隨著大語言模型（大語言模型）在生成式 AI 領域的迅速演進和主導地位不斷加強，一場更為低調的演變正悄然發生在兩個新興領域的邊緣：量子計算和人工智能。越來越多的研究人員和公司正在探索，量子計算的原理是否能夠解決當今 AI 基礎設施面臨的一些局限性，特別是在可擴展性、效率和推理復雜性方面。

其中一個值得注意的發展來自于位于列支敦士登的 Dynex 公司，該公司最近推出了其量子擴散大語言模型（qdLLM），并入圍 SXSW 2025 創新獎決賽。該公司聲稱，其 qdLLM 相較于依賴當前技術基礎設施的傳統 Transformer 模型系統，能夠更快、更高效地生成生成式 AI 輸出。

這與其他新興方法相比如何，又對 AI 的更廣闊未來意味著什么？

量子計算對 AI 的意義

量子計算的核心區別于傳統計算在于其利用量子比特（qubit），由于量子疊加原理，量子比特可以同時存在于多種狀態。這使得量子計算機能夠并行評估大量潛在解答，可能在需要大規模優化、模擬或模式識別的任務中提供優勢。

在 AI 領域，研究人員已經探討過如何利用量子屬性改善自然語言處理、機器學習優化以及模型訓練效率等任務。然而，大部分這些工作仍處于早期階段。例如，IBM 與 MIT 研究了混合量子-經典模型在特定深度學習任務中縮短訓練時間的可能性，而像 Zapata AI 這樣的初創公司則在實驗量子增強模型，以用于情感分析和預測。

在這種背景下，Dynex 的方法引入了一種全新架構，利用量子啟發算法通過去中心化硬件更高效地運行大語言模型。

Dynex 的 qdLLM：基于擴散、并行的方案

與基于 Transformer 的模型使用自回歸技術逐個 Token 生成響應不同，Dynex 的 qdLLM 構建在擴散模型基礎上，能夠并行生成輸出 Token。據 Dynex 公司介紹，這種方法在計算上更為高效，并能產生更好的上下文一致性。

Dynex 的聯合創始人及 Dynex Moonshots 任務負責人 Daniela Herrmann 解釋說：“傳統模型如 GPT-4 或 DeepSeek 是順序運行的，一次生成一個單詞，而 qdLLM 是并行工作的。它更像人類大腦，一次處理所有模式。這就是量子的強大之處。”

包括斯坦福大學和 Google DeepMind 在內的多個學術項目，以及主要 AI 技術供應商的相關舉措，最近也開始探索基于擴散的 Transformer 模型。

Dynex 進一步通過整合量子退火技術（一種量子優化形式）來改善文本生成過程中的 Token 選擇，從而區別于其他方法。該公司聲稱，這可以提高文本的連貫性，同時降低相較于傳統大語言模型的計算開銷。

去中心化與仿量子硬件

Dynex 模型的一個獨特特點在于，它依靠的是去中心化的 GPU 網絡來模擬量子行為，而不需要實際量子硬件的支持。這一設計使得該系統能夠擴展到 Dynex 所稱的高達一百萬個算法量子比特。

Herrmann 解釋道：“任何量子算法，例如 qdLLM，都是在一個去中心化的 GPU 網絡上計算的，這些 GPU 高效地模擬了量子計算。”

這種模擬在某種程度上與 TensorFlow Quantum（由 Google 和 X 推出的）所做的工作類似，后者也在經典硬件上模擬量子電路以原型化算法。同樣，一些科技初創公司和供應商也在開發平臺，以在物理硬件就緒前實現大規模的量子邏輯模擬。

除了軟件外，Dynex 計劃在 2025 年推出其自主研發的類神經形態量子芯片，命名為 Apollo。與需要低溫冷卻的超導量子芯片不同，Apollo 設計用于室溫運行，支持邊緣設備的集成。

Herrmann 解釋說：“使用類神經形態電路使得 Dynex 能夠在大規模上模擬量子計算，高達一百萬個算法量子比特。而 Dynex 也將開始生產基于類神經形態范式的實際量子芯片?！?/p>

為 AI 效率和環境影響帶來量子旋風

Dynex 表示，qdLLM 的模型規模縮小了 90%，速度快了 10 倍，僅使用相當于傳統任務所需 GPU 資源的 10%。這些數據非常引人注目，尤其是在 AI 能耗問題日益受到關注的背景下。

Herrmann 說道：“量子算法的高效與并行性降低了能耗，因為它的速度快了 10 倍，而且僅需要 10% 的 GPU 數量?！?/p>

盡管獨立驗證仍然是必要的，但 Dynex 的方法與 Cerebras Systems 的努力呼應，該公司已開發出晶圓級芯片，在每次訓練任務中降低能耗。另一個例子是 Graphcore，其智能處理單元（IPU）旨在通過專門的并行架構降低 AI 工作負載的能耗。

Dynex 報告稱，qdLLM 在需要較強推理能力的基準測試中，表現優于包括 ChatGPT 和 Grok 在內的一些領先模型。盡管尚未發布公開基準數據，但該公司表示，在向 2025 年市場推出產品的過程中將發布比較研究。在同行評審的基準數據問世之前，Dynex 的性能斷言仍屬軼事性描述，但頗具吸引力。

Herrmann 指出：“我們定期發布 qdLLM 的基準測試，并證明某些需要強推理的問題，ChatGPT、Grok 或 DeepSeek 都無法給出正確答案?！?/p>

更大視野：量子將如何影響 AI？

從長遠來看，Dynex 認為量子計算將成為 AI 領域的核心技術。

Herrmann 表示：“我們認為量子將在未來 5 年內主導 AI?！?/p>

這一預測雖具有一定的猜測性質，但并非沒有先例。McKinsey、BCG 和 Gartner 的分析師均指出，量子計算有望顯著改善優化和模擬任務，但對于大多數用途來說，可能要到 2030 年之后才會顯現顯著優勢。一種更為溫和的觀點認為，量子與 AI 的混合體系將首先在一些小眾應用中出現，如藥物發現、金融風險建?；蚓W絡安全等領域。

目前，Dynex 處于一批不斷試驗量子增強或量子啟發式 AI 方法的參與者之中。至于其去中心化、基于擴散的 qdLLM 是否能超越基準測試的限制仍有待觀察，但它的出現預示著對 AI 新基礎的探索遠未結束。