تصور کنید باتری گوشی شما به‌جای یک روز، سه سال دوام بیاورد؛ این دقیقاً همان جهشی است که مایکروسافت در پایداری داده‌های کوانتومی ایجاد کرده است. اگر امروز در حال بررسی زیرساخت‌های محاسباتی برای ده سال آینده هستید، باید بدانید که میدان رقابت از «سخت‌افزار سنتی» به «طراحی عامل‌محور» تغییر کرده است.
طبق اعلام مایکروسافت (Microsoft)، هدف جدید این شرکت برای ساخت یک کامپیوتر کوانتومی مقیاس‌پذیر و دارای ارزش تجاری، اکنون به سال ۲۰۲۹ تغییر یافته است. این بازه زمانی نشان‌دهنده یک شتاب بسیار شدید است که تخمین‌های قبلی را به نصف کاهش می‌دهد و مایکروسافت را در موقعیتی قرار می‌دهد تا مستقیماً با نقشه راه ۱۰ میلیارد دلاری IBM رقابت کند. در این مسابقه، غول‌های دیگر صنعت مانند گوگل و آمازون، در کنار تلاش‌های متنوع و گسترده در چین، همگی به سمت اهداف مشابهی می‌تازند.
رایانش کوانتومی همچنان به عنوان «جام مقدس» سخت‌افزار شناخته می‌شود؛ زیرا وعده می‌دهد مسائلی را در حوزه‌های کشف دارو، علم مواد، رمزنگاری و مدل‌سازی اقلیمی حل کند که ابرکامپیوترهای قدرتمند فعلی حتی قادر به لمس آن‌ها نیستند. همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های مقیاس‌پذیری در تولیدات واقعی Microsoft Fabric و شکست‌های CI/CD اشاره کردیم، ارکستراسیون سطح بالای هوش مصنوعی همیشه با موانع روبروست؛ اما حالا مایکروسافت همان منطق عامل‌محور (Agentic) — یعنی استفاده از سیستم‌هایی که به‌جای اجرای دستورات ساده، به‌طور خودگردان هدف را دنبال می‌کنند — را در لایه‌ی فیزیکی طراحی سخت‌افزار پیاده کرده است.
سیر تکاملی ماجورانا
در کنفرانس توسعه‌دهندگان Build در سانفرانسیسکو، مایکروسافت جزئیات فنی تراشه Majorana 2 را منتشر کرد. این معرفی، نقطه اوج یک چرخش راهبردی است که از سال ۲۰۲۵ با معرفی اولین نسل تراشه ماجورانا آغاز شد. در حالی که نسل اول تنها بر اثبات مفهوم (Proof of Concept) متمرکز بود، Majorana 2 به‌طور خاص برای ارائه عملکرد واقعی مورد نیاز برای مقیاس‌پذیری صنعتی طراحی شده است.
این تحول بنیادین توسط پلتفرم Microsoft Discovery هدایت شده است؛ یک سامانه چندعاملی از هوش مصنوعی که برای تحقیق و توسعه‌های پیشرو (Frontier R&D) ساخته شده است. چیتان نایاک (Chetan Nayak)، پژوهشگر ارشد (Technical Fellow) مایکروسافت، در این باره می‌گوید: «ما ۱۰۰۰ برابر بهتر شده‌ایم. ما باید به پیشروی در این نقشه راه ادامه دهیم».
جهش در متریال و مهندسی
بر اساس مستندات منتشر شده، نقطه عطف این موفقیت در تغییر بنیادین لایه‌ی متریال و پشته‌ی مواد است.
- از آلومینیوم به سرب: برخلاف رقبایی مثل IBM و گوگل که همچنان از رویکردهای مبتنی بر آلومینیوم استفاده می‌کنند، شبیه‌سازهای هوش مصنوعی مایکروسافت پیش‌بینی کردند که متریال‌های مبتنی بر سرب، محافظت بهتری ایجاد می‌کنند. سرب در اینجا نقش دوگانه دارد: هم به‌عنوان یک ابررسانا عمل می‌کند و هم به‌عنوان سپری طبیعی در برابر اختلالات کیهانی که باعث ناپایداری کیوبیت‌ها می‌شوند.
- طول عمر کیوبیت: در حالی که کیوبیت‌های رقبا اغلب تنها چند میکروثانیه دوام می‌آورند، کیوبیت‌های Majorana 2 به‌طور میانگین ۲۰ ثانیه و در برخی موارد خاص حتی تا یک دقیقه کامل پایدار می‌مانند. این بهبود ۱۰۰۰ برابری، دقیقاً مشابه تفاوت میان باتری گوشی است که یک روز دوام می‌آورد در مقابل باتری‌ای که سه سال کار می‌کند.
- دقت اتمی: اجزای حیاتی این تراشه اتم به اتم طراحی شده‌اند. مدل‌های هوش مصنوعی پیش از آنکه هرگونه آزمایش فیزیکی صورت بگیرد، «دستورالعمل ایده‌آل» برای افزودن ناخالص‌ها (Dopants) به ساختار کریستالی را با تعادلی کامل پیش‌بینی می‌کنند.
- چالش‌های ساخت: به‌دلیل حلال بودن سرب در آب، این ماده به‌طور سنتی در ساخت تراشه avoided یا avoided (اجتناب) می‌شد. جیسون زاندر (Jason Zander)، نایب‌رئیس اجرایی بخش کوانتوم، اشاره کرد که این کار نیازمند یک «فرآیند به‌شدت تخصصی» است. مایکروسافت برای غلبه بر این مشکل، یک روش ساخت اختصاصی ابداع کرده است تا متریال‌ها را در طول مراحل تولید دست‌نخورده و یکپارچه نگه دارد.
گردش کار هوش مصنوعی عامل‌محور
تراشه Majorana 2 توسط انسان‌ها به‌تنهایی طراحی نشده، بلکه حاصل کار Microsoft Discovery است؛ تیمی از عامل‌های خودگردان هوش مصنوعی که در تمام زنجیره گردش کار کوانتومی نفوذ کرده‌اند:
- ترکیب بین‌رشته‌ای: تیم کوانتوم مایکروسافت در کشورهای مختلف از جمله لینگبی (Lyngby) در دانمارک مستقر است و تخصص‌های متنوعی مانند فیزیک، مکانیک و مهندسی فرآیند را در بر می‌گیرد. عامل‌های هوشمند، دانش این حوزه‌ها را فوراً ترکیب و سنتز می‌کنند و نیاز به انتقال دستی و زمان‌بر اطلاعات میان تیم‌ها را حذف می‌کنند.
- کاوش داده‌ها: هوش مصنوعی نزدیک به ۲۰ سال تحقیق و توسعه کوانتومی مایکروسافت را تحلیل کرده و همبستگی‌هایی را در کل این مجموعه داده‌ها یافت که هیچ پژوهشگر انسانی قادر به شناسایی آن‌ها نبود.
- اتوماسیون اندازه‌گیری: در گذشته، تنظیم پارامترها و اندازه‌گیری حالت‌های توپولوژیکی هفته‌ها زمان می‌برد. یک عامل هوشمند با ساخت نقشه‌های سه‌بعدی از شرایط و تنظیم هم‌زمان صدها ولتاژ به‌صورت موازی، این چرخه زمانی را چندین مرتبه کاهش داد.
- تشخیص ناهنجاری: در یک مورد خاص، یک عامل هوش مصنوعی با ترکیب دانش فیزیک و داده‌های سازمانی، یک سنسور دمای کالیبره‌نشده را شناسایی کرد که نتایج را منحرف می‌کرد؛ خطایی فنی که انسان‌ها کاملاً نادیده گرفته بودند.
برای رهبران کسب‌وکار، این روند نشان‌دهنده تغییری است که در آن هوش مصنوعی دیگر فقط یک لایه نرم‌افزاری نیست، بلکه موتور اصلی علم مواد است. این رویکرد در راستای استراتژی‌های کلان مایکروسافت برای حفظ دارایی‌های فکری در عصر AI است، همان‌طور که ساتیا نادلا پیش‌تر درباره جلوگیری از تحلیل «سرمایه توکنی» در اقتصاد هوش مصنوعی هشدار داده بود. در دسترس قرار گرفتن عمومی Microsoft Discovery به این معناست که سایر سازمان‌ها اکنون می‌توانند تیم‌های عامل مشابه را برای تحقیقات نیمه‌هادی، شیمیایی یا علوم زیستی خود به کار بگیرند. همچنین یک نسخه پیش‌نمایش رایگان از این ابزار از طریق GitHub Copilot در دسترس است.
با این حال، این ادعاها با تردید مواجه‌اند. برخی فیزیکدانان مایکروسافت را به دلیل عدم انتشار داده‌های عمومی کافی برای تایید این جهش‌های خیره‌کننده در قابلیت اطمینان نقد کرده‌اند؛ مجله Science در حال حاضر در حال بررسی داده‌های یک مطالعه مربوط به سال ۲۰۲۰ است. جیسون زاندر در پاسخ اعلام کرد که اگرچه اسرار تجاری مانع انتشار عمومی می‌شود، اما داده‌ها به‌طور محرمانه با DARPA برای ارزیابی مستقل به اشتراک گذاشته شده است. زاندر افزود: «باور کنید، اگر احساس می‌کردم فیزیک این مسئله هنوز درست نیست، هرگز این حجم از هزینه را صرف مهندسی آن نمی‌کردم».
اگر مایکروسافت به هدف ۲۰۲۹ برسد، یک چرخه بازده (Virtuous Cycle) ایجاد می‌شود: هوش مصنوعی عامل‌محور، سخت‌افزار کوانتومی را طراحی می‌کند و این سخت‌افزار در نهایت قدرت پردازشی لازم برای ارتقای نمایی توانایی‌های هوش مصنوعی را فراهم می‌آورد. در حالی که تراشه‌های RTX Spark انویدیا مرزهای محاسبات کلاسیک را جابه‌جا می‌کنند، Majorana 2 نماینده جبهه پیشروی در دنیای کوانتوم است.
آیا این بهبودهای آزمایشگاهی به واقعیت تجاری تبدیل می‌شوند؟ این پرسش همچنان باز است. برای پاسخ، باید منتظر گزارش‌های تأییدی آتی از سوی DARPA یا مقالات منتشر شده در مجله Science بود تا مشخص شود آیا این فیزیک زیر ذره‌بین بررسی‌های تخصصی (Peer Review) دوام می‌آورد یا خیر.
گام بعدی شما
- اگر در حوزه متریال یا سخت‌افزار فعال هستید، قابلیت‌های پیش‌نمایش Microsoft Discovery در گیت‌هاب را برای مدل‌سازی پیش‌بینی‌کننده بررسی کنید.
- گزارش‌های نظارتی DARPA را در ۶ ماه آینده دنبال کنید تا صحت ادعای پایداری ۲۰ ثانیه‌ای کیوبیت‌ها تایید شود.
- استراتژی انتقال از مدل‌های پردازشی کلاسیک به هیبریدی (کوانتوم-کلاسیک) را در نقشه راه محصول خود بگنجانید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو