{"id":"8af54001-2c2d-40dc-ad9d-a4bdae0f6f9c","slug":"fizicheskite-granitsi-na-izkustveniya-intelekt","title":"Физическите граници на изкуствения интелект","category":"Технологии · Изкуствен интелект","tags":["изкуствен интелект","изчислителна техника","стена на паметта","HBM","закон на Мур","мащабиране на Денард","закон на Куми","принцип на Ландауер","обратими изчисления","разпределено обучение","алгоритмична ефективност","невроморфни изчисления"],"lead":"Физическите граници на изкуствения интелект (ИИ) са ограниченията, които природните закони и възможностите на техниката налагат върху изчисленията, на които се крепят моделите — защото, както пише физикът Сет Лойд, компютрите са физически системи и онова, което могат и не могат да правят, се диктува от законите на физиката[^lloyd-phys]. Абсолютните граници, които произтичат от термодинамиката и квантовата механика, са далеч: по изчисление на Лойд между тогавашните компютри и теоретичния предел за един килограм материя има около четиридесет порядъка[^lloyd-40]. Практическите ограничения са много по-близо: по оценка на изследователската организация Epoch AI енергийната ефективност на CMOS микропроцесорите, на които се основават днешните чипове, може да нарасне още само 50 до 1000 пъти, преди да опре в собствените си физически предели[^ep-cmos-room]. За ИИ особено тежи т.нар. стена на паметта: за двадесет години върховата изчислителна мощ на сървърния хардуер е растяла с около 3,0 пъти на всеки две години, а честотната лента на DRAM паметта и на връзките между устройствата — само с 1,6 и 1,4 пъти[^gh-abs]. Недостигът на памет с висока честотна лента (HBM), без която не се произвеждат ускорителите за ИИ, се е превърнал в едно от тесните места на индустрията и според Международната агенция по енергетика ще продължи поне до края на 2027 г.[^iea-hbm] Според Epoch AI мащабирането на обучението може технически да продължи до 2030 г., като първо ще се опре в електрическата мощност, а после в капацитета за производство на чипове[^ep-bind]. Същевременно алгоритмите стават по-ефективни: при езиковите модели изчисленията, нужни за дадено качество, намаляват наполовина приблизително на всеки 8 месеца[^ho-8].","sections":[{"id":"krayat-na-mashtabiraneto-na-denard-i-zabavyaneto-na-zakona-na-mur","title":"Краят на мащабирането на Денард и забавянето на закона на Мур","paragraphs":["Законът на Мур, според който изчислителните възможности се удвояват приблизително на всеки две години, по думите на Лойд е „закон на човешката изобретателност, а не на природата“ и в някакъв момент ще престане да действа[^lloyd-moore]. Мащабирането на Денард — правилото, формулирано в статия от 1974 г., според което при смаляването на транзисторите плътността на мощността им остава постоянна — престава да действа около 2005–2007 г., защото токът на утечка и праговото напрежение не намаляват с размерите и плътността на мощността започва да расте[^den-end]. От 2005 г. тактовата честота на процесорите застива около 4–6 GHz, а производителите преминават към многоядрени чипове, при които само част от схемата може да работи едновременно, без да надхвърли допустимата мощност — т.нар. тъмен силиций[^den-dark].","Според архитектите на микропроцесори от около 2010 г. напредъкът на полупроводниците в цялата индустрия се забавя под темпа, предвиден от закона на Мур[^moore-2010]. Оценките за бъдещето му се разминават и не са безпристрастни: през септември 2022 г. ръководителят на Nvidia Дженсън Хуанг обявява закона за мъртъв, обосновавайки поскъпването на видеокартите си, докато тогавашният главен изпълнителен директор на Intel Пат Гелсингер застъпва обратното[^moore-huang].","Сходно се забавя и т.нар. закон на Куми: около половин век броят изчисления на джаул разсеяна енергия се удвоява на всеки 1,57 години, но след 2000 г. — едва на около 2,6 години, което се свързва със забавянето на закона на Мур и с края на мащабирането на Денард около 2005 г.[^koomey] Въпреки това по данни на Epoch AI енергийната ефективност на графичните процесори продължава да расте с около 34% годишно от 2008 г. насам и се удвоява средно на всеки 2,4 години — близо до забавения темп по закона на Куми[^ept-eff]."]},{"id":"stenata-na-pametta","title":"Стената на паметта","paragraphs":["Изследване на Амир Голами и колеги от Калифорнийския университет в Бъркли показва, че за двадесет години върховата изчислителна мощ на сървърния хардуер нараства около шестдесет хиляди пъти, докато честотната лента на DRAM паметта — около 100 пъти, а на връзките между устройствата — около 30 пъти[^gh-60k]. В същото време броят на параметрите на големите модели-трансформъри нараства около 410 пъти на всеки две години, а паметта на един графичен процесор — само двойно за същия период[^gh-410]. Според авторите това прави паметта, а не изчисленията, основното ограничение за приложенията на ИИ, особено при обслужването на заявки, а при моделите-декодери, към които принадлежат [[golyam-ezikov-model|големите езикови модели]] от типа на GPT, честотната лента на паметта може да стане доминиращото тясно място[^gh-dec].","Данните на Epoch AI потвърждават тенденцията: честотната лента на паметта на графичните процесори расте от 2008 г. с около 28% годишно, т.е. се удвоява на около 2,8 години[^ept-mem]. Част от отговора е софтуерен (вж. [[otvoreni-i-lokalni-modeli-na-izkustveniya-intelekt|Отворени и локални модели на изкуствения интелект]]): при изпълнението на готов модел квантизацията до 4-битова точност (INT4) по сегашните методи е сравнително лесна, почти не влошава точността и намалява обема на модела и латентността до 8 пъти[^gh-quant].","Индустриалният отговор е паметта с висока честотна лента (HBM), създадена именно за да събори стената на паметта: до 12 изтънени DRAM кристала се подреждат един върху друг, поставят се на по-малко от милиметър от графичния процесор и се свързват с него с до 2048 микроскопични връзки[^sp-hbm]."]},{"id":"nedostigat-na-pamet-s-visoka-chestotna-lenta","title":"Недостигът на памет с висока честотна лента","paragraphs":["В доклада „Ключови въпроси за енергията и ИИ“ Международната агенция по енергетика (МАЕ) отбелязва, че скоростта на революцията в ИИ все повече контрастира със скоростта на физическите, социалните и икономическите системи, на които тя се опира, а тесните места в енергийното оборудване и производството на модерни чипове са се затегнали[^iea-speed]. Според IEEE Spectrum недостигът на памет е резултат от сблъсъка между силно цикличния пазар на DRAM и безпрецедентното изграждане на инфраструктура за ИИ: след срива на търсенето през 2022 г. и рецесията през 2023 г. производителите почти не инвестират в нов капацитет през 2024 г. и по-голямата част от 2025 г.[^sp-cycle]","По данни на Counterpoint Research цените на DRAM се покачват с 80 до 90% само за едно тримесечие, а Micron очаква пазарът на HBM да нарасне от 35 млрд. долара през 2025 г. до 100 млрд. долара през 2028 г.[^sp-price] Новите заводи на Micron, Samsung и SK Hynix ще започнат производство едва през 2027–2028 г., а ръководителят на Intel Лип-Бу Тан заявява, че облекчение няма да има до 2028 г.[^sp-fabs] Epoch AI посочва като главни краткосрочни ограничения пред производството на ускорители корпусирането на чиповете — особено технологията CoWoS на TSMC, която обединява изчислителния кристал и стековете HBM — и капацитета за производство на HBM (вж. [[poluprovodnitsi-i-nadprevarata-za-chipove|Полупроводниците и надпреварата за чипове]])[^ep-cowos]."]},{"id":"komunikatsiya-latentnost-i-nadezhdnost-pri-obuchenieto","title":"Комуникация, латентност и надеждност при обучението","paragraphs":["Meta обучава модела Llama 3 405B на до 16 хил. графични процесора H100 с мощност по 700 W, свързани в мрежа на три нива, и след внимателна настройка използва изчислителната им мощ с ефективност около 38–43% от теоретичния максимум[^ll-hw]. Тъй като обучението е синхронно, отказът на един-единствен процесор може да наложи рестартиране на цялата задача, а според собствения доклад на Meta за 54 дни от предварителното обучение екипът регистрира 466 прекъсвания, от които 419 непланирани — около 78% от тях заради потвърдени или предполагаеми хардуерни проблеми и 58,7% заради графичните процесори[^ll-466]. При 16 384 графични процесора това прави средно по една повреда на всеки три часа, а повече от половината непланирани прекъсвания са причинени от самите процесори или от вградената в тях памет HBM3[^dcd-3h].","При обучение, разпределено между отдалечени центрове за данни, се намесва скоростта на светлината: в оптичното влакно сигналът се движи с около две трети от нея и по оценка на Epoch AI една обиколка от 11 000 км между големите центрове в САЩ би отнела около 55 ms, а синхронизацията — 110 ms, като това закъснение не може да бъде намалено, докато връзката е оптична[^ep-fiber]. По-фундаментална е стената на латентността: по-големите модели изискват повече последователни операции, а увеличаването на броя примери, обработвани паралелно (размера на пакета), носи намаляваща полза над определена критична стойност, което слага горна граница на изчисленията в даден срок[^ep-lw]. Според модел на Еге Ердил и Дейвид Шнайдер-Джоузеф от Epoch AI при тримесечно обучение тесните места в преноса на данни започват съществено да намаляват използването на хардуера над около 10²⁸ FLOP — два порядъка над най-голямото обучение дотогава, — а обучение над около 10³¹ FLOP е невъзможно дори при ниско използване, освен ако не се постигне по-агресивно увеличаване на пакетите или по-„къси и широки“ модели[^erdil].","Самият пренос струва енергия: според Дженсън Хуанг при сегашните оптични трансивъри всеки графичен процесор би се нуждаел от шест от тях, добавящи 180 W, затова Nvidia и TSMC разработват оптика, интегрирана в корпуса на комутаторите Spectrum-X, планирани за втората половина на 2026 г.[^ee-cpo]"]},{"id":"toplina-i-energiya","title":"Топлина и енергия","paragraphs":["Плътността на мощността расте рязко: Nvidia планира за втората половина на 2027 г. шкаф Kyber с течно охлаждане и консумация около 600 kW, докато операторите едва се подготвят за шкафове от около 130 kW[^dcd-600]. Охлаждането, водата и натоварването на електроенергийните мрежи са разгледани подробно в статията [[tsentrove-za-danni-i-energiyata-za-izkustveniya-intelekt|Центровете за данни и енергията за изкуствения интелект]]; по оценка на МАЕ потреблението на центровете за данни ще нарасне от 485 TWh през 2025 г. до 950 TWh през 2030 г.[^iea-950] Epoch AI изчислява, че мощността за най-големите отделни обучения расте с около 2,2 пъти годишно, вече надхвърля 100 MW и при запазване на тенденцията ще достигне 4–16 GW до 2030 г.[^epp-power]"]},{"id":"printsipat-na-landauer","title":"Принципът на Ландауер","paragraphs":["През 1961 г. Ролф Ландауер от IBM формулира принципа, че необратимата промяна на информацията в компютъра, например изтриването на бит, разсейва минимално количество топлина, което при стайна температура е около 0,018 eV, или 2,9 × 10⁻²¹ J, а към 2012 г. компютрите изразходват около милиард пъти повече енергия за операция[^wl-room]. Тази граница е kT ln 2 на изтрит бит, където k е константата на Болцман, а T — работната температура, и не важи за обратимите изчисления[^wlim-kt].","Принципът е потвърден експериментално в опит, публикуван в Nature през март 2012 г.: ролята на еднобитова памет играе една колоидна частица в модулиран потенциал с две ями, а средната разсеяна топлина при дълги цикли на изтриване се изравнява със стойността, предсказана от Ландауер[^berut]. Границата обаче важи само за безкрайно бавно изтриване: през 2020 г. е показано, че изтриването за крайно време изисква допълнителна работа, обратно пропорционална на продължителността му, така че скоростта на хардуера пряко влиза в минималната цена[^wl-finite]. Принципът е широко приет като физичен закон, но някои автори го оспорват с аргументи за кръгово разсъждение и погрешни допускания, докато други го защитават и го извеждат от втория закон на термодинамиката[^wl-chal]."]},{"id":"obratimite-izchisleniya","title":"Обратимите изчисления","paragraphs":["Според застъпниците на обратимите изчисления — при които от изхода може еднозначно да се възстанови входът, а енергията на сигналите се възстановява и използва отново, вместо да се разсейва като топлина — това е единственият потенциален начин ефективността да надмине границата на Ландауер[^wr-def]. Логическата обратимост обаче не носи автоматично икономия: неравновесната статистическа физика показва, че тя не е непременно свързана с термодинамичната обратимост и ползата зависи от физическата реализация[^wl-rev]. Практическите опити са в начален стадий: лондонската Vaire Computing съобщава през септември 2025 г., че тестовият ѝ чип Ice River (22 nm CMOS) е демонстрирал възстановяване на енергия, но не и изчисления с обратими логически елементи, а процесор за изпълнение на модели на ИИ планира за 2027 г.[^wr-vaire]"]},{"id":"kraynite-granitsi-na-izchisleniyata","title":"Крайните граници на изчисленията","paragraphs":["Границата на Бремерман, изведена от еквивалентността между маса и енергия и от принципа на неопределеността на Хайзенберг, ограничава скоростта на изчисленията в самостоятелна система до c²/h ≈ 1,3563925 × 10⁵⁰ бита в секунда на килограм маса[^brem]. Сет Лойд изчислява, че „най-добрият лаптоп“ — компютър с маса един килограм и обем един литър — би могъл да извършва най-много 5,4258 × 10⁵⁰ логически операции в секунда[^lloyd-ops]. Според него, ако — което изглежда крайно невероятно — експоненциалният напредък по закона на Мур продължи, ще са нужни двеста и петдесет години, за да се преодолеят четиридесетте порядъка между тогавашните компютри и този теоретичен предел[^lloyd-250]."]},{"id":"kolko-dalech-sa-dneshnite-chipove","title":"Колко далеч са днешните чипове","paragraphs":["Оценките колко далеч е техниката от границата на Ландауер се разминават с порядъци: според обзорни оценки тя е била милиони пъти под консумацията на компютрите през 2000-те и хиляди пъти под нея през 2010-те години[^wr-gap]. Разликите идват отчасти от допусканията колко бита се изтриват при една операция: при удвояване на ефективността на всеки 2,6 години най-ефективните суперкомпютри биха достигнали границата едва след няколко десетилетия[^koomey-land].","По-конкретен е анализът на Ансън Хо, Еге Ердил и Тамай Бесироглу от Epoch AI, които моделират разходите за превключване на транзисторите и за зареждане на проводниците и получават граница на CMOS технологията от около 2,9 × 10¹⁴ FLOP/J при 16-битова точност срещу около 1,4 × 10¹² FLOP/J за графичния процесор H100, т.е. с 50% вероятност подобренията ще спрат преди приблизително 200-кратен напредък[^ep-cmos-200]. Дори при тази граница едно годишно обучение, разполагащо с енергия, равна на цялото световно първично енергопотребление през 2021 г., би могло да използва около 10³⁵ FLOP — приблизително десет милиарда пъти повече изчисления, отколкото за GPT-4[^ep-cmos-35]."]},{"id":"sravnenie-s-choveshkiya-mozak","title":"Сравнение с човешкия мозък","paragraphs":["Човешкият мозък е около 2% от теглото на тялото, но поема около 20% от метаболизма му и работи с енергиен бюджет от около 20 W — при 80 W за компютъра, на който физикът Виджай Баласубраманиан пише статията си в PNAS[^pnas-20w]. По изчисления на Леви и Калвърт сивото вещество на кората използва около 3 W от 17–20 W, които мозъкът получава от глюкозата, а процесите, свързани с комуникацията между невроните, изразходват 35 пъти повече енергия от самите изчисления[^pnas-3w]. И мозъкът е далеч от термодинамичния минимум: по същата оценка невроните изразходват около сто милиона пъти повече енергия на бит изчисление от идеализираната граница на Ландауер, макар Баласубраманиан да предупреждава, че такива сравнения зависят от допусканията какво е изчисление и какви ограничения налагат живите клетки[^pnas-land]."]},{"id":"algoritmichnata-efektivnost","title":"Алгоритмичната ефективност","paragraphs":["Част от напредъка идва от по-добрите алгоритми: Дани Ернандес и Том Браун от OpenAI установяват, че изчисленията, нужни за обучение на класификатор до нивото на AlexNet върху ImageNet, намаляват 44 пъти между 2012 и 2019 г., т.е. ефективността се удвоява на всеки 16 месеца, докато законът на Мур би дал за същия период само 11-кратно подобрение[^hb]. При езиковите модели Ансън Хо и съавтори от Epoch AI анализират над 200 оценки от периода 2012–2023 г. и стигат до намаляване наполовина на нужните изчисления приблизително на всеки 8 месеца, с 95% доверителен интервал от около 5 до 14 месеца — значително по-бързо от напредъка на хардуера по закона на Мур[^ho-algo]. Въпреки това по-голям принос за подобренията през този период има нарастването на изчислителната мощ, а авторите признават, че анализът е ограничен от шумните данни на бенчмарковете[^ho-compute]."]},{"id":"mozhe-li-mashtabiraneto-da-prodalzhi-do-2030-g","title":"Може ли мащабирането да продължи до 2030 г.","paragraphs":["Epoch AI разглежда четири фактора, които могат да ограничат мащабирането: наличната електрическа мощност, капацитета за производство на чипове, недостига на данни и стената на латентността — неизбежните закъснения при последователните изчисления по време на обучението[^ep-four]. Организацията заключава, че при сегашния темп от около 4 пъти годишно до 2030 г. ще бъдат технически възможни обучения, които надминават GPT-4 толкова, колкото GPT-4 надминава GPT-2 — около 5000 пъти повече изчисления от обучението на Llama 3.1 405B[^ep-gpt]. Най-обвързващи са мощността и наличието на чипове; от двете мощността е по-гъвкава, защото енергетиката е по-малко концентрирана, докато новите заводи за чипове изискват огромни капиталови инвестиции и високоспециализиран труд[^ep-bind2]. Авторите подчертават голямата несигурност на тези оценки, които са екстраполации на исторически тенденции, а някои входни данни, като размера на пакетите при обучението на GPT-4, са само предположения[^ep-unc].","По данни на Epoch AI, актуализирани през февруари 2026 г., изчисленията за обучение на водещите езикови модели растат 5 пъти годишно от 2020 г., а цената на обучението — 3,5 пъти годишно[^ept-5x]. В разходите за разработка на модели като GPT-4 и Gemini Ultra хардуерът съставлява 47–67%, персоналът — 29–49%, а енергията — едва 2–6%[^epc-split]. След 2030 г. според Epoch мащабът на изчисленията става главният източник на несигурност, тъй като първоначалните разходи за водещите модели достигат или надхвърлят стотици милиарди долари, а нуждите от енергия — капацитета на най-големите електроцентрали; затова физическите и икономическите граници са важен аргумент в дебатите за [[tehnologichna-singulyarnost|технологичната сингулярност]], за [[samousavarshenstvasht-se-izkustven-intelekt|самоусъвършенстващия се изкуствен интелект]] и за [[debatat-za-balon-okolo-izkustveniya-intelekt-2025-2026|балон около изкуствения интелект]][^epp-2030]."]},{"id":"alternativni-izchislitelni-podhodi","title":"Алтернативни изчислителни подходи","paragraphs":["Невроморфните системи подражават на мозъка, като обединяват паметта и изчисленията и свеждат до минимум преноса на данни; най-голямата такава система към 2024 г., Hala Point на Intel, съдържа 1,15 млрд. изкуствени неврона в 1152 процесора Loihi 2 и консумира най-много 2600 W, а компанията съобщава ефективност над 15 трилиона 8-битови операции в секунда на ват — но при мрежа, разредена в съотношение 10:1, и като изследователски прототип[^intel].","Аналоговите изчисления в паметта извършват умноженията направо в паметовите клетки: експериментален чип, описан в Nature, съчетава 35 млн. елемента с фазово-преходна памет в 34 блока и достига до 12,4 трилиона операции в секунда на ват при разпознаване на реч[^ibm-analog]. Разходите за пренос на данни, непълното използване на блоковете и неефективните цифрови изчисления обаче свалят върховите 20 TOPS/W на самия аналогов блок до 6,94 TOPS/W в устойчив режим[^ibm-drop].","При фотонните процесори, които извършват тензорните операции със светлина, според екип на Lightmatter в Nature дотогава нито един чип не е постигал точността, нужна за практически приложения на ИИ, а новият им процесор изпълнява модели като ResNet и BERT с почти електронна точност при много натоварвания[^lm]. Още по-несигурни са квантовите подходи: много от водещите учени в квантовото машинно обучение предупреждават за раздутите очаквания и са твърде сдържани относно практическата му полза в обозримо бъдеще[^qml-hype]."]}],"sources":[{"key":"lloyd","title":"Ultimate physical limits to computation (arXiv:quant-ph/9908043; Nature 406, 1047–1054)","url":"https://arxiv.org/pdf/quant-ph/9908043","note":"","publisher":"Seth Lloyd (MIT) / Nature","published_at":"2000-08-31","language":"en","retrieved_at":"2026-10-23"},{"key":"wpden","title":"Dennard scaling","url":"https://en.wikipedia.org/wiki/Dennard_scaling","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"wpmoore","title":"Moore's law","url":"https://en.wikipedia.org/wiki/Moore%27s_law","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"wpkoomey","title":"Koomey's law","url":"https://en.wikipedia.org/wiki/Koomey%27s_law","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"ept","title":"Data on AI: trends (Epoch AI dashboard)","url":"https://epoch.ai/data-trends","note":"","publisher":"Epoch AI","published_at":"2026-02-05","language":"en","retrieved_at":"2026-10-23"},{"key":"gh","title":"AI and Memory Wall (Gholami, Yao, Kim, Hooper, Mahoney, Keutzer)","url":"https://arxiv.org/html/2403.14123v1","note":"","publisher":"University of California, Berkeley / arXiv (IEEE Micro)","published_at":"2024-03-21","language":"en","retrieved_at":"2026-10-23"},{"key":"spd","title":"How and When the Memory Chip Shortage Will End","url":"https://spectrum.ieee.org/dram-shortage","note":"","publisher":"IEEE Spectrum (Samuel K. Moore)","published_at":"2026-02-10","language":"en","retrieved_at":"2026-10-23"},{"key":"iea","title":"Key Questions on Energy and AI — Executive summary","url":"https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary","note":"","publisher":"International Energy Agency (IEA)","published_at":"2026-04-16","language":"en","retrieved_at":"2026-10-23"},{"key":"ep2030","title":"Can AI scaling continue through 2030?","url":"https://epoch.ai/blog/can-ai-scaling-continue-through-2030","note":"","publisher":"Epoch AI","published_at":"2024-08-20","language":"en","retrieved_at":"2026-10-23"},{"key":"llama","title":"The Llama 3 Herd of Models","url":"https://arxiv.org/html/2407.21783v3","note":"данните за обучението са на самата компания","publisher":"Meta (arXiv)","published_at":"2024-07-31","language":"en","retrieved_at":"2026-10-23"},{"key":"dcdl","title":"Meta report details hundreds of GPU and HBM3 related interruptions to Llama 3 training run","url":"https://www.datacenterdynamics.com/en/news/meta-report-details-hundreds-of-gpu-and-hbm3-related-interruptions-to-llama-3-training-run/","note":"","publisher":"DatacenterDynamics","published_at":"2024-07-29","language":"en","retrieved_at":"2026-10-23"},{"key":"erdil","title":"Data movement limits to frontier model training","url":"https://arxiv.org/abs/2411.01137","note":"","publisher":"Ege Erdil, David Schneider-Joseph (Epoch AI) / arXiv","published_at":"2024-11-02","language":"en","retrieved_at":"2026-10-23"},{"key":"ee","title":"Nvidia looks to silicon photonics to cut datacentre AI power","url":"https://www.eenewseurope.com/en/nvidia-looks-to-silicon-photonics-to-cut-datacentre-ai-power/","note":"твърдения и планове на Nvidia","publisher":"eeNews Europe","published_at":"2025-03-21","language":"en","retrieved_at":"2026-10-23"},{"key":"dcdr","title":"Nvidia's Rubin Ultra NVL576 rack expected to be 600kW, coming second half of 2027","url":"https://www.datacenterdynamics.com/en/news/nvidias-rubin-ultra-nvl576-rack-expected-to-be-600kw-coming-second-half-of-2027/","note":"планове на Nvidia","publisher":"DatacenterDynamics","published_at":"2025-03-18","language":"en","retrieved_at":"2026-10-23"},{"key":"epp","title":"How much power will frontier AI training demand in 2030?","url":"https://epoch.ai/blog/power-demands-of-frontier-ai-training","note":"","publisher":"Epoch AI","published_at":"2025-08-11","language":"en","retrieved_at":"2026-10-23"},{"key":"wpl","title":"Landauer's principle","url":"https://en.wikipedia.org/wiki/Landauer%27s_principle","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"wplim","title":"Limits of computation","url":"https://en.wikipedia.org/wiki/Limits_of_computation","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"berut","title":"Experimental verification of Landauer's principle linking information and thermodynamics (Bérut и др.)","url":"https://www.nature.com/articles/nature10872","note":"","publisher":"Nature","published_at":"2012-03-07","language":"en","retrieved_at":"2026-10-23"},{"key":"wprev","title":"Reversible computing","url":"https://en.wikipedia.org/wiki/Reversible_computing","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"wpbrem","title":"Bremermann's limit","url":"https://en.wikipedia.org/wiki/Bremermann%27s_limit","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"epcmos","title":"Limits to the energy efficiency of CMOS microprocessors","url":"https://epoch.ai/blog/limits-to-the-energy-efficiency-of-cmos-microprocessors","note":"","publisher":"Epoch AI","published_at":"2023-12-15","language":"en","retrieved_at":"2026-10-23"},{"key":"pnas","title":"Brain power (V. Balasubramanian, PNAS 118 (32), e2107022118)","url":"https://pmc.ncbi.nlm.nih.gov/articles/PMC8364152/","note":"","publisher":"PNAS / PubMed Central","published_at":"2021","language":"en","retrieved_at":"2026-10-23"},{"key":"hb","title":"Measuring the Algorithmic Efficiency of Neural Networks","url":"https://arxiv.org/abs/2005.04305","note":"","publisher":"Danny Hernandez, Tom B. Brown (OpenAI) / arXiv","published_at":"2020-05-08","language":"en","retrieved_at":"2026-10-23"},{"key":"hoalg","title":"Algorithmic progress in language models","url":"https://arxiv.org/abs/2403.05812","note":"","publisher":"Anson Ho и др. (Epoch AI) / arXiv","published_at":"2024-03-09","language":"en","retrieved_at":"2026-10-23"},{"key":"epc","title":"How much does it cost to train frontier AI models?","url":"https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models","note":"","publisher":"Epoch AI","published_at":"2024-06-03","language":"en","retrieved_at":"2026-10-23"},{"key":"intel","title":"Intel Builds World's Largest Neuromorphic System to Enable More Sustainable AI","url":"https://newsroom.intel.com/artificial-intelligence/intel-builds-worlds-largest-neuromorphic-system-to-enable-more-sustainable-ai","note":"данни на компанията","publisher":"Intel Newsroom","published_at":"2024-04-17","language":"en","retrieved_at":"2026-10-23"},{"key":"ibm","title":"An analog-AI chip for energy-efficient speech recognition and transcription","url":"https://www.nature.com/articles/s41586-023-06337-5","note":"","publisher":"Nature (IBM Research)","published_at":"2023-08-23","language":"en","retrieved_at":"2026-10-23"},{"key":"lm","title":"Universal photonic artificial intelligence acceleration","url":"https://www.nature.com/articles/s41586-025-08854-x","note":"","publisher":"Nature (Lightmatter)","published_at":"2025-04-09","language":"en","retrieved_at":"2026-10-23"},{"key":"qml","title":"Quantum machine learning","url":"https://en.wikipedia.org/wiki/Quantum_machine_learning","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"}],"citations":[{"id":"lloyd-phys","source_key":"lloyd","locator":"","excerpt":"Computers are physical systems: what they can and cannot do is dictated by the laws of physics","note":""},{"id":"lloyd-40","source_key":"lloyd","locator":"","excerpt":"will only take two hundred and fifty years to make up the forty orders of magnitude in performance between current computers ... and our one kilogram ultimate laptop","note":""},{"id":"ep-cmos-room","source_key":"epcmos","locator":"","excerpt":"How far can the energy efficiency of CMOS microprocessors be pushed before we hit physical limits? Using a simple model, we find that there is room for a further 50 to 1000x improvement in energy efficiency.","note":""},{"id":"gh-abs","source_key":"gh","locator":"","excerpt":"Over the past 20 years, peak server hardware FLOPS has been scaling at 3.0 ... outpacing the growth of DRAM and interconnect bandwidth, which have only scaled at 1.6 and 1.4 times every 2 years, respectively.","note":""},{"id":"iea-hbm","source_key":"iea","locator":"","excerpt":"a shortage of high-bandwidth memory ... integral to AI chip production ... has developed over the past six months and is anticipated to persist through at least the end of 2027","note":""},{"id":"ep-bind","source_key":"ep2030","locator":"","excerpt":"our analysis suggests that training runs of around 2e29 FLOP are likely possible by 2030 ... The constraint likely to bind first is power, followed by the capacity to manufacture enough chips.","note":""},{"id":"ho-8","source_key":"hoalg","locator":"","excerpt":"we find that the compute required to reach a set performance threshold has halved approximately every 8 months","note":""},{"id":"lloyd-moore","source_key":"lloyd","locator":"","excerpt":"of processing and the rate at which they process it has doubled every two years ... There is no particular reason why Moore’s law should continue to hold: it is a law of human ingenuity, not of nature. At some point, Moore’s law will break down.","note":""},{"id":"den-end","source_key":"wpden","locator":"","excerpt":"as transistors get smaller, their power density stays constant ... is based on a 1974 paper co-authored by Robert H. Dennard ... since around 2005–2007 Dennard scaling appears to have broken down. Specifically, leakage current and threshold voltage do not scale with size, and so the power density increases with scaling.","note":""},{"id":"den-dark","source_key":"wpden","locator":"","excerpt":"Since 2005, the clock frequency has stagnated at 4-6 GHz ... has caused most CPU manufacturers to focus on multicore processors ... only some fraction of an integrated circuit can actually be active at any given point in time without violating power constraints. The remaining (inactive) area is referred to as dark silicon.","note":""},{"id":"moore-2010","source_key":"wpmoore","locator":"","excerpt":"Microprocessor architects report that semiconductor advancement has slowed industry-wide since around 2010, below the pace predicted by Moore's law.","note":""},{"id":"moore-huang","source_key":"wpmoore","locator":"","excerpt":"In September 2022, Nvidia CEO Jensen Huang considered Moore's law dead ... while Intel's then-CEO Pat Gelsinger had the opposite view. ... Nvidia CEO Jensen Huang says in justifying gaming-card price hike","note":""},{"id":"koomey","source_key":"wpkoomey","locator":"","excerpt":"for about a half-century, the number of computations per joule of energy dissipated doubled about every 1.57 years ... found that after 2000, the doubling slowed to about once every 2.6 years. This is related to the slowing ... of Moore's law, the ability to build smaller transistors, and the end around 2005 of Dennard scaling","note":""},{"id":"ept-eff","source_key":"ept","locator":"","excerpt":"GPUs have become 34% more energy efficient per year since 2008. GPUs energy efficiency has doubled every 2.4 years on average since 2008.","note":""},{"id":"gh-60k","source_key":"gh","locator":"","excerpt":"We can see that the peak compute of the hardware has increased by 60,000 ... over the past 20 years, as opposed to a 100 ... increase for DRAM or a 30 ... increase for interconnect bandwidth.","note":""},{"id":"gh-410","source_key":"gh","locator":"","excerpt":"The number of parameters in large Transformer models has been exponentially increasing with a factor of 410 ... every two years, while the single GPU memory has only been scaled at a rate of 2","note":""},{"id":"gh-dec","source_key":"gh","locator":"","excerpt":"This disparity has made memory, rather than compute, the primary bottleneck in AI applications, particularly in serving. ... show how memory bandwidth can become the dominant bottleneck for decoder models","note":""},{"id":"ept-mem","source_key":"ept","locator":"","excerpt":"Memory bandwidth of GPUs has been growing by 28% per year since 2008. Memory bandwidth of GPUs has been doubling every 2.8 years since 2008.","note":""},{"id":"gh-quant","source_key":"gh","locator":"","excerpt":"it is relatively easy to quantize inference down to INT4 precision, with minimal impact on accuracy ... This results in up to 8 ... reduction in model footprint and latency","note":""},{"id":"sp-hbm","source_key":"spd","locator":"","excerpt":"Each HBM chip is made up of as many as 12 thinned-down DRAM chips called dies. ... This complex piece of technology is then set within a millimeter of a GPU or another AI accelerator, to which it is linked by as many as 2,048 ... is to knock down what ... called the memory wall","note":""},{"id":"iea-speed","source_key":"iea","locator":"","excerpt":"The speed of the AI revolution is increasingly contrasting with the speed of the physical, social and economic systems that underpin it. Bottlenecks across energy supply chains and advanced chip manufacturing have tightened since our last report.","note":""},{"id":"sp-cycle","source_key":"spd","locator":"","excerpt":"and an AI hardware infrastructure build-out that ... DRAM is a highly cyclical industry with huge booms and devastating busts ... data-center expansion fell off in 2022, causing memory and storage prices to plummet. This recession continued into 2023 ... Thus there was little or no investment in new production capacity in 2024 and through most of 2025.","note":""},{"id":"sp-price","source_key":"spd","locator":"","excerpt":"According to Counterpoint Research, DRAM prices have risen 80 to 90 percent so far this quarter. ... Micron predicts the total market for HBM will grow from $35 billion in 2025 to $100 billion by 2028","note":""},{"id":"sp-fabs","source_key":"spd","locator":"","excerpt":"Micron is in the process of building an HBM fab in Singapore that should be in production in 2027. ... Samsung plans to start producing at a new plant in Pyeongtaek, South Korea, in 2028. ... Intel CEO Lip-Bu Tan told attendees at the Cisco AI Summit last week ... no relief until 2028","note":""},{"id":"ep-cowos","source_key":"ep2030","locator":"","excerpt":"Currently, expansion is constrained by advanced packaging and high-bandwidth memory production capacity. ... One key near-term bottleneck is chip packaging capacity ... Chip-on-wafer-on-Substrate (CoWoS) process ... This packaging process combines logic units with high-bandwidth memory (HBM) stacks into ready-to-use AI chips.","note":""},{"id":"ll-hw","source_key":"llama","locator":"","excerpt":"Llama 3 405B is trained on up to 16K H100 GPUs, each running at 700W TDP ... connected by a three-layer Clos network ... we achieve an overall BF16 Model FLOPs Utilization (MFU; Chowdhery et al. (2023)) of 38-43%","note":""},{"id":"ll-466","source_key":"llama","locator":"","excerpt":"the synchronous nature of training makes it less fault-tolerant ... a single GPU failure may require a restart of the entire job ... During a 54-day snapshot period of pre-training, we experienced a total of 466 job interruptions. ... The remaining 419 were unexpected interruptions ... Approximately 78% of the unexpected interruptions are attributed to confirmed hardware issues ... or suspected hardware-related issues ... GPU issues are the largest category, accounting for 58.7% of all unexpected issues.","note":""},{"id":"dcd-3h","source_key":"dcdl","locator":"","excerpt":"more than half of the 419 unexpected interruptions recorded were caused by issues with GPUs or their onboard HBM3 memory. ... For the model, which was trained on a cluster containing 16,384 Nvidia H100 80GB GPUs, this equates to an average of one failure every three hours.","note":""},{"id":"ep-fiber","source_key":"ep2030","locator":"","excerpt":"In a scenario where major U.S. data centers are connected by an 11,000 km fiber optic loop (a high-end estimate), the communication latency would be approximately 55ms ... Synchronization would require two round trips down the network, taking 110ms. This is using a travel speed that is two-thirds the speed of light, so this latency cannot be reduced as long as we are doing fiber optic communication.","note":""},{"id":"ep-lw","source_key":"ep2030","locator":"","excerpt":"As models scale, they require more sequential operations to train. Increasing the number of training tokens processed in parallel (the ... can amortize these latencies, but this approach has a limit. Beyond a ... further increases in batch size yield diminishing returns in training efficiency ... This sets an upper bound on training FLOP within a specific timeframe.","note":""},{"id":"erdil","source_key":"erdil","locator":"","excerpt":"given a three month training duration, data movement bottlenecks begin to significantly lower hardware utilization for training runs exceeding about $10^{28}$ FLOP, two orders of magnitude above the largest training run to date ... A training run exceeding about $10^{31}$ FLOP is infeasible even at low utilization. However, more aggressive batch size scaling and/or shorter and fatter model shapes, if achievable, have the potential to permit much larger training runs.","note":""},{"id":"ee-cpo","source_key":"ee","locator":"","excerpt":"Nvidia has worked with foundry TSMC for high speed optical interconnect to reduce the power consumption of AI datacentres with millions of GPUs. ... so every GPU will have six transceivers, adding 180W per GPU ... that will then be used in the Spectrum-X switch in the second half of 2026","note":""},{"id":"dcd-600","source_key":"dcdr","locator":"","excerpt":"And you just started getting ready for 130kW ... Nvidia plans to launch the Rubin Ultra NVL576 rack in the second half of 2027 ... The liquid cooled ... Kyber Rack ... will consume some 600kW, Nvidia CEO Jensen Huang said","note":""},{"id":"iea-950","source_key":"iea","locator":"","excerpt":"Our updated projections see electricity consumption from data centres roughly doubling from 485 TWh in 2025 to 950 TWh in 2030","note":""},{"id":"epp-power","source_key":"epp","locator":"","excerpt":"Power demands for frontier training runs have historically grown at a rate of 2.2x per year, with the largest runs now exceeding 100 MW. ... implying that the largest training runs will reach 4-16 GW by 2030","note":""},{"id":"wl-room","source_key":"wpl","locator":"","excerpt":"It holds that an irreversible change in information stored in a computer, such as merging two computational paths, dissipates a minimum amount of heat to its surroundings. ... At room temperature, the Landauer limit represents an energy of approximately 0.018 eV (2.9×10−21 J). As of 2012 ... modern computers use about a billion times as much energy per operation. ... Rolf Landauer first proposed the principle in 1961 while working at IBM.","note":""},{"id":"wlim-kt","source_key":"wplim","locator":"","excerpt":"Landauer's principle defines a lower theoretical limit for energy consumption: kT ln 2 of heat dissipated into the environment per bit of information erased, where k is the Boltzmann constant and T is the operating temperature of the computer. ... Reversible computing is not subject to this lower bound.","note":""},{"id":"berut","source_key":"berut","locator":"","excerpt":"Published: 07 March 2012 ... Using a system of a single colloidal particle trapped in a modulated double-well potential, we establish that the mean dissipated heat saturates ... they are able to show that the latter saturates in the limit of long erasure cycles at the value predicted by","note":""},{"id":"wl-finite","source_key":"wpl","locator":"","excerpt":"applies only to arbitrarily slow erasure. In 2020, Proesmans, Ehrich and Bechhoefer showed that erasing a bit in a finite time ... requires additional work that decreases in proportion to 1/ ... so that the Landauer limit is reached only in the quasistatic limit; the operating speed of the hardware therefore enters the minimum cost directly.","note":""},{"id":"wl-chal","source_key":"wpl","locator":"","excerpt":"The principle is widely accepted as physical law, but it has been challenged for using circular reasoning and faulty assumptions. ... have defended the principle, and Sagawa and Ueda (2008) ... have shown that Landauer's principle is a consequence of the second law of thermodynamics","note":""},{"id":"wr-def","source_key":"wprev","locator":"","excerpt":"they offer what is predicted to be the only potential way to improve the computational energy efficiency ... beyond the fundamental von Neumann–Landauer limit ... is said to be logically reversible if the transition function that maps old computational states to new ones is a one-to-one function ... design the machine so that the majority of this energy is recovered in an organized form that can be reused for subsequent operations, rather than being permitted to dissipate into the form of heat","note":""},{"id":"wl-rev","source_key":"wpl","locator":"","excerpt":"recent advances in non-equilibrium statistical physics have established that there is no a priori relationship between logical reversibility ... and thermodynamic reversibility ... Whether implementing a computation with a logically reversible system actually saves energy therefore depends on the physical implementation; the benefits are not automatic.","note":""},{"id":"wr-vaire","source_key":"wprev","locator":"","excerpt":"London-based Vaire Computing is developing chips that recover signal energy using adiabatic, reversible circuit techniques, with a processor for AI inference planned for 2027. ... In September 2025 the company reported that its first test chip, Ice River (22 nm CMOS), had demonstrated energy recovery in a capacitor array and a shift register; computation with reversible logic gates was not demonstrated.","note":""},{"id":"brem","source_key":"wpbrem","locator":"","excerpt":"is a theoretical limit on the maximum rate of computation that can be achieved in a self-contained system in the material universe. It is derived from Einstein's mass–energy equivalency and the Heisenberg uncertainty principle, and is c2/h ≈ 1.3563925 × 1050 bits per second per kilogram.","note":""},{"id":"lloyd-ops","source_key":"lloyd","locator":"","excerpt":"with a mass of one kilogram confined to a volume of one liter ... Accordingly, the ultimate laptop can perform a maximimum of 5.4258×10 50 operations per second.","note":""},{"id":"lloyd-250","source_key":"lloyd","locator":"","excerpt":"If, as seems highly unlikely, it is possible to extrapolate the exponential progress of Moore’s law into the future, then it will only take two hundred and fifty years to make up the forty orders of magnitude in performance between current computers","note":""},{"id":"wr-gap","source_key":"wprev","locator":"","excerpt":"The Landauer limit was millions of times below the energy consumption of computers in the 2000s and thousands of times less in the 2010s.","note":""},{"id":"koomey-land","source_key":"wpkoomey","locator":"","excerpt":"Extrapolating a doubling every 2.6 years from the most efficient supercomputer as of 2022 ... would reach the Landauer bound only after several more decades; the exact date depends on how many bits are assumed to be erased per operation.","note":""},{"id":"ep-cmos-200","source_key":"epcmos","locator":"","excerpt":"This allows us to estimate an upper bound to the energy efficiency of CMOS microprocessors, measured in Floating Point Operations per Joule of dissipated energy (FLOP/J). Our work expands on previous analysis by analyzing the limits to dissipation in wire interconnects ... we end up with a geometric mean of ... FLOP/J at 16-bit precision. ... The H100 GPU has an energy efficiency of around ... FLOP/J. Our results for 16-bit precision operations therefore suggest that there is a 50% chance that further improvements will cease before a roughly ... improvement on existing technology.","note":""},{"id":"ep-cmos-35","source_key":"epcmos","locator":"","excerpt":"If we assume that a year-long training run has a maximum energy availability equivalent to that of 2021 global primary energy consumption ... yields an upper bound of around 1e35 FLOP/year using 16-bit operations. This is roughly 10-billion-fold more computation than was used to train GPT-4","note":""},{"id":"pnas-20w","source_key":"pnas","locator":"","excerpt":"The human brain is just 2% of the body ... weight, but 20% of its metabolic load ... create art on an energy budget of ... 20 W, a paltry sum given that the computer on which this article is being typed requires 80 W","note":""},{"id":"pnas-3w","source_key":"pnas","locator":"","excerpt":"the biophysical processes supporting communication consume a startling 35 times more power ... Levy and Calvert (19) calculate that cortical gray matter consumes about 3 W of power out of the 17 W to 20 W derived from glucose uptake in the brain","note":""},{"id":"pnas-land","source_key":"pnas","locator":"","excerpt":"they find that neurons consume ... times more power per bit of computation than the idealized thermodynamic bound of Landauer ... future researchers will want to carefully examine assumptions about what constitutes computation, and the biophysical constraints imposed by computation with living cells","note":""},{"id":"hb","source_key":"hb","locator":"","excerpt":"the number of floating-point operations required to train a classifier to AlexNet-level performance on ImageNet has decreased by a factor of 44x between 2012 and 2019. This corresponds to algorithmic efficiency doubling every 16 months over a period of 7 years. By contrast, Moore's Law would only have yielded an 11x cost improvement.","note":""},{"id":"ho-algo","source_key":"hoalg","locator":"","excerpt":"Using a dataset of over 200 language model evaluations on Wikitext and Penn Treebank spanning 2012-2023, we find that the compute required to reach a set performance threshold has halved approximately every 8 months, with a 95% confidence interval of around 5 to 14 months, substantially faster than hardware gains per Moore's Law.","note":""},{"id":"ho-compute","source_key":"hoalg","locator":"","excerpt":"our analysis reveals that the increase in compute made an even larger contribution to overall performance improvements over this time period. Though limited by noisy benchmark data","note":""},{"id":"ep-four","source_key":"ep2030","locator":"","excerpt":"We investigate four key factors that might constrain scaling: power availability, chip manufacturing capacity, data scarcity, and the ... a fundamental speed limit imposed by unavoidable delays in AI training computations","note":""},{"id":"ep-gpt","source_key":"ep2030","locator":"","excerpt":"approximately 4x per year ... to continue through 2030 ... by 2030 it will be very likely possible to train models that exceed GPT-4 in scale to the same degree that GPT-4 exceeds GPT-2 in scale ... Frontier training runs by 2030 are projected to be 5,000x larger than Llama 3.1 405B","note":""},{"id":"ep-bind2","source_key":"ep2030","locator":"","excerpt":"The most binding constraints are power and chip availability ... Of these two, power may be more malleable ... the energy industry is less concentrated ... building new fabs requires large capital investments and highly specialized labor","note":""},{"id":"ep-unc","source_key":"ep2030","locator":"","excerpt":"Each estimate is based on historical projections. ... While there is substantial uncertainty about the precise scales of training that are technically feasible ... which is speculated to match the largest batch size achieved by GPT-4 during training","note":""},{"id":"ept-5x","source_key":"ept","locator":"","excerpt":"Updated Feb. 5, 2026 ... Training compute for frontier language models has been growing at 5× per year since 2020. ... The cost to train frontier language models has increased by 3.5×/year since 2020.","note":""},{"id":"epc-split","source_key":"epc","locator":"","excerpt":"We also estimated a cost breakdown to develop key frontier models such as GPT-4 and Gemini Ultra, including R&D staff costs and compute for experiments. We found that most of the development cost is for the hardware at 47–67%, but R&D staff costs are substantial at 29–49%, with the remaining 2–6% going to energy consumption.","note":""},{"id":"epp-2030","source_key":"epp","locator":"","excerpt":"In the longer term, especially beyond 2030, compute scaling is the main source of uncertainty in training power trends, as upfront costs for frontier models reach or exceed hundreds of billions of dollars and energy requirements exceed the largest generation sources.","note":""},{"id":"intel","source_key":"intel","locator":"","excerpt":"efficiency exceeding 15 trillion 8-bit operations per second per watt (TOPS/W) when executing conventional deep neural networks ... Currently, Hala Point is a research prototype ... Neuromorphic computing is a fundamentally new approach that draws on neuroscience insights that integrate memory and computing with highly granular parallelism to minimize data movement. ... Hala Point packages 1,152 Loihi 2 processors ... The system supports up to 1.15 billion neurons ... consuming a maximum of 2,600 watts of power ... pruned to 10:1 sparsity","note":""},{"id":"ibm-analog","source_key":"ibm","locator":"","excerpt":"Analog in-memory computing (analog-AI) ... can provide better energy efficiency by performing matrix ... Here we present an analog-AI chip that combines 35 million phase-change memory devices across 34 tiles ... can achieve up to 12.4 tera-operations per second per watt ... specifically for speech recognition and transcription","note":""},{"id":"ibm-drop","source_key":"ibm","locator":"","excerpt":"Figure 6c shows how the costs of data communication, incomplete tile usage and inefficient digital computing bring the large peak TOPS/W of the analog tile itself (20.0 TOPS/W) down to the final sustained value of 6.94 TOPS/W.","note":""},{"id":"lm","source_key":"lm","locator":"","excerpt":"Over the past decade, photonics research has explored accelerated tensor operations ... Despite these advances, no photonic chip has achieved the precision necessary for practical AI applications, and demonstrations have been limited to simplified benchmark tasks. Here we introduce a photonic AI processor that executes advanced AI models, including ... This processor achieves near-electronic precision for many workloads","note":""},{"id":"qml-hype","source_key":"qml","locator":"","excerpt":"Many of the leading scientists that extensively publish in the field of QML warn about the extensive hype around the topic and are very restrained if asked about its practical uses in the foreseeable future.","note":""}],"status":"published","featured":false,"revision":1,"created_at":"2026-10-23T14:03:59.884Z","updated_at":"2026-10-23T14:03:59.884Z"}