ความอยากรู้โดยบังเอิญ เรื่อง Quantum Computer กับ AI

เดือนที่แล้วผู้เขียนไปถึงห้องประชุมงานหนึ่งก่อนเวลาราวยี่สิบนาที อ่านวาระจบแล้ว ไม่มีอะไรทำ ก็เลยนั่งคิดเรื่อยเปื่อย แล้วมีคำถามหนึ่งโผล่ขึ้นมาว่า ถ้าวันหนึ่ง Quantum Computer ใช้งานได้จริง แล้วเอามารวมกับ AI จะเป็นอย่างไร

ตอนนั้นไม่ได้คิดจะเขียนอะไร แค่สงสัยเฉย ๆ พอประชุมเสร็จก็ลืมไป ตกเย็นนึกขึ้นได้ก็เลยลองค้นข้อมูลดู แล้วก็ดูต่ออีกเรื่อย ๆ จนถึงตอนนี้ก็เดือนหนึ่งพอดี

คำตอบที่ได้ไม่ตรงกับที่เดาไว้ตอนแรก เลยคิดว่าน่าเขียนเก็บไว้

1. สิ่งที่ผู้เขียนคิดไว้ก่อนจะไปค้น

ขอเล่าความคิดตั้งต้นก่อน เพราะมันผิด และคิดว่าหลายคนน่าจะคิดเหมือนกัน

ภาพในหัวตอนนั้นคือควอนตัมจะทำให้ AI เทรนเร็วขึ้นเป็นพันเท่า โมเดลใหญ่ขึ้น ฉลาดขึ้นแบบก้าวกระโดด งานที่วันนี้ใช้เวลาสามเดือนจะเหลือสามชั่วโมง ซึ่งฟังดูมีเหตุผลดี เพราะสิบปีที่ผ่านมาเราเห็นสมการนี้เป็นจริงมาตลอดตั้งแต่ยุค GPU คือคอมพิวเตอร์แรงขึ้นแล้ว AI ก็เก่งขึ้นตาม

ปัญหาคือสมการนี้ใช้กับควอนตัมไม่ได้ และผู้เขียนใช้เวลาเกือบทั้งเดือนกว่าจะเข้าใจว่าทำไม

2. เรื่องแรก คือมันใกล้กว่าที่คิด

ในความเข้าใจเดิม ควอนตัมคอมพิวเตอร์เป็นของอีกยี่สิบปีข้างหน้า เป็นเครื่องในห้องแล็บที่ต้องแช่เย็นจนเกือบถึงศูนย์องศาสัมบูรณ์ ทำอะไรได้ไม่กี่อย่าง และพังง่าย

พอไปอ่านข้อมูลจากเว็บของ IBM กับ Google เองก็พบว่าไม่ใช่แล้วครับ

ขออธิบายคำว่า qubit สักหน่อยก่อน เพราะจะใช้บ่อยตลอดบทความ คอมพิวเตอร์ที่เราใช้กันอยู่เก็บข้อมูลเป็นบิต ซึ่งเป็นได้แค่ 0 หรือ 1 อย่างใดอย่างหนึ่ง ส่วน qubit ของเครื่องควอนตัมเป็นได้ทั้ง 0 และ 1 ในเวลาเดียวกัน ผลคือมันลองหลายคำตอบไปพร้อมกันได้ แทนที่จะไล่ทีละคำตอบแบบเครื่องปกติ ความสามารถนี้เองที่ทำให้ควอนตัมน่าสนใจ

ปัญหาคือ qubit เปราะบางมาก ความร้อนหรือคลื่นรบกวนเพียงนิดเดียวก็ทำให้ผลคำนวณเพี้ยน วิธีแก้คือใช้ qubit จริงหลายตัวมาทำหน้าที่เป็น qubit เดียวที่เชื่อถือได้ คล้ายกับให้คนหลายคนคำนวณเลขข้อเดียวกันแล้วเอาคำตอบมาเทียบกัน ถ้าใครคิดผิดก็รู้ทันที qubit ที่ผ่านการตรวจสอบแบบนี้เรียกว่า logical qubit คำถามคือต้องใช้ qubit จริงกี่ตัวถึงจะได้มาหนึ่งตัว

IBM พัฒนาวิธีตรวจสอบแบบใหม่ชื่อ gross code ใช้ qubit จริง 288 ตัวสร้าง logical qubit ที่เชื่อถือได้ 12 ตัว ฟังดูยังสิ้นเปลือง แต่เทียบกับวิธีเดิมที่ใช้กันมาแล้วถือว่าประหยัด qubit ลงประมาณสิบเท่า ส่วน Google พิสูจน์บนชิป Willow ได้ว่าเมื่อเพิ่มจำนวน qubit เข้าไป อัตราความผิดพลาดกลับลดลง ซึ่งก่อนหน้านี้มันเป็นตรงกันข้ามมาตลอด คือยิ่งเพิ่มยิ่งเละ

เดือนตุลาคมปีที่แล้ว Google ประกาศว่าทำ verifiable quantum advantage ได้เป็นครั้งแรก หมายถึงควอนตัมทำงานหนึ่งได้เหนือกว่าคอมพิวเตอร์ธรรมดา และผลลัพธ์นั้นตรวจสอบยืนยันได้ ไม่ใช่แค่อ้าง อัลกอริทึมชื่อ Quantum Echoes รันบน Willow ขนาด 105 qubit

งานที่มันทำคือการเปิดดูโครงสร้างภายในของระบบควอนตัมอย่างโมเลกุล ไม่ใช่งานด้าน AI

ฝั่ง IBM ก็ประกาศว่าภายในสิ้นปี 2569 นี้จะเริ่มเห็นตัวอย่างแรกที่ควอนตัมทำงานได้คุ้มกว่าคอมพิวเตอร์ทั่วไปในโจทย์จริง โดยควอนตัมทำหน้าที่เป็นตัวเร่งให้ซูเปอร์คอมพิวเตอร์ ไม่ใช่มาแทนที่

ทั้งหมดนี้ยังไม่ใช่เครื่องควอนตัมที่ทนความผิดพลาดได้เต็มรูปแบบ IBM วางแผนไว้ว่าเครื่องแรกชื่อ Starling จะเสร็จปี 2572 ทำงานได้ 100 ล้านคำสั่งบน logical qubit 200 ตัว ตัวเลขร้อยล้านคำสั่งนี้หมายถึงจำนวนขั้นตอนที่เครื่องรันได้ต่อเนื่องโดยผลไม่เพี้ยน ซึ่งเป็นระดับที่เริ่มเอาไปใช้กับโจทย์จริงได้ สิ่งที่ทำสำเร็จในปีนี้คือการสาธิตชิ้นส่วนสำคัญทีละชิ้น

3. เรื่องที่สอง คือมันไม่ได้ช่วย AI อย่างที่คิด

พอรู้ว่าฮาร์ดแวร์คืบหน้าขนาดนี้ ผู้เขียนก็ค้นต่อว่าแล้วมันช่วยงาน AI ได้แค่ไหน

มีงานวิจัยชิ้นหนึ่งที่ทำเรื่องนี้ตรง ๆ เขาเอาโมเดล Quantum Machine Learning ที่นิยมใช้กันมา 12 แบบ ทดสอบกับโจทย์จำแนกข้อมูล 6 ชุด สร้างเป็นชุดทดสอบ 160 ชุด แล้วเทียบกับโมเดล Machine Learning ธรรมดาที่ใช้กันทุกวัน ผลคือโมเดลคลาสสิกชนะ

ที่น่าสนใจกว่านั้นคือ เมื่อเขาลองถอดสิ่งที่เรียกว่า entanglement ออกจากโมเดล ผลลัพธ์กลับดีเท่าเดิมหรือดีขึ้น entanglement คือสภาพที่ qubit สองตัวผูกพันกันจนแยกจากกันไม่ได้ เปลี่ยนตัวหนึ่งอีกตัวก็เปลี่ยนตามทันทีแม้อยู่คนละที่ ถือเป็นคุณสมบัติที่ทำให้ควอนตัมต่างจากคอมพิวเตอร์ธรรมดาที่สุด การถอดมันออกแล้วผลไม่แย่ลง จึงเท่ากับบอกว่าความเป็นควอนตัมอาจไม่ใช่ส่วนสำคัญเลยสำหรับโจทย์กลุ่มนี้

เหตุผลเรียบง่ายกว่าที่คิดครับ การเทรน AI สมัยนี้ โดยเฉพาะโมเดลตระกูล Transformer ที่อยู่เบื้องหลัง ChatGPT หรือ Claude แก่นของมันคือการคูณตัวเลขมหาศาลที่เรียงกันเป็นตาราง ทำซ้ำแบบเดิมนับล้านล้านครั้ง งานลักษณะนี้ซ้ำซากแต่ปริมาณมหาศาล ซึ่งตรงกับสิ่งที่ GPU ถูกออกแบบมาทำโดยเฉพาะและทำได้ดีอยู่แล้ว ควอนตัมไม่ได้ถูกสร้างมาเพื่องานประเภทนี้ ต่อให้เครื่องเสร็จสมบูรณ์ก็ไม่ได้แปลว่าจะเอามาเทรนโมเดลได้เร็วขึ้น

4. แล้วมันเก่งเรื่องอะไร

พอเปลี่ยนคำถามจาก "ควอนตัมจะทำให้ AI เร็วขึ้นไหม" เป็น "ควอนตัมถูกสร้างมาเพื่ออะไร" ภาพก็ชัดขึ้น

มันเก่งอยู่สองเรื่อง เรื่องแรกคือการจำลองธรรมชาติ ทั้งโมเลกุล ปฏิกิริยาเคมี วัสดุ และอนุภาค เพราะธรรมชาติทำงานแบบควอนตัมอยู่แล้ว การใช้เครื่องควอนตัมจำลองจึงตรงเครื่องมือกว่า เรื่องที่สองคือการหาคำตอบที่ดีที่สุดจากความเป็นไปได้จำนวนมหาศาล ซึ่งเป็นโจทย์ที่คอมพิวเตอร์ธรรมดาต้องไล่ดูทีละแบบ

ประเภทโจทย์	คลาสสิก	ควอนตัม	สถานะวันนี้
เทรนโมเดลภาษาขนาดใหญ่	ชนะ	—	GPU ยังเหนือกว่าชัดเจน
จำแนกข้อมูลทั่วไป	ชนะ	—	ทดสอบ 12 โมเดล ไม่มีตัวไหนเร็วกว่า
จำลองโมเลกุล / วัสดุ	จำกัด	ชนะ	พิสูจน์แบบตรวจสอบได้แล้ว (ต.ค. 2568)
หาคำตอบที่ดีที่สุด	ได้คำตอบที่พอใช้	มีแนวโน้มดี	ได้ผลกับโจทย์ขนาดเล็กถึงกลาง
งานจริงส่วนใหญ่	ใช้ร่วมกัน (Hybrid)		แนวทางหลักในทางปฏิบัติ

* สรุปจากงานวิจัยและประกาศทางการของ IBM Quantum และ Google Quantum AI ช่วงปี 2567–2569 สถานะด้านนี้เปลี่ยนแปลงเร็ว

ตารางนี้บอกว่าควอนตัมไม่ได้มาแทนคอมพิวเตอร์ที่เราใช้อยู่ แต่มาต่อยอดในจุดที่คอมพิวเตอร์เดิมไปไม่ถึง และข้อสังเกตที่ชัดที่สุดคือ ความสำเร็จครั้งแรกของโลกที่ควอนตัมชนะแบบตรวจสอบได้ ไม่ได้เกิดกับงาน AI แต่เกิดกับการมองเข้าไปในโมเลกุล

มีตัวอย่างอื่นในทางเดียวกัน เช่น ศูนย์วิจัย Jülich ในเยอรมนีใช้ควอนตัมช่วยทำนายการจับตัวของโปรตีนกับ DNA และ TRIUMF ศูนย์เครื่องเร่งอนุภาคของแคนาดาใช้จำลองการชนของอนุภาค

แต่ความสามารถข้อที่สองต่างหากที่ทำให้ผู้เขียนสนใจ เพราะการหาคำตอบที่ดีที่สุดจากความเป็นไปได้มหาศาล คือสิ่งที่พวกเราทำกันอยู่ทุกวัน และทำแบบตัดปัจจัยทิ้งมาตลอด

การบริหารน้ำทั้งลุ่มน้ำ

ลุ่มน้ำหนึ่งมีปัจจัยเกี่ยวข้องนับไม่ถ้วน ทั้งเขื่อนหลายแห่ง ประตูน้ำหลายจุด ปริมาณฝนที่พยากรณ์ได้ไม่แน่นอน การซึมลงดิน การระเหย สภาพลำน้ำที่เปลี่ยนไปตามฤดู ความต้องการใช้น้ำของภาคเกษตร อุตสาหกรรม และการอุปโภคบริโภคที่ขัดกันเอง รวมถึงพฤติกรรมของคนที่ไม่ทำตามแผน

แต่แบบจำลองที่เราใช้จริงรับปัจจัยได้ไม่กี่ตัว เราจึงเลือกตัวที่คิดว่าสำคัญที่สุดมาไม่กี่ตัว ตรึงที่เหลือให้เป็นค่าคงที่ แล้วคำนวณจากตรงนั้น ผลที่ได้เราเรียกว่าแผนบริหารจัดการน้ำ ทั้งที่มันคือคำตอบของโจทย์ที่เราตัดจนเล็กพอให้เครื่องมือรับไหว

ตารางงานก่อสร้าง

โครงการหนึ่งมีกิจกรรมเป็นพัน ทรัพยากรจำกัด เครื่องจักรชนกัน ทีมงานชุดเดียวถูกเรียกไปสองไซต์ ฝีมือช่างแต่ละทีมไม่เท่ากัน ฝนตกสัปดาห์เดียวก็ต้องเรียงใหม่ทั้งหมด เครื่องมือที่เราใช้คือ CPM หรือการวิเคราะห์เส้นทางวิกฤต ซึ่งมองเห็นแค่ลำดับก่อนหลังกับระยะเวลา ส่วนเงื่อนไขอีกหลายสิบข้อที่หัวหน้าโครงการรู้อยู่ในหัว ไม่เคยเข้าไปอยู่ในแผนภาพนั้น เราจึงได้คำตอบที่ใช้ได้ แต่ไม่มีใครกล้าบอกว่าเป็นคำตอบที่ดีที่สุด

มีงานวิจัยใน Scientific Reports ลองเอาเครื่องควอนตัมชนิดที่เรียกว่า quantum annealing ซึ่งสร้างมาเพื่อหาค่าที่ดีที่สุดโดยเฉพาะ มาแก้โจทย์การจัดตารางงานภายใต้ทรัพยากรจำกัดนี้โดยตรง ผลออกมาว่ามีศักยภาพชัดเจนกับโครงการขนาดเล็กถึงกลาง

การเลือกแนวเส้นทางด้วย GIS

การเลือกแนวเส้นทางเกี่ยวข้องกับปัจจัยหลายสิบอย่าง ทั้งความลาดชัน ชนิดดิน การใช้ประโยชน์ที่ดิน พื้นที่อ่อนไหวทางสิ่งแวดล้อม ราคาที่ดิน ความรู้สึกของชุมชน และการเปลี่ยนแปลงในอนาคตที่ยังไม่เกิด สิ่งที่เราทำจริงคือเลือกมาสิบกว่าชั้น ให้น้ำหนักแต่ละชั้นเป็นตัวเลข แล้วบวกกันออกมาเป็นคะแนน

ปัจจัยที่แปลงเป็นตัวเลขไม่ได้ก็ตกไป ปัจจัยที่มีข้อมูลไม่ครบก็ตกไป ที่เหลือรอดเข้ามาอยู่ในแบบจำลองคือปัจจัยที่วัดได้และมีข้อมูลพร้อม ซึ่งไม่ใช่เรื่องเดียวกับปัจจัยที่สำคัญที่สุด แล้วเราก็เรียกผลลัพธ์นั้นว่าแนวทางที่เหมาะสมที่สุด

พอเรียงสามเรื่องนี้ต่อกันก็เห็นอะไรบางอย่างที่ไม่เคยเห็นครับ ตลอดชีวิตการทำงาน ผู้เขียนตัดปัจจัยออกจากโจทย์เพื่อให้เหลือเท่าที่เครื่องมือคำนวณไหว โดยไม่เคยกลับไปถามว่าสิ่งที่ตัดทิ้งไปนั้นสำคัญแค่ไหน มันกลายเป็นวิธีทำงานปกติจนเราสอนต่อกันมาโดยเรียกว่าประสบการณ์

5. สรุปสิ่งที่ได้จากการค้นคว้าเรื่องนี้

คำถามตั้งต้นคือควอนตัมจะทำให้ AI ฉลาดขึ้นแค่ไหน คำตอบคือไม่ได้ฉลาดขึ้นอย่างที่เราจินตนาการกัน อย่างน้อยก็ไม่ใช่ด้วยกลไกที่คนส่วนใหญ่เข้าใจ

สิ่งที่มันเปลี่ยนไม่ใช่ความเร็วในการคิด แต่เป็นจำนวนปัจจัยที่เราใส่เข้าไปในโจทย์ได้พร้อมกัน เช่น ถ้าลุ่มน้ำหนึ่งคำนวณได้โดยไม่ต้องตรึงตัวแปรไหนไว้เลยล่ะ ถ้าชั้นข้อมูล GIS ที่วัดยากได้เข้าไปอยู่ในสมการด้วยล่ะ หรือถ้าตารางงานคำนวณจากเงื่อนไขจริงครบทุกข้อที่หัวหน้าโครงการรู้ล่ะ

คำถามพวกนี้เราไม่เคยถามกัน ไม่ใช่เพราะไม่อยากรู้ แต่เพราะรู้อยู่แล้วว่าไม่มีเครื่องมือจะตอบ พอถามไปก็ไม่มีประโยชน์ เราเลยเลิกถามไปโดยปริยาย

ปัญหาจริงในธรรมชาติมีปัจจัยเกี่ยวข้องกันอยู่มหาศาล แต่เครื่องมือที่เรามีรับได้ทีละไม่กี่ตัว เราจึงเลือกปัจจัยที่วัดได้และคิดว่าสำคัญมาไม่กี่ตัว แล้วแก้ปัญหาจากตรงนั้น พอทำซ้ำจนชิน สิ่งที่เกิดขึ้นคือเราเริ่มเข้าใจว่าปัจจัยไม่กี่ตัวนั้นคือตัวปัญหา ทั้งที่มันเป็นเพียงส่วนที่เครื่องมือของเรามองเห็น

เครื่องควอนตัมเต็มรูปแบบยังอีกสามสี่ปี แต่คำถามที่ว่าแบบจำลองที่เราใช้อยู่ตัดปัจจัยอะไรออกไปบ้าง และตัดเพราะมันไม่สำคัญจริง หรือเพราะคำนวณไม่ไหว อันนี้ถามได้ตั้งแต่วันนี้ครับ

---

เขียนเมื่อ 6 สิงหาคม 2569 | IBM Quantum Roadmap และ IBM Quantum Blog, Google Quantum AI (Willow, Quantum Echoes), arXiv: Better than classical? The subtle art of benchmarking quantum machine learning models, Scientific Reports: Solving the resource constrained project scheduling problem with quantum annealing, D-Wave, Forschungszentrum Jülich, TRIUMF