چشم‌انداز بلندمدت پردازش کوانتومی امیدوارکننده است

از سال ۲۰۲۱ که پیش‌بینی خود را درباره بازار محاسبات کوانتومی منتشر شده است، تحولات زیادی رخ داده است. هم فناوری کوانتومی و هم جایگزین‌های آن در محاسبات کلاسیک به شکل‌های پیش‌بینی‌نشده‌ای پیشرفت کرده‌اند. این تغییرات شاید مسیر رشد بازار را تحت تأثیر قرار داده باشند، اما جهت کلی آن را تغییر نداده‌اند. اکنون زمان به‌روزرسانی تحلیل‌های شفاف از روند این فناوری است.

جایگاه فعلی پردازش کوانتومی در مقایسه با پتانسیل و رقابت

محاسبات کوانتومی هنوز در هیچ کاربرد تجاری یا علمی برتری چشمگیری نسبت به محاسبات کلاسیک نشان نداده است. با این حال، کارشناسان معتقدند در آینده می‌تواند در حل برخی مسائل پیچیده عملکرد بهتری داشته باشد. یکی از چالش‌های اصلی، دقت پایین عملیات کوانتومی است که پذیرش گسترده آن را دشوار کرده است. از سوی دیگر، محاسبات کلاسیک نیز با پیشرفت‌هایی مانند پردازنده‌های گرافیکی و الگوریتم‌های هوش مصنوعی، رقابت را سخت‌تر کرده است.

با این حال، محاسبات کوانتومی به سرعت در حال پیشرفت است. تعداد کیوبیت‌ها واحدهای پایه محاسبات کوانتومی از سال ۲۰۱۸ هر یک تا دو سال دو برابر شده و این روند احتمالاً تا سه تا پنج سال آینده ادامه خواهد داشت. این پیشرفت‌ها نشان‌دهنده پتانسیل بالای این فناوری است.

در سال ۲۰۲۳، محاسبات کوانتومی توانست ۱.۲ میلیارد دلار سرمایه‌گذاری جذب کند، علیرغم کاهش کلی سرمایه‌گذاری در حوزه فناوری. این نشان‌دهنده اعتماد سرمایه‌گذاران به آینده این فناوری است. همچنین، دولت‌ها به‌ویژه آمریکا و چین، سرمایه‌گذاری‌های کلانی در این حوزه انجام داده‌اند و پیش‌بینی می‌شود حمایت‌های دولتی در سه تا پنج سال آینده از ۱۰ میلیارد دلار فراتر رود. این سرمایه‌گذاری‌ها می‌تواند به توسعه گسترده‌تر فناوری کوانتومی کمک کند و نقش آن را در امنیت ملی و رشد اقتصادی تقویت نماید.

چالش‌های ایجاد ارزش در عصر NISQ

طبق گزارش گروه مشاوران بوستون BCG سه سال پیش، پیش‌بینی شده است که بازار محاسبات کوانتومی در سه مرحله تکامل خواهد یافت، در عین‌حال این پیش‌بینی همچنان معتبر است. عصر محاسبات کوانتومی در مقیاس متوسط و پر از نویز NISQ تا سال ۲۰۳۰، مزیت گسترده کوانتومی بین سال‌های ۲۰۳۰ تا ۲۰۴۰، تحمل کامل خطا در مقیاس وسیع پس از ۲۰۴۰ قرار گرفته است.

آنها طبق پیش‌بینی خود اطمینان حاصل کردند که محاسبات کوانتومی می‌تواند ۴۵۰ تا ۸۵۰ میلیارد دلار ارزش اقتصادی ایجاد کند و بازاری ۹۰ تا ۱۷۰ میلیارد دلاری برای ارائه‌دهندگان سخت‌افزار و نرم‌افزار تا سال ۲۰۴۰ شکل بگیرد. این برآورد با پیش‌بینی بازار ارائه‌دهندگان رایانه‌های پردازش قدرتمند، که طبق داده‌های Statista تا سال ۲۰۴۰ به ۱۲۵ میلیارد دلار خواهد رسید، همخوانی دارد.

پیش‌بینی‌های اولیه‌شان بر اساس دو معیار کلیدی بنا شده است که انتظار می‌رود باعث همگرایی پیشرفت‌های سخت‌افزاری و نرم‌افزاری شوند، به‌گونه‌ای که در نهایت عملکرد محاسبات کوانتومی از محاسبات کلاسیک فراتر برود.

1.عملکرد سخت‌افزار:  پیش‌بینی در مورد سخت‌افزار این بود که حجم کوانتومی که با تعداد کیوبیت‌ها و میزان دقت آن‌ها سنجیده می‌شود، هر یک تا دو سال دو برابر شود.

2.عملکرد نرم‌افزار: انتظار داشتیم که الگوریتم‌های جدید کوانتومی توسعه یابند و از سخت‌افزار کوانتومی به شکل بهینه‌تری استفاده کنند. این پیشرفت‌ها می‌توانستند مزایای کوانتومی را نسبت به محاسبات کلاسیک در موارد کاربردی خاص از جمله افزایش سرعت، بهبود بهره‌وری انرژی و کشف کاربردهای جدید، تسریع کنند.

در پیش‌بینی سال ۲۰۲۱، بیش از ۱۰۰ مورد کاربردی را که از چهار نوع مسئله محاسباتی نشأت می‌گرفتند و در آن‌ها محاسبات کوانتومی می‌توانست برتری فناورانه داشته باشد، مورد بررسی قرار دادیم.

1.شبیه‌سازی Simulation

2.بهینه‌سازی Optimization

3.یادگیری ماشین Machine Learning

4.رمزنگاری Cryptography

در این ارزیابی، فرض شده است که توسعه‌دهندگان و کاربران سه نوع کاربرد بهینه، غیرقابل حل با روش‌های کلاسیک، و کاملاً جدید را دنبال خواهند کرد.

۱. پردازش کوانتومی کاربردهای بهینه “Optimal”

در حل مسائل پیچیده مانند بهینه‌سازی، شبیه‌سازی و یادگیری ماشین، رایانه‌های کلاسیک از روش‌های ابتکاری Heuristic استفاده می‌کنند که معمولاً ۵ تا ۲۰ درصد خطا نسبت به جواب بهینه دارند. بسیاری از کارشناسان انتظار داشتند که الگوریتم‌های کوانتومی بتوانند این خطا را کاهش دهند و هم دقت و هم سرعت حل مسائل را بهبود بخشند. اما در عمل، الگوریتم‌های کوانتومی فعلی مانند الگوریتم‌های تقریبی بهینه‌سازی کوانتومی و حل‌کننده‌های مقدار ویژه کوانتومی نیز بر روش‌های ابتکاری تکیه دارند و حتی عدم قطعیت بیشتری نسبت به روش‌های کلاسیک ایجاد می‌کنند.

از سوی دیگر، الگوریتم‌های کلاسیک و هوش مصنوعی سال‌ها تجربه و بهینه‌سازی سخت‌افزاری پشت سر گذاشته‌اند و همچنان عملکرد بهتری دارند. تا زمانی که محاسبات کوانتومی نتوانند خطاهای خود را به حد قابل قبولی کاهش دهند و برتری خود را ثابت کنند، رایانه‌های کلاسیک در حل بسیاری از مسائل پیچیده و غیرقابل حل از نظر محاسباتی، همچنان پیشتاز خواهند بود.

۲. کاربردهای غیرقابل حل با روش‌های کلاسیک “Intractable”

کامپیوترهای کوانتومی توانایی حل برخی از مسائلی را دارند که برای کامپیوترهای کلاسیک غیرممکن یا بسیار دشوار هستند. این مسائل معمولاً با افزایش اندازه، به‌طور نمایی پیچیده‌تر می‌شوند و نیاز به منابع محاسباتی بسیار بیشتری دارند که کامپیوترهای کلاسیک قادر به مدیریت آن نیستند. برای مثال، محاسبه‌های دقیق مربوط به رنگ‌های ساطع‌شده از یک رنگدانه، هدایت‌پذیری مواد، یا خواص مولکول‌های دارویی از جمله این مسائل هستند. ریچارد فاینمن در سال ۱۹۸۱ پیشنهاد داد که برای حل چنین مسائلی، محاسبات کوانتومی باید توسعه یابد، زیرا محاسبات کلاسیک حتی با تعداد ترانزیستورهای بیشتر از اتم‌های موجود در کیهان نیز قادر به انجام این کار نیستند.

با این حال، پیشرفت‌های اخیر در هوش مصنوعی AI باعث شده برخی فکر کنند که ممکن است نقش محاسبات کوانتومی در حل این مسائل کمتر از حد انتظار باشد. هوش مصنوعی با استفاده از داده‌های آموزشی، راه‌حل‌هایی تقریبی ارائه می‌دهد. برای مثال، مدل‌های زبان بزرگ از داده‌های موجود یاد می‌گیرند و روابط معنایی را درک می‌کنند. اما هوش مصنوعی دو محدودیت اصلی دارد: اولاً نتایج آن‌ها همیشه حاوی خطا هستند و ثانیاً دقت آن‌ها با دور شدن از داده‌های آموزشی کاهش می‌یابد.

در مسائل پیچیده‌تر، مانند شبیه‌سازی مولکول‌های بزرگ مانند پروتئین‌ها که تعداد حالت‌های ممکن آن‌ها به ۱۰^۵۰ می‌رسد، هیچ‌گاه داده‌های آموزشی کافی برای پوشش تمام احتمالات وجود نخواهد داشت. در چنین مواردی، محاسبات کوانتومی احتمالاً بهترین راه‌حل باقی می‌ماند، زیرا می‌توانند طبیعت را به‌طور دقیق‌تر شبیه‌سازی کنند، همان‌طور که فاینمن پیش‌بینی کرده بود. بنابراین، اگرچه هوش مصنوعی پیشرفت‌های چشمگیری داشته، اما محاسبات کوانتومی همچنان برای حل مسائل غیرقابل حل امروزی ضروری به نظر می‌رسند.

۳.کاربردهای کاملاً جدید (Brand New Applications)

پیش‌بینی‌ها نشان می‌دهند که ۲۰ تا ۳۰ درصد از ارزش آینده محاسبات کوانتومی از کاربردهای کاملاً جدید ناشی خواهد شد؛ کاربردهایی که هنوز نمی‌دانیم به آن‌ها نیاز خواهیم داشت، مشابه زمانی که گوشی‌های هوشمند امکان اشتراک‌گذاری مسافران مانند Uber را فراهم کردند. با این حال، دوره NISQ کامپیوترهای کوانتومی مقیاس میانه نویزدار نتوانسته است طبق انتظارات پیش برود. موانع فنی مانند دقت پایین عملیات کیوبیت‌ها و تجمع نمایی خطاها پس از ۱,۰۰۰ تا ۱۰,۰۰۰ عملیات گیت، چالش‌های بزرگی ایجاد کرده‌اند. حتی پیشرفت‌های اخیر، مانند دستیابی به دقت ۹۹.۹٪ سه ناین توسط مایکروسافت و Quantinuum، برای کاربردهای عملی کافی نیستند.

از سوی دیگر، توسعه الگوریتم‌های کوانتومی نیز کند بوده است. بیشتر پیشرفت‌ها بین دهه‌های ۱۹۸۰ تا ۲۰۱۰ اتفاق افتاده و در دهه گذشته پیشرفت چندانی نداشته‌ایم. الگوریتم‌های مفید نیاز به میلیون‌ها یا حتی میلیاردها عملیات گیت دارند مانند الگوریتم شُر، که فراتر از توانایی‌های فعلی سخت‌افزار کوانتومی است. علاوه بر این، رقابت با کامپیوترهای کلاسیک و هوش مصنوعی سخت‌تر از حد انتظار بوده است. هوش مصنوعی و کامپیوترهای کلاسیک فراتر از انتظارات پیشرفت کرده‌اند و راه‌حل‌های عملی برای مسائلی که قبلاً غیرقابل‌حل تلقی می‌شدند، ارائه داده‌اند. این پیشرفت‌ها باعث شده که مزیت محاسبات کوانتومی در مقایسه با سیستم‌های کلاسیک کمتر از حد انتظار باشد.

با توجه به محدودیت‌های موجود، برخی شرکت‌ها مانند D-Wave، Pasqal، Kipu Quantum و Qilimanjaro به سمت محاسبات کوانتومی آنالوگ و هیبریدی، ترکیب آنالوگ و دیجیتال روی آورده‌اند. این رویکردها می‌توانند در کوتاه‌مدت و بدون نیاز به عملیات دروازه‌ای پیچیده، کاربردهای تجاری را ممکن سازند. در همین حال، محاسبات کوانتومی به پیشرفت‌های چشمگیری ادامه داده است.

نمونه‌های اولیه نوآورانه بهبودهای قابل‌توجهی در حل مسائل پیچیده نشان داده‌اند و پتانسیل بالایی در حوزه‌هایی مانند بهینه‌سازی، شبیه‌سازی‌های کوانتومی و شبیه‌سازی مواد از خود نشان داده‌اند. توسعه تراشه‌های کوانتومی خاص برای کاربردهای ویژه و گسترش خدمات محاسبات کوانتومی مبتنی بر ابر، گام‌هایی به سوی ارائه راه‌حل‌های عملی و مقیاس‌پذیر هستند. در بلندمدت، محاسبات کوانتومی مزایای قطعی‌ای در حل مسائل بسیار پیچیده مانند فیزیک سیستم‌های چندعاملی و بهینه‌سازی‌های NP-hard خواهد داشت. با این حال، تا زمانی که چالش‌های سخت‌افزاری و نرم‌افزاری برطرف نشوند، کامپیوترهای کلاسیک همچنان پیشتاز خواهند بود.

تأثیر ماشین‌های کوانتومی بر تأمین‌کنندگان

ماشین‌های کوانتومی، حتی با روش‌های آنالوگ، می‌توانند در کوتاه‌مدت ارزش قابل‌توجهی ایجاد کنند، به‌ویژه در حوزه‌هایی مانند شبیه‌سازی مواد و مواد شیمیایی. پیش‌بینی می‌شود این حوزه‌ها در دوران NISQ سالانه بین ۱۰۰ تا ۵۰۰ میلیون دلار ارزش ایجاد کنند. اگرچه این رقم نسبت به پیش‌بینی‌های قبلی کاهش یافته، اما انتظار نمی‌رود تأثیر چشمگیری بر بازار تأمین‌کنندگان سخت‌افزار و نرم‌افزار داشته باشد. پیش‌بینی می‌شود بازار تأمین‌کنندگان تا سال ۲۰۳۰ به ۱ تا ۲ میلیارد دلار برسد، که با پیش‌بینی‌های دیگران هم‌خوانی دارد. سه عامل کلیدی در این زمینه نقش دارند.

اول، حمایت بخش عمومی از طریق سفارشات و کمک‌های مالی، مشابه آنچه در فناوری‌هایی مانند نیمه‌هادی‌ها، اینترنت و GPS دیده شده است. به عنوان مثال، وزارت دفاع بریتانیا از ORCA Computing کامپیوترهای کوانتومی خریداری کرده، حتی اگر این ماشین‌ها هنوز نتوانند از آستانه ۴۰ کیوبیتی فراتر روند. برآورد می‌شود که سفارشات عمومی بیش از نیمی از بازار فعلی را پشتیبانی می‌کنند و با توجه به اهمیت ژئوپولیتیکی فناوری‌های کوانتومی، این تقاضا در سه تا پنج سال آینده ادامه خواهد یافت.

دوم، شرکت‌های پیشرو در حال سرمایه‌گذاری در توانمندی‌های کوانتومی سطح سازمانی هستند. در سال ۲۰۲۳، بیش از ۱۰۰ پروژه اثبات مفهومی فعال در میان شرکت‌های Fortune 500 شناسایی شد که مجموع سرمایه‌گذاری آن‌ها حدود ۳۰۰ میلیون دلار بود. این شرکت‌ها قصد دارند با ثبت پتنت برای مواد جدید یا طراحی استراتژی‌های پوشش ریسک، پیشگام شوند. با وجود پیشرفت‌های هوش مصنوعی و موانع NISQ، انتظار می‌رود شرکت‌های بیشتری برنامه‌های بلندمدت در این حوزه دنبال کنند، به‌ویژه با توجه به چشم‌اندازهای پیشرفت‌های تکنولوژیکی مانند تصحیح خطا و استفاده از هوش مصنوعی برای تولید داده‌های آموزشی.

سوم، تأمین‌کنندگان می‌توانند از طریق تشکیل زنجیره‌های تأمین شامل تجهیزاتی مانند کنترل‌ها، یخچال‌های رقیق‌سازی، لیزرها، وکیوم‌ها و نرم‌افزارها درآمدزایی کنند. برآورد می‌شود که هزینه‌های زنجیره تأمین حدود ۵ تا ۱۰ درصد از درآمدهای سخت‌افزار و نرم‌افزار محاسبات کوانتومی در سال جاری را تشکیل دهد. این عوامل نشان می‌دهند که علیرغم چالش‌ها، بازار تأمین‌کنندگان محاسبات کوانتومی در حال رشد است و فرصت‌های قابل‌توجهی برای مشارکت و درآمدزایی وجود دارد.

تصحیح خطا در الگوریتم‌های کوانتومی پیشرفت را تسریع خواهد کرد

پیشرفت‌های اخیر در تصحیح خطای کوانتومی امیدواری‌ها را برای تسریع توسعه محاسبات کوانتومی افزایش داده‌اند. در سال ۲۰۲۱، چشم‌انداز تصحیح خطا در کیوبیت‌ها بیشتر نظری و نامشخص بود، با پیش‌بینی‌هایی مبنی بر دستیابی به آن پس از سال ۲۰۳۰ یا حتی عدم تحقق آن. اما در سه سال گذشته، پیشرفت‌های عملی قابل‌توجهی حاصل شده است. به عنوان مثال، همکاری Harvard، QuEra، MIT و NIST/UMD موفق به نمایش تصحیح خطا با استفاده از ۴۸ کیوبیت منطقی در پلتفرم اتم‌های خنثی شد.

IBM نیز با ارائه یک کد تصحیح خطای نوآورانه در کیوبیت‌های ابررسانا، کارایی را ده برابر بهبود بخشیده است. علاوه بر این، Microsoft و Quantinuum توانسته‌اند با استفاده از یون‌های محبوس شده، خطا را ۸۰۰ برابر کاهش دهند. نوآوری‌های دیگری مانند کدگذاری سخت‌افزار قوی‌تر توسط Alice & Bob نیز از سال ۲۰۲۱ مطرح شده‌اند و خوش‌بینی نسبت به عملی بودن تصحیح خطا را افزایش داده‌اند.

در پیش‌بینی سال ۲۰۲۱، اشاره شد که ۹۰٪ از ارزش محاسبات کوانتومی به بهبود تصحیح خطا وابسته است. نقشه‌راه‌های شرکت‌هایی مانند IBM، QuEra و Alice & Bob وعده داده‌اند که تصحیح خطا تا سال ۲۰۲۹ به‌طور کامل محقق خواهد شد. این پیشرفت‌های سریع‌تر از حد انتظار، زمان دستیابی به ارزش برای کاربران نهایی را در میان‌مدت تسریع خواهد کرد و آینده محاسبات کوانتومی را امیدوارکننده‌تر می‌سازد.

تأثیر الگوریتم‌های رایانش کوانتومی بر شرکت‌ها

محاسبات کوانتومی همچنان یک فناوری نوظهور است و در حال حاضر ارزش عملی آن برای بسیاری از شرکت‌ها محدود است. با این حال، برخی صنایع می‌توانند با پیشرفت این فناوری و بهبود تصحیح خطا، از مزایای قابل‌توجهی بهره‌مند شوند. شرکت‌هایی که به دنبال پیشگامی در این حوزه هستند، مانند غول‌های فناوری ارائه‌دهنده خدمات کوانتومی یا آن‌هایی که به بهبود امنیت سایبری متکی‌اند، سرمایه‌گذاری در این زمینه را توجیه‌پذیرتر می‌دانند.

پنج صنعت، پس از بخش دولتی، بیشترین بهره را از محاسبات کوانتومی خواهند برد:

1.شرکت‌های فناوری: رقابت در این حوزه مستلزم پیشگامی در ارائه خدمات محاسبات کوانتومی و فناوری‌های ترکیبی است. این مزیت رقابتی می‌تواند برای دهه‌ها تداوم داشته باشد.

2.صنایع شیمیایی و کشاورزی: این فناوری می‌تواند مدل‌سازی مولکولی و شبیه‌سازی را بهبود ببخشد، که به توسعه مواد جدید و حفاظت بهتر از محصولات کشاورزی منجر می‌شود.

3.شرکت‌های داروسازی: پردازش سریع‌تر تعاملات مولکولی امکان کشف سریع‌تر داروها و کاهش زمان ورود آن‌ها به بازار را فراهم می‌کند.

4.صنعت دفاع و فضا: محاسبات کوانتومی می‌تواند در ارتباطات امن، شبیه‌سازی سیستم‌های پیچیده و توسعه فناوری‌های استراتژیک نقش کلیدی داشته باشد.

5.مؤسسات مالی: این فناوری پردازش داده‌های حجیم را برای تحلیل ریسک و بهینه‌سازی پورتفولیو تسهیل می‌کند و به مزیت رقابتی در بازارهای پرسرعت منجر می‌شود.

با وجود چالش‌های فعلی، محاسبات کوانتومی می‌تواند آینده بسیاری از صنایع را متحول کند و شرکت‌های پیشرو را در موقعیت رقابتی برتری قرار دهد.

تغییر تمرکز بر کیوبیت‌های پردازنده کوانتومی 

امروزه تمرکز اصلی در محاسبات کوانتومی بر افزایش تعداد کیوبیت‌ها در پردازنده‌ها است که در رقابت این فناوری نقش مهمی دارد. با این حال، انتظار می‌رود که معیارهای دیگری نیز به تدریج مورد توجه قرار گیرند، زیرا کاربران به دنبال بهره‌برداری مؤثرتر از این فناوری هستند.

یکی از چالش‌های اصلی نویز در پردازش کوانتومی است. نرخ پایین وفاداری کیوبیت‌ها باعث می‌شود که الگوریتم‌های دوره NISQ در کوتاه‌مدت بازده سرمایه مطلوبی نداشته باشند. برای حل این مشکل، نیاز به پیاده‌سازی کدهای تصحیح خطا وجود دارد که می‌تواند نویز را کاهش داده و عمق مدارهای محاسباتی را افزایش دهد.

سرعت پردازش: نیز چالشی مهم محسوب می‌شود. کامپیوترهای کوانتومی امروزی در مقایسه با همتایان کلاسیک خود سرعت پایینی دارند. برای مثال، در سیستم‌های اتمی سرد، سرعت پردازش در محدوده کیلوهرتز است، در حالی که کیوبیت‌های ابررسانا می‌توانند به مگاهرتز برسند. محدودیت‌های سرعت ساعت، کاربردهای عملی این فناوری را تحت تأثیر قرار می‌دهد، اما با توسعه الگوریتم‌های جدید، این موانع کاهش خواهند یافت.

بارگذاری داده‌ها: یکی دیگر از محدودیت‌های کنونی است. کیوبیت‌ها منابع محدودی هستند و نگاشت داده‌ها به آن‌ها چالش‌برانگیز است. یکی از راهکارها، استفاده از داده‌هایی است که مستقیماً از حسگرهای کوانتومی یا محاسبات پیشین به دست می‌آیند، بدون نیاز به بارگذاری سنتی داده‌های کلاسیک.

اتصال و عملکرد پردازنده: نیز نقش کلیدی در بهبود بازدهی دارد. برخی فناوری‌های کوانتومی مانند یون‌های به دام افتاده، اتصال درونی بالایی دارند، در حالی که فناوری‌های دیگر مانند کیوبیت‌های ابررسانا، در اتصال محدودتر هستند. افزایش سطح اتصال می‌تواند اجرای مؤثرتر کدهای تصحیح خطا را امکان‌پذیر کند.

در نهایت، تمرکز مالی از بازگشت سرمایه بلندمدت به ROI کوتاه‌مدت تغییر خواهد کرد. هزینه محاسبات کوانتومی هنوز بسیار بالا است و در مقایسه با محاسبات کلاسیک، توجیه اقتصادی محدودی دارد. با این حال، با رشد مقیاس این فناوری، هزینه‌ها کاهش می‌یابد و موارد استفاده‌ای که بازگشت سرمایه سریع‌تری دارند، بیشتر مورد توجه قرار خواهند گرفت

پردازش کوانتومی با تغییر مداوم

از سال ۲۰۲۱ تاکنون تغییرات زیادی رخ داده است، اما نکته قابل توجه، ثبات کلی تصویر محاسبات کوانتومی است. موانعی مانند عمق محدود مدارها و نرخ‌های پایین وفاداری همچنان چالش‌هایی جدی هستند، اما این مسائل تهدیدی برای توسعه بلندمدت این فناوری یا بازار آن محسوب نمی‌شوند. در واقع، همان چالش‌های گذشته همچنان پابرجا هستند، اما به حل آن‌ها نزدیک‌تر شده‌ایم.

محاسبات کوانتومی همچنان ظرفیت ایجاد ارزش عظیم را در صنایعی دارد که به راه‌حل‌های سریع‌تر و کارآمدتر نیاز دارند. کاربران نهایی باید همکاری خود را با ارائه‌دهندگان این فناوری گسترش داده و مهارت‌های مرتبط را توسعه دهند. همان‌طور که در سال ۲۰۲۱ این فناوری یک مسیر برد برای اکثریت بود، امروز نیز همچنان در همان مسیر پیش می‌رود.