การ์ทเนอร์คาดการณ์ว่า ในช่วงเวลาที่เหลือจนถึงปี 2571 จะยังไม่มีเวิร์กโหลด AI ระดับองค์กรขนาดใหญ่ที่ทำงานบน ฮาร์ดแวร์ควอนตัม จริง โดยระบบ AI บนคอมพิวเตอร์ดั้งเดิมที่มีฮาร์ดแวร์ช่วยเร่งความเร็ว ยังเป็นทางเลือกที่พร้อมใช้งานและทำผลงานได้จริงในภาคธุรกิจ
ประเด็นสำคัญคือคำว่า Quantum AI ที่กำลังถูกพูดถึงในตลาด ไม่ได้หมายถึงควอนตัมแท้ทั้งหมด หลายโซลูชันเป็นการผสมผสานกับระบบเดิม หรือหยิบแนวคิดควอนตัมมาใช้บนคอมพิวเตอร์ทั่วไป ขณะที่ Quantum-native AI ซึ่งต้องพึ่งฮาร์ดแวร์ควอนตัมโดยตรง ยังไม่พร้อมสำหรับงานเชิงพาณิชย์ระดับองค์กร
ทำไม Quantum AI ที่เห็นในตลาดยังไม่ใช่ควอนตัมแท้ทั้งหมด
Quantum AI หมายถึงเทคนิค AI หรือ Machine Learning ที่ต้องใช้การประมวลผลบนฮาร์ดแวร์ควอนตัม เพื่อหวังผลด้านประสิทธิภาพ ต้นทุน หรือความสามารถที่เหนือกว่าระบบดั้งเดิม แต่การเรียกชื่อรวมกันทำให้สถานะของเทคโนโลยีแต่ละแบบดูใกล้เคียงกันกว่าความเป็นจริง
ระบบที่องค์กรพบในเวลานี้แบ่งได้เป็น 3 กลุ่มหลัก
- Classical AI ได้แก่ Deep Learning, Transformers และ Reinforcement Learning ที่ทำงานบน CPU, GPU หรือ TPU เป็นระบบที่พร้อมใช้งานจริงในปัจจุบัน
- Quantum-inspired AI นำแนวคิดการคำนวณแบบควอนตัมมาเขียนเป็นโปรแกรม แต่ยังทำงานบนคอมพิวเตอร์ทั่วไป ใช้กับโจทย์ซับซ้อนอย่างการจัดสรรระบบขนส่งหรือการจำลองสถานการณ์ทางธุรกิจได้
- Hybrid Quantum-Classical ใช้ชิปควอนตัมขนาดเล็กทำงานร่วมกับซูเปอร์คอมพิวเตอร์แบบเดิม หรือ HPC ซึ่งปัจจุบันยังอยู่ในงานวิจัยและโครงการนำร่อง
ชิรัค เดกาเต้ รองประธานนักวิเคราะห์การ์ทเนอร์ ระบุว่า โซลูชัน Quantum AI ที่ผู้ให้บริการเสนอส่วนใหญ่ยังเป็นเทคโนโลยีไฮบริดหรืออัลกอริทึมที่ประยุกต์แนวคิดควอนตัม และยังไม่มีงานวิจัยที่ได้รับการรับรองซึ่งยืนยันความได้เปรียบของควอนตัมบนเวิร์กโหลด AI ระดับองค์กร
ความพร้อมจริงต้องดูมากกว่าจำนวนคิวบิต
การทำให้ระบบควอนตัมมีความเสถียรและทนทานต่อความผิดพลาดในระดับที่ช่วย AI ได้จริง ต้องอาศัยความก้าวหน้าหลายส่วนพร้อมกัน ไม่ว่าจะเป็นฮาร์ดแวร์ ระบบแก้ไขข้อผิดพลาด มิดเดิลแวร์ และอัลกอริทึมที่เหมาะกับงาน
การ์ทเนอร์มองว่า ระบบควอนตัมที่เสถียรจะยังจำกัดอยู่ในขั้นวิจัยและพัฒนาสำหรับงาน AI ไปจนถึงปี 2573 เพราะจำนวน Logical Qubit ยังไม่มากพอที่จะรองรับอัลกอริทึม AI ได้เต็มรูปแบบ และยังไม่สามารถสร้างความคุ้มค่าทางเศรษฐกิจได้ชัดเจน
ตัวเลขที่ควรติดตามจึงไม่ใช่ Physical Qubit อย่างเดียว แต่รวมถึงความพร้อมของ Logical Qubit ที่มีอัตราความผิดพลาดต่ำ ตลอดจนพัฒนาการของ Error Correction และระบบควบคุม ซึ่งเป็นส่วนที่เชื่อมความก้าวหน้าทางวิศวกรรมเข้ากับการใช้งานจริง
แยกงบ Quantum ออกจากการลงทุน AI ที่สร้างผลลัพธ์วันนี้
งบวิจัยควอนตัมและงบโครงสร้างพื้นฐาน AI มีกรอบเวลาและผลตอบแทนที่ต่างกัน การ์ทเนอร์ระบุว่า GenAI สามารถคืนทุนที่วัดผลได้ภายใน 12–18 เดือน จากระยะเวลาทำงาน ความแม่นยำ และการทำงานแบบอัตโนมัติ ขณะที่ Quantum AI ยังไม่เคยสร้างมูลค่าที่วัดผลได้บนเวิร์กโหลดจริง
องค์กรจึงควรวางกรอบการทดลองควอนตัมให้สอดคล้องกับความพร้อมของเทคโนโลยี โดยมีแนวทางสำคัญดังนี้
- ใช้อัลกอริทึม Quantum-inspired บนโครงสร้างพื้นฐาน GPU เดิมกับงาน Optimization, GenAI, พีชคณิตเชิงเส้น และ Reinforcement Learning แทนการรีบลงทุนในฮาร์ดแวร์ควอนตัม
- กำหนด KPI, ระบบ AI ดั้งเดิมสำหรับ Benchmark และเงื่อนไขยุติโครงการนำร่องตั้งแต่ต้น เพื่อป้องกันการใช้งบโดยไม่มีจุดตัดสินใจ
- ประเมินความก้าวหน้าจาก Logical Qubit, Error Correction และระบบควบคุม ไม่ยึดจำนวน Physical Qubit หรือข้อความทางการตลาดเพียงอย่างเดียว
สำหรับ CIO การแยกงบ GenAI, Agentic AI, ความปลอดภัยทางไซเบอร์ และคลาวด์ ออกจากการลงทุนควอนตัมระยะยาว ช่วยให้แต่ละโครงการมีตัววัดผลและความคาดหวังที่เหมาะสมกับระยะเวลาคืนทุนของตัวเอง
ติดตามข้อมูลข่าวสารน่าสนใจได้ทาง www.zanzab.com และช่องทางโซเชียล
Facebook , YouTube , Instagram และ Tiktok
