'Quantum AI' คลื่นลูกใหม่มาแรง แต่การ์ทเนอร์เตือนอย่าเพิ่งลงทุน

กระแส “Quantum AI” กำลังถูกพูดถึงมากขึ้นในตลาดเทคโนโลยี แต่การนำมาใช้ในระดับองค์กรยังมีข้อจำกัด ทั้งด้านฮาร์ดแวร์ การแก้ไขข้อผิดพลาด และความคุ้มค่าทางเศรษฐกิจ ทำให้เทคโนโลยียังต้องใช้เวลาในการพัฒนา

การ์ทเนอร์ คาดการณ์ว่า จนถึงปี 2571 จะยังไม่มีเวิร์กโหลด AI ระดับองค์กรขนาดใหญ่ที่รันบนฮาร์ดแวร์ควอนตัม

ขณะที่ Classical Accelerated AI หรือ AI บนคอมพิวเตอร์แบบดั้งเดิมที่เร่งความเร็วด้วยฮาร์ดแวร์เฉพาะทาง จะยังเป็นเทคโนโลยีที่มีในด้านประสิทธิภาพการทำงานจริง

‘Quantum AI’ ยังไม่พร้อมใช้จริง

ชิรัค เดกาเต้ รองประธานนักวิเคราะห์ การ์ทเนอร์ กล่าวว่า โซลูชัน “Quantum AI” ที่ผู้ให้บริการเทคโนโลยีในตลาดนำเสนอในปัจจุบัน ส่วนใหญ่เป็นเทคโนโลยีไฮบริดหรืออัลกอริทึมที่ประยุกต์ใช้แนวคิดแบบควอนตัม ไม่ใช่เทคโนโลยี Quantum-native AI ที่พร้อมรองรับการทำงานระดับองค์กร

เทคโนโลยีระบบประมวลผลควอนตัมที่แท้จริงยังคงห่างไกลจากการนำมาใช้จริงในระบบ AI เชิงพาณิชย์ และคาดว่าจะยังไม่พร้อมใช้งานตลอดช่วงทศวรรษนี้

ปัจจุบันยังไม่มีงานวิจัยที่ได้รับการรับรองซึ่งยืนยันได้ว่า ควอนตัมคอมพิวติ้งสามารถสร้างความได้เปรียบด้านประสิทธิภาพในการประมวลผล AI ระดับองค์กรได้จริง

Quantum AI หมายถึงเทคนิค AI หรือ Machine Learning (ML) ที่ต้องใช้การประมวลผลบนฮาร์ดแวร์ควอนตัม เพื่อให้ได้ประสิทธิภาพ ต้นทุน หรือขีดความสามารถที่เหนือกว่าการประมวลผลแบบดั้งเดิม

การพัฒนาควอนตัมคอมพิวติ้งให้มีความเสถียรสูงและทนทานต่อความผิดพลาด (Fault-Tolerant) ในระดับที่สามารถเพิ่มประสิทธิภาพหรือลดต้นทุนให้ AI ได้อย่างชัดเจน ยังต้องอาศัยความก้าวหน้า 4 ด้าน ได้แก่ ฮาร์ดแวร์ การแก้ไขข้อผิดพลาด มิดเดิลแวร์ และอัลกอริทึม

ทำความเข้าใจ 3 รูปแบบ Quantum AI

การ์ทเนอร์ระบุว่า คำว่า Quantum AI ในตลาดปัจจุบันถูกใช้ปะปนกับเทคโนโลยีหลายรูปแบบ โดยสามารถแยกได้ดังนี้

• Classical AI : AI เช่น Deep Learning, Transformers และ Reinforcement Learning ที่ทำงานบน CPU, GPU หรือ TPU ซึ่งเป็นเทคโนโลยีที่พร้อมใช้งานจริงในปัจจุบัน และสามารถสร้างผลตอบแทนจากการลงทุน (ROI) ให้ภาคธุรกิจได้
• Quantum-inspired AI : เป็นการนำแนวคิดการคำนวณแบบควอนตัมมาเขียนเป็นโปรแกรม แต่ยังทำงานบนคอมพิวเตอร์แบบดั้งเดิม โดยเริ่มถูกนำมาใช้กับโจทย์การคำนวณที่ซับซ้อน เช่น การจัดสรรระบบขนส่งและการจำลองสถานการณ์ทางธุรกิจ โดยไม่จำเป็นต้องลงทุนในคอมพิวเตอร์ควอนตัม
• Hybrid Quantum-Classical : เป็นระบบที่นำชิปควอนตัมขนาดเล็กมาทำงานร่วมกับซูเปอร์คอมพิวเตอร์แบบเดิม หรือ High-Performance Computing (HPC) ปัจจุบันยังจำกัดอยู่ในงานวิจัยและโครงการนำร่อง และยังไม่พร้อมสำหรับระบบปฏิบัติการหลักขององค์กร

ดังนั้น การนำเสนอ Quantum AI ของผู้ให้บริการเทคโนโลยีในปัจจุบัน ส่วนใหญ่ยังเป็นการใช้เทคนิคไฮบริดหรือการประยุกต์แนวคิดแบบควอนตัม มากกว่าจะเป็น Quantum-native AI ที่พร้อมใช้งานในระดับองค์กร

Quantum AI ยังไม่สร้าง ROI

การ์ทเนอร์ระบุว่า การเร่งกระแสการจับคู่เทคโนโลยีควอนตัมกับ AI อาจเพิ่มแรงกดดันให้องค์กรจัดสรรงบประมาณด้าน AI ไปยังงานวิจัยและพัฒนา (R&D) ด้านควอนตัม ทั้งที่เทคโนโลยียังไม่สามารถสร้างผลตอบแทนเชิงพาณิชย์ที่คุ้มค่าได้ก่อนปี 2573

จากข้อจำกัดดังกล่าว การ์ทเนอร์คาดว่า ควอนตัมคอมพิวติ้งที่มีความเสถียรและทนทานต่อความผิดพลาด จะยังอยู่ในขั้นตอนการวิจัยและพัฒนาสำหรับงาน AI

เนื่องจากจำนวน Logical Qubit ยังไม่เพียงพอที่จะรองรับการทำงานของอัลกอริทึม AI ได้เต็มรูปแบบ และยังไม่สามารถสร้างความคุ้มค่าทางเศรษฐกิจได้จริงจนถึงปี 2573

แยกงบควอนตัมออกจากงบ AI

การ์ทเนอร์แนะนำให้องค์กรแยกงบ R&D ด้านควอนตัมออกจากงบโครงสร้างพื้นฐาน AI เนื่องจากมีกรอบเวลา ผลตอบแทนทางเศรษฐกิจต่อหน่วย และความต้องการด้านการกำกับดูแลที่แตกต่างกัน

สำหรับ GenAI สามารถสร้างผลตอบแทนที่วัดผลได้ภายใน 12-18 เดือน ทั้งในด้านระยะเวลาการทำงาน ความแม่นยำ และระบบอัตโนมัติ ขณะที่ Quantum AI ยังไม่เคยสร้างมูลค่าที่วัดผลได้จากเวิร์กโหลดที่ใช้งานจริง และมีแนวโน้มว่าจะยังไม่สามารถทำได้ในอนาคตอันใกล้

เดกาเต้กล่าวว่า การรวมงบประมาณ GenAI และควอนตัมเข้าด้วยกันอาจทำให้การประเมินความรับผิดชอบและตัวชี้วัดของแต่ละโครงการคลาดเคลื่อน และเสี่ยงที่โครงการควอนตัมซึ่งเป็นการลงทุนระยะยาวจะเข้ามาเบียดบังงบประมาณสำหรับพัฒนาระบบ AI ที่ใช้งานอยู่ในปัจจุบัน

โดย ซีไอโอส่วนใหญ่ยังให้น้ำหนักกับ GenAI, Agentic AI, ระบบความปลอดภัยทางไซเบอร์ และคลาวด์ ขณะที่ควอนตัมยังไม่อยู่ในกลุ่มการลงทุนเร่งด่วน และซีไอโอที่จัดสรรงบลงทุนด้านควอนตัมจะให้งบในสัดส่วนที่น้อยกว่า GenAI อย่างเห็นได้ชัด โดยเป็นการลงทุนระยะยาวที่ไม่ได้คาดหวัง ROI ในระยะสั้น

ใช้ ‘Quantum-inspired’ ก่อนลงทุน

การ์ทเนอร์เสนอแนวทางสำหรับองค์กรที่ต้องการใช้ประโยชน์จากเทคโนโลยีควอนตัม โดยเริ่มจากการนำเทคนิค Quantum-inspired มาทำงานร่วมกับระบบ AI เดิมบนโครงสร้างพื้นฐาน GPU แทนการลงทุนในฮาร์ดแวร์ควอนตัมโดยตรง

แนวทางดังกล่าวสามารถนำไปใช้กับงานประมวลผลที่มีความซับซ้อน เช่น Optimization, GenAI, พีชคณิตเชิงเส้น และ Reinforcement Learning โดยยังใช้โครงสร้างพื้นฐานแบบดั้งเดิม และหลีกเลี่ยงต้นทุน ความซับซ้อน และความเสี่ยงจากเทคโนโลยีที่ยังอยู่ระหว่างการพัฒนา

อีกแนวทางคือการกำหนดเกณฑ์ยุติโครงการนำร่องด้านควอนตัมให้ชัดเจน โดยทุก Pilot Project ควรมี KPI ที่วัดผลได้ ใช้ระบบ AI แบบดั้งเดิมเป็น Benchmark และกำหนดเงื่อนไขสำหรับยกเลิกโครงการตั้งแต่ต้น เพื่อควบคุมการใช้งบประมาณ

นอกจากนี้ องค์กรควรติดตาม ความก้าวหน้าทางเทคโนโลยีที่วัดผลได้จริง โดยเฉพาะความพร้อมของ Logical Qubit ที่มีอัตราความผิดพลาดต่ำพอสำหรับการใช้งานจริง รวมถึงความก้าวหน้าของระบบ Error Correction และระบบควบคุม ซึ่งเป็นปัจจัยสำคัญต่อการประเมินมูลค่าทางธุรกิจของควอนตัมในอนาคต