Groeiende investeringen in kwantum-AI

Dit blijkt uit onderzoek van data- en AI-expert SAS onder meer dan 500 wereldwijde leiders in verschillende sectoren blijkt dat de grootste obstakels voor de adoptie van kwantum-AI in 2026 zijn: onzekerheid over praktische toepassingen, hoge implementatiekosten, gebrek aan getraind personeel, gebrek aan kennis of begrip, beperkte beschikbaarheid van kwantum-AI-oplossingen en gebrek aan duidelijke regelgevende richtlijnen.

Machine learning-algoritmen op kwantum-hardware

Deze nieuwe aanpak laat machine learning-algoritmen op huidige kwantum-hardware draaien. In de praktijk kan kwantum-AI organisaties helpen om taken die normaal verschillende uren duren, in slechts enkele minuten uit te voeren. Ook kan het problemen aanpakken waarvan gedacht werd dat dit op bestaande hardware onmogelijk was. Daarnaast kan kwantum-AI modellen kalibreren, zodat ze efficiënt leren met minder data. Dit verhoogt de stabiliteit, naast tal van andere voordelen.

SAS beschouwt klassieke computing en kwantumcomputing als een spectrum: met de bewezen klassieke computing aan de ene kant en de experimentele, exponentieel krachtigere kwantumcomputing aan de andere kant. Veel problemen van sectoren en bedrijven zitten ergens in het midden. Met een hybride aanpak worden de workloads opgesplitst, waarbij kwantumverwerking en klassieke verwerking elk doen waar ze het best in zijn.

'Klaar zijn voor volwassenheid'

“Organisaties van iedere omvang willen graag intellectueel eigendom ontwikkelen – hun originele, gepatenteerde benadering van kwantum-AI. Zo willen ze klaar zijn voor het moment waarop deze technologie volwassen wordt”, zegt Bill Wisotsky, Principal Quantum Architect bij SAS. “Ondanks hun grote interesse zijn leiders uiteraard voorzichtig. Ze willen nu niet alles inzetten op dure kwantuminvesteringen waarvan ze vrezen dat ze niet zullen leiden tot goede toepassingen en oplossingen voor problemen.”

“Daar wil SAS verandering in brengen door praktische use cases voor vandaag te ontwikkelen, en er voor te zorgen dat klanten ook morgen mee kunnen profiteren van kwantumontwikkelingen.”

“Deze survey belicht wat SAS-experts al zagen in de markt: dat leiders er wel naar uitkijken om kwantum te gebruiken, maar dat de drempel voorlopig nog te hoog ligt. En daar is een oplossing voor nodig”, zegt Amy Stout, Head of Quantum Product Strategy bij SAS. “SAS is verheugd dat het een voorproefje kan geven van SAS Quantum Lab, een hands-on omgeving waarin we leren en innoveren met het oog op concreet rendement.”

SAS Quantum Lab

In het vierde kwartaal krijgen klanten van SAS Viya toegang tot SAS Quantum Lab, wat zij volgens SAS kunnen gebruiken als startpunt voor hun kwantum-AI-traject. Het lab is ontworpen om het huidige werk van kwantumexperts aan te vullen, maar ook om gebruikers te ondersteunen die geen kwantumfysici zijn, maar wel hun ideeën willen onderzoeken, testen en valideren. Het vermindert de kosten van kwantum-AI-onderzoek aanzienlijk en helpt klanten om valse signalen te voorkomen, terwijl ze deze technologie op een efficiënte en geloofwaardige manier verkennen.

SAS Quantum Lab biedt de mogelijkheid om klassieke, kwantum- en hybride resultaten van use cases naast elkaar te vergelijken, zodat gebruikers de beste oplossingen voor hun businessproblemen kunnen vinden. Daarnaast zijn er mogelijkheden die prestaties boosten: tests tonen een versnelling van 100 keer en 99% lagere kosten. Ook is er een virtuele kwantum-AI-assistent die leerprocessen versnelt door vragen te beantwoorden, voorbeeldcode aan te bieden en volgende stappen aan te bevelen.

Toepassingen

Aan het einde van de survey kregen respondenten de optie om een open vraag te beantwoorden over welke toepassingen ze met kwantum-AI willen bereiken of welke businessproblemen ze graag willen oplossen. Enkele antwoorden waren het verhogen van de nauwkeurigheid van fraudedetectiesystemen in de financiële dienstverlening, het optimaliseren van 5G-netwerkverkeer in realtime, het versnellen van moleculaire simulaties en de ontdekking van geneesmiddelen, het optimaliseren van logistieke problemen in de toeleveringsketen, het verbeteren van Machine Learning-workflows met focus op predictieve modellering voor klantgedrag en het trainen van Large Language Modellen voor taken op basis van natuurlijke taal.