

包括斯坦福大学和 Google DeepMind 在内的多个学术项目，以及主要 AI 技术供应商的相关举措，最近也开始探索基于扩散的 Transformer 模型。

Dynex 进一步通过整合量子退火技术（一种量子优化形式）来改善文本生成过程中的 Token 选择，从而区别于其他方法。该公司声称，这可以提高文本的连贯性，同时降低相较于传统大语言模型的计算开销。

去中心化与仿量子硬件

Dynex 模型的一个独特特点在于，它依靠的是去中心化的 GPU 网络来模拟量子行为，而不需要实际量子硬件的支持。这一设计使得该系统能够扩展到 Dynex 所称的高达一百万个算法量子比特。

Herrmann 解释道：“任何量子算法，例如 qdLLM，都是在一个去中心化的 GPU 网络上计算的，这些 GPU 高效地模拟了量子计算。”

这种模拟在某种程度上与 TensorFlow Quantum（由 Google 和 X 推出的）所做的工作类似，后者也在经典硬件上模拟量子电路以原型化算法。同样，一些科技初创公司和供应商也在开发平台，以在物理硬件就绪前实现大规模的量子逻辑模拟。

除了软件外，Dynex 计划在 2025 年推出其自主研发的类神经形态量子芯片，命名为 Apollo。与需要低温冷却的超导量子芯片不同，Apollo 设计用于室温运行，支持边缘设备的集成。

Herrmann 解释说：“使用类神经形态电路使得 Dynex 能够在大规模上模拟量子计算，高达一百万个算法量子比特。而 Dynex 也将开始生产基于类神经形态范式的实际量子芯片。”

为 AI 效率和环境影响带来量子旋风

Dynex 表示，qdLLM 的模型规模缩小了 90%，速度快了 10 倍，仅使用相当于传统任务所需 GPU 资源的 10%。这些数据非常引人注目，尤其是在 AI 能耗问题日益受到关注的背景下。

Herrmann 说道：“量子算法的高效与并行性降低了能耗，因为它的速度快了 10 倍，而且仅需要 10% 的 GPU 数量。”

尽管独立验证仍然是必要的，但 Dynex 的方法与 Cerebras Systems 的努力呼应，该公司已开发出晶圆级芯片，在每次训练任务中降低能耗。另一个例子是 Graphcore，其智能处理单元（IPU）旨在通过专门的并行架构降低 AI 工作负载的能耗。

Dynex 报告称，qdLLM 在需要较强推理能力的基准测试中，表现优于包括 ChatGPT 和 Grok 在内的一些领先模型。尽管尚未发布公开基准数据，但该公司表示，在向 2025 年市场推出产品的过程中将发布比较研究。在同行评审的基准数据问世之前，Dynex 的性能断言仍属轶事性描述，但颇具吸引力。

Herrmann 指出：“我们定期发布 qdLLM 的基准测试，并证明某些需要强推理的问题，ChatGPT、Grok 或 DeepSeek 都无法给出正确答案。”

更大视野：量子将如何影响 AI？

从长远来看，Dynex 认为量子计算将成为 AI 领域的核心技术。

Herrmann 表示：“我们认为量子将在未来 5 年内主导 AI。”

这一预测虽具有一定的猜测性质，但并非没有先例。McKinsey、BCG 和 Gartner 的分析师均指出，量子计算有望显著改善优化和模拟任务，但对于大多数用途来说，可能要到 2030 年之后才会显现显著优势。一种更为温和的观点认为，量子与 AI 的混合体系将首先在一些小众应用中出现，如药物发现、金融风险建模或网络安全等领域。

目前，Dynex 处于一批不断试验量子增强或量子启发式 AI 方法的参与者之中。至于其去中心化、基于扩散的 qdLLM 是否能超越基准测试的限制仍有待观察，但它的出现预示着对 AI 新基础的探索远未结束。