การ์ทเนอร์ อิงก์ ออกโรงเตือนภาคธุรกิจและองค์กรขนาดใหญ่ว่า ระบบปัญญาประดิษฐ์ระดับองค์กรจะยังไม่สามารถประมวลผลบนฮาร์ดแวร์ควอนตัมได้จนถึงปี พ.ศ. 2571 เป็นอย่างน้อย พร้อมระบุว่าระบบคอมพิวเตอร์ดั้งเดิมที่ใช้ฮาร์ดแวร์เร่งความเร็ว (Classical Accelerated AI) ยังคงเป็นแกนหลักที่ให้ประสิทธิภาพและความคุ้มค่าทางเศรษฐกิจสูงสุดในสายการผลิตจริง
ชิรัค เดกาเต้ รองประธานนักวิเคราะห์ของการ์ทเนอร์ เปิดเผยว่า โซลูชันที่ผู้ให้บริการเทคโนโลยีนำเสนอภายใต้ชื่อ “Quantum AI” ในปัจจุบัน ส่วนใหญ่เป็นเพียงเทคนิคไฮบริดหรืออัลกอริทึมที่นำแนวคิดควอนตัมมาประยุกต์ใช้เท่านั้น ไม่ใช่ Quantum-native AI แท้จริงที่พร้อมใช้งานในระดับองค์กร ยิ่งไปกว่านั้น ยังไม่เคยมีผลงานวิจัยใดที่ผ่านการรับรองจากผู้เชี่ยวชาญว่าควอนตัมคอมพิวติ้งสามารถสร้างความได้เปรียบเชิงประสิทธิภาพต่อการประมวลผล AI องค์กรได้จริง และคาดว่าเทคโนโลยีควอนตัมที่แท้จริงจะยังไม่พร้อมรองรับ AI เชิงพาณิชย์ตลอดช่วงทศวรรษนี้
ชำแหละความแตกต่าง ตัดความสับสนของคำว่า AI
ในปัจจุบันตลาดเทคโนโลยียังมีความเข้าใจที่คลาดเคลื่อนเกี่ยวกับการทำงานของเทคโนโลยีแต่ละประเภท ซึ่งการ์ทเนอร์ได้แยกแยะโครงสร้างทางเทคโนโลยีไว้อย่างชัดเจน:
- Classical AI: ระบบ AI ที่รันบน CPUs, GPUs หรือ TPUs เช่น Deep Learning, Transformers และ Reinforcement Learning ถือเป็นเครื่องมือเดียวในปัจจุบันที่พร้อมใช้งานจริงในสายการผลิต และสร้างผลตอบแทนจากการลงทุน (ROI) ทางธุรกิจได้อย่างเป็นรูปธรรม
- Quantum-inspired AI: การนำแนวคิดการคำนวณแบบควอนตัมมาพัฒนาเป็นโปรแกรมบนคอมพิวเตอร์มาตรฐาน ซึ่งช่วยแก้โจทย์การคำนวณซับซ้อน เช่น การจำลองสถานการณ์ทางธุรกิจ หรือการจัดสรรระบบขนส่ง โดยที่องค์กรไม่ต้องลงทุนในฮาร์ดแวร์ควอนตัมราคาแพง
- Hybrid Quantum-Classical: ระบบลูกครึ่งที่เชื่อมต่อชิปควอนตัมขนาดเล็กเข้ากับซูเปอร์คอมพิวเตอร์ (HPC) ปัจจุบันยังคงจำกัดอยู่ในโครงการวิจัยและโครงการนำร่องเท่านั้น ยังไม่พร้อมใช้งานในระบบงานหลัก
แนะแยกงบประมาณออกจากกัน ลดความเสี่ยงสูญงบ AI
การโหมกระแสการตลาดของผู้ให้บริการเทคโนโลยีกำลังสร้างแรงกดดันให้องค์กรเสี่ยงตัดสินใจผิดพลาด ด้วยการนำงบประมาณ AI ไปลงกับงานวิจัยและพัฒนาควอนตัม ซึ่งยังไม่สามารถสร้างผลตอบแทนเชิงพาณิชย์ที่คุ้มค่าได้ก่อนปี พ.ศ. 2573 เนื่องจากจำนวน Logical Qubit ยังไม่เพียงพอ และระบบ Fault-Tolerant ต้องอาศัยความก้าวหน้าพร้อมกันถึง 4 มิติ ได้แก่ ฮาร์ดแวร์, การแก้ไขข้อผิดพลาด (Error Correction), มิดเดิลแวร์ และอัลกอริทึม
การ์ทเนอร์ชี้ให้เห็นว่า GenAI สามารถพิสูจน์การคืนทุนได้ภายใน 12 ถึง 18 เดือน ทั้งด้านเวลา ความแม่นยำ และการทำงานอัตโนมัติ สวนทางกับ Quantum AI ที่ยังไม่เคยสร้างมูลค่าที่วัดผลได้บนเวิร์กโหลดจริง ผู้บริหารระดับสูง (CIO) จึงควรแยกงบประมาณออกจากกันอย่างเด็ดขาด โดยมุ่งเน้นงบหลักไปที่ GenAI, Agentic AI, ความปลอดภัยทางไซเบอร์ และคลาวด์ ส่วนงบด้านควอนตัมควรจัดเป็นงบ R&D ระยะยาวในสัดส่วนที่น้อยกว่า
3 แนวทางปฏิบัติสำหรับองค์กรเพื่อรับมือเทคโนโลยีควอนตัม
- เลือกใช้เทคนิค Quantum-inspired บนโครงสร้างพื้นฐานเดิม: ประยุกต์ใช้อัลกอริทึมแนวคิดควอนตัมบนระบบ GPU ปัจจุบัน เพื่อแก้โจทย์ Optimization, GenAI, พีชคณิตเชิงเส้น และ Reinforcement Learning โดยไม่ต้องแบกรับต้นทุนหรือความเสี่ยงจากฮาร์ดแวร์ควอนตัม
- ตั้ง KPI และเงื่อนไขการยุติโครงการนำร่อง: ทุกโปรเจกต์ทดลองควอนตัมต้องมีเกณฑ์วัดผลสำเร็จที่ชัดเจน มีระบบ AI ดั้งเดิมเป็นเกณฑ์เปรียบเทียบมาตรฐาน (Benchmark) และมีเงื่อนไขยุติโครงการเพื่อป้องกันงบประมาณบานปลาย
- วัดความก้าวหน้าที่ Logical Qubit: ติดตามพัฒนาการของ Logical Qubit ที่มีอัตราความผิดพลาดต่ำ รวมถึงความก้าวหน้าของระบบแก้ไขข้อผิดพลาด (Error Correction) มากกว่าการหลงไปกับตัวเลข Physical Qubit ที่ใช้ในการโฆษณา
–กับดัก AI Transformation ปัญหาหลักคือโครงสร้างและวัฒนธรรมองค์กร?
