Oui, les ordinateurs quantiques peuvent déjà générer des images, et ils le font sur du vrai matériel. Les images qu'ils produisent sont minuscules, en général des chiffres manuscrits de 28 sur 28 pixels en niveaux de gris tirés de jeux de référence standard de la recherche, créés par des systèmes hybrides dans lesquels un circuit quantique génère de petits morceaux de l'image et un réseau de neurones classique juge le résultat. Une seule publication Instagram contient environ 4 400 fois plus de valeurs qu'un de ces chiffres. Les images IA de qualité campagne et les influenceurs IA viennent de modèles génératifs classiques, et la génération d'images quantique reste un domaine de recherche à surveiller.
L'essentiel
- La génération d'images quantique est réelle. Les GAN quantiques tournent sur de vrais processeurs et produisent de vraies images
- Les images ont la taille d'un jeu de référence. En général des chiffres de 28 sur 28 en niveaux de gris ou de petites images similaires
- Les systèmes sont hybrides. Un circuit quantique génère des morceaux d'image, et un réseau classique fait office de juge
- La taille est le moindre problème. La généralisation, un plafond analytique de fidélité et les gradients qui s'évanouissent sont plus difficiles
- Les marques devraient utiliser l'IA classique aujourd'hui. Les modèles de diffusion produisent déjà des images de qualité campagne
Pourquoi la question se pose
Le mot "quantique" apparaît désormais à côté d'"IA générative" dans les présentations commerciales et l'actualité technologique, et les marketeurs commencent à se demander si les images de leur prochaine campagne pourraient être produites sur un ordinateur quantique. La question est légitime, et elle a une réponse précise. La génération d'images quantique existe, elle tourne sur du vrai matériel et elle produit de vraies images. Ce qui tranche la question pour la planification d'une marque, c'est à quoi ressemblent réellement ces images.
Ce qu'est un GAN quantique
Un réseau antagoniste génératif classique, ou GAN, a deux moitiés. Un générateur invente des images, un discriminateur juge si chacune paraît réelle, et les deux s'entraînent l'un contre l'autre jusqu'à ce que le générateur réussisse assez souvent pour être utile.
Un GAN quantique, ou QGAN, remplace le générateur par un circuit quantique paramétré. Le discriminateur reste un réseau de neurones classique. Ce détail compte plus qu'il n'y paraît. Les QGAN actuels sont des systèmes hybrides, et la moitié qui juge relève de l'apprentissage automatique ordinaire.
Il y a un second compromis. Les processeurs quantiques disponibles aujourd'hui sont petits, bien trop petits pour représenter une image entière, alors l'image est découpée en morceaux. Chaque morceau a son propre circuit sous-générateur. Du bruit aléatoire est injecté dans chacun, la sortie de chaque circuit est convertie en valeurs de pixels, et les morceaux sont rassemblés en une seule image.
Ce qui a réellement été construit
L'exemple concret le plus clair vient de l'entreprise de calcul quantique photonique Quandela, dont l'algorithme QGAN génère des images artificielles à partir de jeux d'images existants, mis en œuvre sur son processeur photonique et entraîné de bout en bout. La conception suit l'approche par morceaux décrite plus haut, avec du bruit qui alimente des circuits photoniques variationnels, des sorties de sous-générateurs converties en pixels, une recomposition en image finale et un réseau de neurones classique comme discriminateur. La mise en œuvre a été publiée ouvertement.
L'objectif commercial affiché, ce sont les données d'entraînement synthétiques. Générer des images artificielles pour de nombreux scénarios peut réduire le coût et le temps de collecte de jeux d'images spécialisés et augmenter la variété des données servant à entraîner d'autres modèles d'IA. C'est important dans des secteurs comme l'automobile et l'aéronautique, où filmer de vrais cas limites rares coûte cher ou présente des risques.
C'est un cas d'usage réel et sensé. C'est aussi un travail très différent de la production d'une image de campagne, et c'est dans cette différence que les marques s'y perdent.
Le résultat, en chiffres
La génération d'images quantique publiée travaille à l'échelle des jeux de référence. Comme le décrivent Quandela et ZKSF.org, dont la présentation pratique de l'apprentissage automatique quantique sur simulateurs explique pourquoi cet entraînement coûte si cher, les jeux de données standard sont ceux qu'utilise tout le domaine.
| Ce qui est généré | Taille | Valeurs par image |
|---|---|---|
| Chiffre manuscrit MNIST, la référence habituelle des QGAN | 28 x 28 niveaux de gris | 784 |
| Vêtement de Fashion-MNIST | 28 x 28 niveaux de gris | 784 |
| Objet de CIFAR-10 | 32 x 32 couleur | 3 072 |
| Une publication Instagram | 1080 x 1080 couleur | 3 499 200 |
| Un portrait 4K | 3840 x 2160 couleur | 24 883 200 |
Une seule publication sur les réseaux sociaux contient environ 4 400 fois plus de valeurs qu'un chiffre MNIST. Un portrait 4K en contient environ 31 700 fois plus. Voilà l'échelle réelle de l'écart, et il faudra bien plus d'une génération de matériel pour le combler.
Pourquoi la résolution est le moindre problème
Si la taille de l'image était le seul obstacle, le domaine pourrait simplement attendre des processeurs plus grands. Trois problèmes plus profonds rendent l'écart plus difficile à combler.
La généralisation. Les travaux publiés montrent que les QGAN peinent à généraliser d'un jeu de données à l'autre et tendent à converger vers la représentation moyenne de leurs données d'entraînement. Pour une marque, c'est une faiblesse sérieuse. Une campagne d'influenceur IA a besoin de variété, de singularité et d'un personnage cohérent, et un modèle qui s'effondre vers la moyenne de son jeu d'entraînement produit le résultat le plus fade possible.
Un plafond analytique. Quand la sortie du générateur est un état quantique pur, la qualité atteignable du discriminateur est bornée par la fidélité entre cet état et la distribution de données visée. C'est une limite mathématique de l'architecture, donc un meilleur matériel ne suffit pas à la lever.
Le coût d'entraînement et les gradients qui s'évanouissent. L'apprentissage automatique quantique demande des milliers d'évaluations de circuit par entraînement, et les circuits variationnels de ce type se heurtent aux plateaux stériles, des zones où le gradient disparaît presque et où l'optimiseur cesse d'apprendre. Quiconque a entraîné un modèle classique sait ce que coûte un gradient mort. Dans ces circuits, le problème tend à grandir à mesure que les circuits s'élargissent.
Pourquoi les pages des fournisseurs montrent rarement ces chiffres
Pour être juste envers les fournisseurs, une page de cas d'usage sert à décrire une capacité à un public commercial, et la recherche sous-jacente est en général ouverte à qui veut les détails. La conséquence pratique retombe malgré tout sur l'acheteur. Une page qui décrit la génération d'images artificielles sur un processeur quantique mentionne rarement que le résultat est un chiffre de 28 sur 28. Pour le découvrir, il faut lire la recherche, ce que la plupart des personnes qui planifient un budget marketing ne font pas, et c'est bien normal.
Une règle simple vous protège. Demandez ce qui a été produit, à quelle taille et mesuré comment. Une affirmation sur une capacité quantique qui ne répond pas à ces trois questions décrit une feuille de route.
Comment l'IA classique produit aujourd'hui les images de campagne
Les images de qualité campagne et les influenceurs IA viennent de modèles génératifs classiques, surtout des modèles de diffusion entraînés sur de très grandes collections d'images et exécutés sur des GPU ordinaires. Ils produisent des personnes, des produits et des scènes photoréalistes en haute résolution et, avec le bon système de production, gardent les personnages cohérents sur des centaines d'images et de vidéos. C'est ainsi que Proklisi crée des influenceurs SI et des visuels de campagne pour les marques. Notre guide pour créer des images IA photoréalistes explique le savoir-faire, et notre article sur l'IA générative dans la publicité présente la technologie.
Les influenceurs SI qui peuvent porter votre campagne
Ce qu'une marque devrait faire face à la génération d'images quantique
Pour planifier les campagnes, la réponse utile est de continuer avec l'IA classique et de garder un œil sur la recherche.
- Laissez la création quantique hors du budget. Il n'existe aucun produit à acheter pour des visuels de campagne, et l'écart est d'environ quatre ordres de grandeur.
- Gardez-la hors du chemin critique. Attendre de voir ce que fera le quantique ne remplace pas une stratégie de contenu. Le calendrier est celui de la recherche.
- Considérez-la comme un vrai domaine. Les processeurs photoniques et autres génèrent vraiment des images, et le cas d'usage des données d'entraînement synthétiques est solide. C'est simplement un outil différent d'une chaîne de production créative.
- Surveillez deux jalons précis. Le nombre de qubits dit peu de chose à lui seul. Les signes qui comptent sont des démonstrations de généralisation au-delà de la moyenne du jeu d'entraînement et une génération au-dessus de la résolution des jeux de référence.
Un influenceur SI au service de votre marque ?
Choisissez-en un dans notre roster et lancez-vous en moins de 24 heures, ou commandez un personnage créé rien que pour vous
Vous pouvez le vérifier vous-même, gratuitement
Vérifier tout cela ne coûte rien pour commencer. Les circuits quantiques se construisent et s'exécutent dans un navigateur sans rien installer, donc les affirmations de cet article se vérifient directement. Il existe un simulateur de circuits quantiques gratuit en ligne qui fonctionne dans le navigateur, suffisant pour voir combien un petit circuit émet peu de valeurs et pourquoi il faut répartir une image sur un grand nombre d'entre eux.
Au-delà de l'offre gratuite, une simulation coûte une fraction de centime par tâche, et le temps sur de vrais processeurs quantiques se loue à la mesure, de l'ordre de 0,30 dollar par tâche plus des fractions de centime par mesure. Un après-midi de vraie curiosité coûte moins qu'un café, ce qui est une meilleure base pour un avis stratégique que n'importe quelle présentation commerciale.
Là où le quantique pourrait compter d'abord pour le marketing
Si l'informatique quantique arrive dans le marketing, il est peu probable que ce soit d'abord par la génération d'images. Les domaines fondés sur l'optimisation et la simulation, comme la logistique, la planification et certains problèmes de portefeuille et de tarification, sont plus souvent cités comme premiers candidats. Pour le travail créatif, l'IA classique progresse vite, et c'est là que se trouvent aujourd'hui les gains concrets pour les marques.
En résumé
Les ordinateurs quantiques génèrent des images aujourd'hui. Ils génèrent des chiffres manuscrits de 28 sur 28 pixels en niveaux de gris, confient le jugement à un réseau de neurones classique et découpent l'image en morceaux, car les processeurs ne peuvent pas en représenter une entière. L'écart avec un influenceur IA photoréaliste est d'environ quatre ordres de grandeur en valeurs brutes, et les obstacles qui comptent le plus sont la généralisation, un plafond analytique de fidélité et des gradients qui s'évanouissent à mesure que les circuits grandissent. C'est un domaine fascinant qui mérite d'être suivi, et les images de campagne viennent aujourd'hui de l'IA générative classique.
Proklisi crée des sites et des applis, gère le SEO, l'ASO et les réseaux sociaux, et conçoit des influenceurs SI pour les marques. Tout ce que vous lisez ici vient du travail que nous faisons chaque semaine pour nos clients. À propos ou parlez à l'équipe