Công nghệ lượng tử sẽ thay đổi tương lai như thế nào? PHẦN 6: VỚI AI
Chủ đề này có vô số tranh cãi. Dù sao, AI đang trong cuộc cách mạng cải tạo cả thế giới, còn máy tính lượng tử (QC) thực sự chưa xuất hiện, nên mọi tranh cãi vẫn chỉ thuần túy lý thuyết và phỏng đoán.
1. Các phương pháp kết hợp lượng tử với AI
(1) QML
Người ta sẽ tích hợp mạch lượng tử trực tiếp vào các lớp của mô hình học máy. Lượng tử đóng vai trò thay thế hoặc bổ sung các phép toán ma trận trong mạng neural. QML vẫn còn nằm trong phòng thí nghiệm. Tôi sẽ giải thích chi tiết QML trong phần sau.
(2) Tối ưu hóa lượng tử
Chỉ để giải quyết bài toán tìm kiếm cực trị/hàm chi phí lớn của AI vì lượng tử hoàn toàn khả thi trong việc giúp tăng tốc tìm kiếm không gian nghiệm phức tạp.
Các thuật toán lượng tử như QAOA (Quantum Approximate Optimization Algorithm) để giải quyết các bài toán tìm đường đi tối ưu, phân bổ nguồn lực hoặc huấn luyện trọng số cho AI truyền thống.
Ngoài ra, các thuật toán này còn có thể phân tích dữ liệu lượng tử tự nhiên - xuất phát trực tiếp từ các thí nghiệm vật lý hoặc hóa học lượng tử, mà không cần biến đổi chúng thành mô hình học máy tiêu chuẩn.
Ứng dụng thực tiễn của hướng này hiện nay là các mô hình lai hợp tử kết hợp máy tính cổ điển và máy tính lượng tử (Hybrid Quantum-Classical). Máy tính ủ lượng tử (Quantum Annealing Computer) của D-wave là ví dụ nổi bật nhất cho hướng này.
(3) AI cổ điển điều khiển phần cứng lượng tử
Vai trò của AI là công cụ hỗ trợ vận hành vật lý lượng tử - dùng AI để làm cho máy tính lượng tử chạy ổn định hơn chứ chưa bắt máy tính lượng tử phải suy nghĩ.
Đây là hướng tiếp cận có tính thực tiễn cao nhất hiện nay vì nó giải quyết bài toán vật lý cốt lõi của máy tính lượng tử là giảm nhiễu và duy trì trạng thái cô đặc.
Các tập đoàn công nghệ lớn như Google, IBM, và Quantinuum đang dùng AI cổ điển (như Học tăng cường - Reinforcement Learning) để điều khiển các xung vi sóng, tự động sửa lỗi phần cứng (Error Correction) và tối ưu hóa cách sắp xếp các qubit.
2. QML (Quantum Machine Learning) - Học máy lượng tử
Con người học và suy luận bằng bộ não - chính xác là bằng một mạng lưới neuron thần kinh vô cùng tinh vi và phức tạp.
Trong AI hiện nay, Machine Learning là dạy cái máy tính cổ điển học và suy luận như con người - bằng cách sử dụng các mạng neuron cổ điển (mô phỏng toán học cho mạng thần kinh của não người), để làm sao cho ra kết quả giống như con người làm.
Quantum Machine Learning (QML) là dạy cái máy tính lượng tử học và suy luận như con người - bằng cách sử dụng mạng neuron lượng tử, và kết quả đầu ra cũng phải giống y như con người làm.
(1) Lịch sử hình thành
Năm 1995, nhà khoa học Subhash Kak đã đặt nền móng cho khái niệm mạng neuron lượng tử (Quantum Neural Network - QNN) bằng cách đề xuất tích hợp cơ học lượng tử vào cấu trúc xử lý thông tin, nổi bật với các ý tưởng cốt lõi là hiện tượng chồng chất trạng thái, mô hình hóa ý thức sinh học và phương pháp huấn luyện song song các mẫu dữ liệu.
Năm 1996 đánh dấu một bước tiến quan trọng với mô hình của nhóm nghiên cứu Behrman et al. (gồm Elizabeth C. Behrman, J. Niemel, J.E. Steck và S.R. Skinner). Thay vì chỉ dừng lại ở mặt lý thuyết nhận thức, Behrman và các đồng nghiệp đã đề xuất một mô hình kỹ thuật cụ thể hơn, đặt viên gạch đầu tiên cho việc hiện thực hóa phần cứng của mạng nơ-ron lượng tử bằng lý thuyết về chấm lượng tử (quantum dots) và thuật toán huấn luyện lượng tử.
Mô hình Cây quyết định lượng tử (Quantum Decision Trees) do Edward Farhi và Sam Gutmann đề xuất năm 1997 là nền tảng lý thuyết tiên phong cho thấy sự ưu việt của thuật toán lượng tử trên cấu trúc cây. Mô hình này ban đầu mang tính toán học thuần túy nhằm mô tả không gian trạng thái, sau đó mở đường cho các thuật toán tối ưu hóa lượng tử nổi tiếng khác như QAOA do Farhi, Goldstone và Gutmann phát triển sau đó. Dù sao, đây cũng là mô hình QNN đầu tiên có thể chạy được trên QC về lý thuyết.
Các mô hình mạng lượng tử Hopfield hay tính toán độ vướng víu lượng tử (entanglement) được nhóm Behrman et al. tiếp tục phát triển thực nghiệm thành công trong các năm 2000 và 2002 đều kế thừa trực tiếp từ nền tảng năm 1996.
Năm 2014, nhóm Wiebe et al. công bố Quantum deep learning (lý thuyết) và đề xuất dùng Quantum RAM để train mạng neural. Sau này, lý thuyết đó bị dequantize (Tang tìm ra cách khử lượng tử năm 2018).
Năm 2018 cũng có một bước ngoặt khác (bên cạnh dequantize của Tang), Farhi & Neven (của Google) đề xuất Variational Quantum Circuit (VQC) làm một tầng trong mạng neuron - đã chạy được trên QC NISQ thực tế! Cùng năm đó, cú đánh lớn thứ hai xuất hiện, nhóm nghiên cứu McClean et al. công bố phát hiện Barren Plateaus - rào cản lớn nhất của QML. Từ đó ngành thu hẹp kỳ vọng và tập trung vào ứng dụng chuyên biệt.
Năm 2019, Cong et al. (Nature Physics) công bố QCNN (Quantum Convolutional Neural Network). Đây là lần đầu có kiến trúc QNN chống được Barren Plateau một phần. IBM Qiskit Machine Learning ra mắt và là framework thực hành đầu tiên cho QNN.
2022 công bố nghiên cứu của Huang et al. trên Science, đã chứng minh QNN học tính chất vật lý với ít thí nghiệm hơn theo hàm mũ so với AI cổ điển. Lần đầu tiên lý thuyết QNN được kiểm tra và xác nhận.
Từ 2024 đến nay, một số mạng QNN dạng hybrid (chỉ có 1 tầng là lượng tử, các tầng còn lại vẫn là mạng neuron cổ điển) đã được xây dựng thực nghiệm trên QC cho nghiên cứu.
(2) QNN so với mạng neuron cổ điển
Mạng neuron, về lý thuyết, là một cách mô phỏng toán học mạng neuron trong cơ thể con người. Mạng neuron đặc trưng bởi 2 thứ: neuron và liên kết neuron. Liên kết neuron chính là nơi não người học được, nên cũng đóng vai trò quan trọng nhất trong mạng neuron toán học, là nơi đặt trọng số. Và các nhà toán học dùng 1 ma trận biểu diễn 1 mạng neuron - ma trận trọng số. Ví dụ, có 1 triêu neuron, thì ma trận trọng số có kích cỡ 1 triệu x 1 triệu. Do mạng neuron thật của con người cực kỳ phức tạp, nên mạng neuron mô phỏng này sẽ được xây dựng thêm nhiều lớp, mỗi lớp là 1 ma trận, làm 1 chức năng chuyển đổi thông tin nhất định.
Việc học là một tập phép nhân ma trận. Giả sử học một bức ảnh con mèo, trong máy tính, bức ảnh con mèo là một vector đầu vào. Kết quả của việc học là phép nhân vector này với ma trận (hệ ma trận) của mạng neuron. Việc quy đổi toàn bộ hoạt động của mạng neuron thành các phép tính ma trận giúp GPU tính song song cực nhanh.
Mạng neuron của máy tính cổ điển và mạng QNN đều hoạt động theo nguyên lý như trên. Khác biệt căn bản là: mạng neuron cổ điển xài weight là số thực, cập nhật trực tiếp qua backprop; còn QNN xài tham số là góc xoay qubit, cập nhật qua Parameter Shift Rule.
Dữ liệu được "encode" vào trạng thái qubit, chạy qua mạch nhiều lớp cổng xoay và CNOT, đo kết quả, tính loss, rồi bộ optimizer cổ điển cập nhật θ. Phần lượng tử chỉ là lõi tính toán - mọi thứ xung quanh vẫn là AI cổ điển. Đây gọi là Hybrid QNN, là kiến trúc phổ biến nhất hiện nay.
Ba thành phần chính của QNN:
- Encoding: chuyển dữ liệu cổ điển (số, văn bản, hình ảnh, video) thành trạng thái qubit. Đây là khâu gặp thách thức lớn nhất hiện nay vì chuyển dữ liệu cổ điển vào qubit tốn chi phí O(N) sẽ xóa sạch mọi speedup lý thuyết.
- Mạch VQC: xử lý việc học của QNN.
- Đo: thực hiện phép đo qubit và tính loss từ kết quả đo. Cập nhật lại θ.
(3) Các loại QNN
Hiện tại có 5 kiến trúc QNN tiêu biểu:
- VQC (Variational Quantum Circuit): Phổ biến nhất. Circuit có tham số θ, có bộ optimizer cổ điển cập nhật θ. Chạy được trên phần cứng NISQ hiện nay.
- QCNN (Quantum Convolutional Neural Networks): Được giới thiệu trên tạp chí Nature Physics 2019. Có lớp Convolution + lớp lượng tử. Tránh được barren plateau phần nào.
- Hybrid QNN (kết hợp mạng neuron cổ điển + 1 lớp lượng tử): Lớp cổ điển xử lý dữ liệu thô. Lớp lượng tử xử lý đặc trưng phức tạp.
- QNN trên dữ liệu lượng tử: Input là trạng thái lượng tử (từ cảm biến QC). Speedup thật, không dequantize được (đã được Huang et al. chứng minh và công bố trên Science 2022). Tuy nhiên ứng dụng rất hạn chế.
- Quantum Reservoir Computing (QRC): Dùng động lực học lượng tử như "bộ nhớ". Không cần train toàn bộ QC, chỉ train lớp output cổ điển. Tránh barren plateau.
(4) Barren Plateaus - cao nguyên cằn cỗi
Là hiện tượng đạo hàm (gradient) của hàm chi phí phẳng đi và triệt tiêu theo hàm mũ.
Hãy tưởng tượng một phong cảnh với những đỉnh núi và thung lũng.
Bài toán huấn luyện mạng neuron - dù là cổ điển hay lượng tử - đều giống như việc đi tìm điểm thấp nhất trong một địa hình đồi núi. "Địa hình" đó là hàm loss - con số đo mức độ sai của mạng. Bạn muốn xuống thấp nhất có thể.
Cách làm: mỗi bước nhìn xem xung quanh dốc về phía nào (đó là gradient) rồi bước xuống dốc đó.
Một đỉnh núi đại diện cho một lời giải tồi và một thung lũng đại diện cho một lời giải tốt.
Trong mạng neuron cổ điển, làm điều này dễ vì địa hình có đồi, có thung lũng rõ ràng - vì gradient luôn chỉ hướng. Kỹ thuật backpropagation truyền thông tin ngược từ output về input rất hiệu quả.
Với mạng QNN, khi các nhà nghiên cứu phát triển thuật toán, đôi khi họ nhận thấy mô hình của mình bị đình trệ và không thể leo lên, cũng không thể xuống. Nó bị mắc kẹt trong không gian mà chúng ta gọi là cao nguyên cằn cỗi. Vì đạo hàm của hàm loss triệt tiêu gần bằng 0, khiến mô hình không nhận được tín hiệu để cập nhật.
Cụ thể hơn, khi bạn dùng n qubit, mạng tồn tại trong không gian 2ⁿ chiều. Thay vì địa hình 3 chiều dễ nhìn, bạn đang ở một "địa hình" 1 tỷ chiều. Kết quả: gradient trung bình của mỗi tham số = O(1/2ⁿ), tức là với 50 qubit, gradient nhỏ hơn 0.000000000000001. Không thể phân biệt với nhiễu.
Đây chính là Barren Plateau - "cao nguyên cằn cỗi" hay "cao nguyên trống" - mạng đứng giữa vùng phẳng tít tắp, không biết đi hướng nào, không học được gì.
Điều khiến nó đặc biệt khó là không có lối thoát rõ ràng. Nếu bạn cấu trúc hóa mạch để tránh Barren Plateau, mạch đó lại đủ "đơn giản" để máy tính cổ điển mô phỏng được - tức là bị khử, mất lợi thế lượng tử. Đây là vòng luẩn quẩn mà ngành QML đang cố tìm lối thoát.
Nhóm nghiên cứu tại Los Alamos đã dành 6 năm nghiên cứu chuyên sâu về barren plateaus và công bố kết quả cho toàn thế giới tháng 4/2026. Barren Plateaus là tập hợp của rất nhiều khái niệm, và nhiều nguồn gốc gây ra từng khái niệm, chẳng hạn như lời nguyền về chiều không gian (một vấn đề xảy ra khi các nhà khoa học phân tích dữ liệu trong không gian đa chiều) hoặc sự hiện diện của nhiễu, cùng nhiều yếu tố khác. Kết quả này cho thấy, đã đến lúc chấm dứt việc sao chép các kỹ thuật cổ điển để áp dụng vào lượng tử. Giới khoa học cần áp dụng và tạo ra những phương pháp mới thì lượng tử mới có hy vọng tiến triển.
Người ta cho rằng, nếu giải được barren plateaus, thì Quantum AI mới thực sự được nghiêm túc phát triển (ít nhất sau năm 2035, khi máy tính fault-tolerant đã chào sân).
(5) Ứng dụng thực tế
QNN đã được ứng dụng vào materials informatics để dự đoán tính chất vật lý của vật liệu từ dữ liệu hạn chế và nhiễu, được công bố trên Scientific Reports năm 2024.
Noise-Aware QNN đã được áp dụng cho phân loại ảnh y tế tại MICCAI 2025.
SpinQ đã hợp tác với Huaxia Bank để phát triển mô hình QNN (phát hiện gian lận ATM) cho quyết định vận hành ATM năm 2025.
Và kết quả ấn tượng nhất là hybrid workflow của IonQ + AstraZeneca + AWS + NVIDIA đạt tăng tốc trên 20 lần trong tổng hợp thuốc phân tử nhỏ năm 2025.
Hầu hết nghiên cứu hiện tại tập trung vào bộ dữ liệu hạn chế như MNIST, trong khi các bộ dữ liệu phức tạp hơn và ứng dụng rộng hơn vẫn còn ít được khám phá. QNN chưa vượt mạng neuron cổ điển rõ ràng trên bất kỳ bài toán lớn nào.
Khoảng cách giữa kết quả lab và triển khai thương mại rộng vẫn còn rất lớn - và barren plateau là lý do chính tại sao.
3. Lượng tử sẽ tác động thế nào với AI?
Đây là một trong những câu hỏi gây tranh luận nhất trong cộng đồng khoa học máy tính hiện nay - và cả hai phía đều có lý do chính đáng.
QC sẽ cách mạng hóa AI?
Những người theo quan điểm này cho rằng mô phỏng lượng tử giúp tạo ra vật liệu mới cho phần cứng AI. GPU training AI ngốn điện khủng khiếp. GPT-4 training tiêu tốn cỡ 50 GWh. Nút thắt là vật liệu bán dẫn và hiệu suất năng lượng của chip đang không ăn nhằm gì cho các cỗ máy training AI. QC mô phỏng vật liệu sẽ giúp thiết kế chip bán dẫn mới, một loại chip siêu dẫn ở nhiệt độ phòng, cũng là vật liệu pin cho data center. AI chỉ hưởng lợi gián tiếp nhưng rất lớn. Ở đây, QC không train AI, nhưng giúp xây phần cứng tốt hơn để train AI hiệu quả hơn.
Lượng tử giúp tối ưu hóa training, cho phép một số siêu tham số tăng tốc khả năng search. Ví dụ, tối ưu hóa trong AI pipeline Hyperparameter tuning: máy tính ủ lượng tử (của D-Wave) có thể tìm cấu hình tốt hơn cho mạng neural. QAOA tối ưu cấu trúc mạng Feature selection. Grover tăng tốc tìm tập feature tốt nhất. Kết quả chưa rõ ràng với ML thực tế quy mô lớn.
Nghiên cứu thuốc mới đã có kết quả khả thi từ hợp tác của IonQ + AstraZeneca + AWS + NVIDIA trong công bố tháng 6/2025.
QML mà áp dụng cho xử lý dữ liệu lượng tử tự nhiên (từ các thí nghiệm vật lý, hóa học) sẽ giúp tăng tốc rõ rệt - đã được chứng minh về mặt lý thuyết. Khi input là dữ liệu lượng tử (kết quả từ cảm biến lượng tử, trạng thái QC khác): AI cổ điển không thể "đọc mẫu" vì đo = phá hủy trạng thái. Nghiên cứu của Huang et al. (trên tạp chí Science năm 2022) cho thấy: QC học tính chất hệ vật lý với số thí nghiệm ít hơn hàm mũ so với AI cổ điển. Đây là lợi thế lượng tử thật cho ML.
Các kernel methods của lượng tử cũng cực kỳ hữu dụng với một số bài toán phân loại cụ thể. Ví dụ, lấy mẫu lượng tử cho các mô hình AI tạo sinh (GAN, diffusion) có thể tạo phân phối xác suất khó. Về lý thuyết, đã chứng minh có thể tăng tốc, nhưng chưa chứng minh thực tế. Năm 2024 IonQ đã phân loại 10.000 văn bản NLP - thử nghiệm lớn nhất nhưng chưa vượt máy tính cổ điển.
Tóm lại, QC sẽ giúp AI giải những bài toán chuyên biệt, đặc thù, chứ không phải toàn bộ AI nói chung.
QC chẳng giúp gì cho LLM và AI phổ thông
Giới chuyên gia đứng về phía quan điểm này cho rằng, dựa trên cách thức vận hành, QC không có lợi thế trong training LLM (GPT-4, Gemini, Claude...). Việc training một mô hình LLM là chạy hàng tỷ phép nhân ma trận liên tiếp, tuần tự, cần throughput cao và độ trễ (latency) thấp. GPU hiện nay đã được tối ưu liên tục hơn 30 năm qua: 1.000 tỷ phép nhân/giây, song song hóa hoàn hảo, nhiệt độ phòng, $30.000/chip. QC không có lợi thế cho phép nhân ma trận cổ điển. Hơn nữa, hệ thống siêu khủng của QC (tủ lạnh, decoherence, đọc kết quả xác suất) làm nó chậm hơn GPU hàng nghìn lần cho bài toán này.
Ngay cả với giai đoạn suy luận (Inference, khi ChatGPT trả lời câu hỏi) - QC cũng không giúp được gì. Inference cần latency cực thấp (<100ms), throughput cao (hàng triệu token/giây), chạy liên tục 24/7. QC không đáp ứng được bất kỳ yêu cầu nào trong số này. Hàng đợi của máy tính lượng tử của IBM 2–48 giờ mới đến lượt chạy. ChatGPT trả lời trong 2 giây. Hoàn toàn không tương thích.
AI cho ảnh (Computer Vision, Image Generation) - tương tự Stable Diffusion, DALL-E, Midjourney - đang dùng convolution và attention mechanism - phép toán GPU cực kỳ tối ưu. QC không có lợi thế cho convolution. Grover có thể tìm kiếm √N lần thay vì N, nhưng mạng neuron không cần tìm kiếm kiểu đó. QC không tăng tốc được.
QRAM là điểm nghẽn căn bản của QML trên dữ liệu cổ điển. Hầu hết QML giả định QRAM: "Load" dataset vào QC trong O(log N). Nhưng QRAM chưa tồn tại, và xây QRAM tốn O(N) sẽ xóa sạch mọi speedup. Nếu dataset là ảnh (100MB), văn bản (TB), video, chuyển sang QC đã mất toàn bộ lợi thế thời gian. AI cổ điển vẫn thắng vì đọc dữ liệu từ ổ cứng nhanh hơn nhiều.
Phòng thí nghiệm quốc gia Mỹ Los Alamos tháng 4/2026 đã công bố nghiên cứu cho thấy: nhiều QML tránh được Barren Plateaus nhưng lại bị khử kiến trúc lượng tử, và kỹ thuật tránh barren plateaus thường làm mạch đủ cấu trúc để máy cổ điển mô phỏng lại được. Một tình huống lose-lose điển hình: có barren plateau → không train được; tránh barren plateau → bị khử lượng tử. Đây là vòng luẩn quẩn chưa có lối thoát.
Rõ ràng, việc QC thay thế GPU trước mắt là chuyện viển vông.
Kết luận, QC chỉ có thể giúp được AI khoa học (nghiên cứu thuốc, tối ưu hóa, mọi thứ còn lại vẫn đang nghiên cứu), còn không có (chưa thấy) tác dụng gì với AI phổ thông.
Nhận xét
Đăng nhận xét