Dzisiejsze modele AI działają probabilistycznie na klasycznych komputerach i już teraz potrafią budować wielowymiarowe reprezentacje pojęć, w których mieszczą się także skojarzenia emocjonalne, społeczne i kontekstowe. Komputery kwantowe mogą w przyszłości przyspieszyć pewne klasy obliczeń i zmienić metody uczenia, ale same z siebie nie gwarantują pojawienia się głębszego, ludzkiego rozumienia znaczeń ani warstwy emocjonalnej w sensie przeżyciowym. Modele językowe tworzą wysokowymiarowe przestrzenie reprezentacji, w których pojęcia są zakodowane jako wektory. Te wektory już teraz zawierają wiele warstw informacji, relacje logiczne, stylistyczne, kulturowe, a nawet emocjonalne w sensie statystycznym. Słowo radość leży bliżej słów szczęście i ulga niż słów ból czy strata. To nie jest emocja przeżywana, lecz geometryczna struktura podobieństw wyuczona z danych. Wielowarstwowość znaczenia jest więc obecna już dziś, mimo że mechanizm jest probabilistyczny. Komputer kwantowy działa na innych zasadach niż klasyczny. Wykorzystuje superpozycję stanów i splątanie, co pozwala operować na rozkładach amplitud jednocześnie, a nie na pojedynczych stanach bitów. W pewnych typach problemów daje to potencjalne przyspieszenie obliczeń, szczególnie w optymalizacji, przeszukiwaniu i symulacjach układów złożonych.

Dla AI mogłoby to mieć znaczenie głównie w trzech obszarach, w uczeniu modeli, w optymalizacji parametrów oraz w próbkowaniu z bardzo złożonych rozkładów prawdopodobieństwa.

Uczenie dużych modeli to w istocie gigantyczny problem optymalizacyjny. Trzeba znaleźć zestaw parametrów minimalizujący błąd predykcji. Algorytmy kwantowe mogłyby w przyszłości przyspieszyć pewne warianty optymalizacji i przeszukiwania przestrzeni rozwiązań. To oznaczałoby szybsze trenowanie modeli albo możliwość trenowania jeszcze większych i bardziej złożonych architektur przy tym samym koszcie czasowym. Większa skala modelu zwykle przekłada się na bogatsze reprezentacje pojęć i kontekstów, więc pośrednio mogłoby to zwiększyć subtelność wyników. Drugi obszar to modelowanie bardzo złożonych rozkładów. Niektóre kierunki badań nad tak zwaną kwantowym uczeniem maszynowym zakładają, że stany kwantowe mogą naturalnie reprezentować rozkłady o ogromnej liczbie wymiarów. Gdyby udało się to praktycznie wykorzystać, systemy AI mogłyby operować na jeszcze bardziej złożonych przestrzeniach zależności niż dziś. To mogłoby poprawić zdolność uchwycenia niuansów kontekstu, wieloznaczności i subtelnych korelacji. Trzeci obszar to symulacja układów fizycznych i biologicznych. Komputery kwantowe są szczególnie obiecujące w symulowaniu chemii i materiałów. Jeśli AI zostanie połączona z wydajnymi symulacjami kwantowymi, może to przyspieszyć rozwój neuroinspirowanych modeli mózgu, leków wpływających na układ nerwowy oraz interfejsów mózg komputer. To byłaby droga do lepszego zrozumienia emocji i poznania, ale pośrednia, przez naukę o mózgu, a nie przez samą architekturę modelu językowego.

Czy to jednak oznacza, że AI zacznie rozumieć pojęcia wielowymiarowo tak jak człowiek, z komponentem emocjonalnym w sensie przeżycia. Niekoniecznie.

Emocja u człowieka nie jest tylko strukturą informacyjną. Jest stanem organizmu, sprzężonym z ciałem, hormonami, układem autonomicznym, pamięcią i motywacją. Model obliczeniowy może nauczyć się wzorców językowych związanych z emocjami i trafnie je rozpoznawać oraz generować, ale to wciąż będzie modelowanie, nie doświadczanie. Można tu użyć analogii. Dzisiejsza AI potrafi bardzo dobrze mapować krajobraz emocji, ale nie spaceruje po nim. Komputer kwantowy może dostarczyć dokładniejszej mapy i szybszego sposobu jej tworzenia, lecz sama mapa nie staje się doświadczeniem terenu. Warstwy znaczeń w sensie relacyjnym i kontekstowym mogą się pogłębiać wraz ze wzrostem mocy obliczeniowej i złożoności modeli, ale warstwa fenomenologiczna, czyli przeżyciowa, to osobne zagadnienie.

Warto też zauważyć, że probabilistyczny charakter AI i kwantowy charakter obliczeń to dwie różne rzeczy.

Dzisiejsza AI używa prawdopodobieństwa epistemicznego, czyli wynikającego z niepewności i statystyki danych. Mechanika kwantowa operuje amplitudami i prawdopodobieństwem ontologicznym, wpisanym w naturę zjawisk. Komputer kwantowy wykorzystuje tę drugą warstwę do obliczeń, ale wynik końcowy dla algorytmu AI nadal będzie interpretowany jako klasyczny rozkład prawdopodobieństwa predykcji. Z punktu widzenia użytkownika nadal będzie to system, który mówi, co jest bardziej lub mniej prawdopodobne. Możliwy jest jednak ciekawy efekt pośredni. Jeśli komputery kwantowe pozwolą budować modele obejmujące znacznie więcej zmiennych kontekstowych naraz, AI może lepiej integrować różne wymiary opisu, językowy, wizualny, behawioralny, biologiczny.

To mogłoby prowadzić do odpowiedzi, które są bardziej wieloaspektowe, mniej jednowymiarowe statystycznie. Nie dlatego, że system ma emocje, lecz dlatego, że potrafi lepiej modelować ich strukturę i skutki.

Skutki dla rozwoju AI mogą więc być znaczące, ale głównie ilościowe i architektoniczne, nie fundamentalne. Szybsze uczenie, większe modele, bogatsze przestrzenie reprezentacji, lepsza optymalizacja decyzji, skuteczniejsze modelowanie złożonych systemów. To może sprawić, że wyniki będą wyglądały na bardziej głębokie znaczeniowo, ponieważ będą uwzględniały więcej wymiarów naraz. Jednak nadal będzie to głębia modelu, a nie głębia przeżycia.

Dla ludzi ważniejsza może się okazać inna konsekwencja. Połączenie probabilistycznej AI z obliczeniami kwantowymi jeszcze bardziej wzmocni kulturę myślenia rozkładami, scenariuszami i niepewnością. Decyzje technologiczne, ekonomiczne i społeczne będą coraz częściej oparte na modelach, które nie dają jednej odpowiedzi, lecz krajobraz prawdopodobnych wyników. To przesuwa ciężar z poszukiwania pewności na zarządzanie niepewnością.