最近幾年，在科技圈，人工智能和量子計算一直是兩大炒作熱點。無數(shù)人宣稱它們將改變世界，但實際成果卻難以令人滿意，尤其是在量子計算領(lǐng)域。

受人工智能浪潮的推動，曾經(jīng)沉寂的量子計算可能會迎來新的高光時刻。更有趣的是，人工智能和量子計算正在走向融合。當(dāng)前人工智能產(chǎn)業(yè)存在一些痛點，量子人工智能或許會成為最理想的解決方案。

有了人工智能，人類可以建造更強大的量子計算機；借助優(yōu)化算法實時糾錯，量子機器或許會離現(xiàn)實更近一步。在復(fù)雜的人工智能任務(wù)中，量子處理器具備天然優(yōu)勢，例如為人工智能模型生成合成數(shù)據(jù)。

量子計算仍處于早期實驗階段

許多人將量子計算的發(fā)展劃分為三個階段：

——第一代（2023–2032年）：實驗階段

目前的量子計算處于第一代實驗階段，谷歌、IBM和AWS是這一領(lǐng)域的領(lǐng)頭羊。例如，谷歌開發(fā)的Willow芯片完成一項任務(wù)只需5分鐘，而經(jīng)典計算機則需要10的24次方年。但谷歌所說的突破仍停留在概念層面，尚未證明其商業(yè)價值。

——第二代（2030–2038年）：實用階段 

進(jìn)入第二階段，量子計算機將變得實用并具備商業(yè)可行性。屆時，量子系統(tǒng)能夠解決優(yōu)化和模擬問題，工具更加易用，技術(shù)廣泛落地。

——第三代（2035–2045年）：成熟階段

此時量子計算走向成熟，擁有完善的生態(tài)系統(tǒng)，并融入企業(yè)流程。

盡管潛力巨大，但目前外界對量子人工智能仍存疑慮，主要因為宣傳炒作過多，實際應(yīng)用寥寥無幾。量子人工智能還面臨諸多挑戰(zhàn)，例如硬件不穩(wěn)定、需要專用算法等。盡管大家普遍認(rèn)為，隨著糾錯技術(shù)的進(jìn)步和量子比特穩(wěn)定性的提升，其可靠性將增強，但目前的進(jìn)展仍缺乏說服力。

IBM Quantum System Two和谷歌量子系統(tǒng)是行業(yè)代表，雖已研發(fā)多年，但仍無法運行大型AI模型。正因如此，多數(shù)專家才斷言：“人類距離完全實現(xiàn)量子人工智能還需要多年時間?！?

LDG科技咨詢公司總裁勞倫斯?加斯曼去年曾表示：“量子人工智能仍處于起步階段，對許多機構(gòu)而言，現(xiàn)在談?wù)摿孔佑嬎闳斯ぶ悄転闀r過早，甚至沒有必要。”

不過，科技巨頭已開始布局，量子AI計算或許會加速發(fā)展。作為人工智能領(lǐng)域的領(lǐng)頭羊，英偉達(dá)最近突然進(jìn)入量子計算領(lǐng)域。Craig Hallum分析師理查德?香農(nóng)（Richard Shannon）表示：“他們此前一直沒有涉足，這一點讓我有些意外?！?

對于量子計算，英偉達(dá)CEO黃仁勛的態(tài)度也一直在變化。今年1月，他稱實用型量子計算機還需15至20年才能實現(xiàn)；到了3月，他收回這一觀點；6月，他又表示量子計算的拐點已經(jīng)到來，未來幾年有望解決一些實際問題。

就目前而言，量子計算對英偉達(dá)的AI客戶幫助有限。PsiQuantum首席科學(xué)家皮特?沙德博爾特（Pete Shadbolt）指出：“量子計算與人工智能在某種程度上截然相反。AI之所以強大，是因為它能從海量數(shù)據(jù)中學(xué)習(xí)規(guī)律；而量子計算機討厭數(shù)據(jù)，偏愛精準(zhǔn)。”

支持者認(rèn)為，量子計算有望開啟全新計算范式。GPU能夠通過并行計算解決大量簡單問題，量子計算不同，它可以解決少量復(fù)雜但有價值的問題，二者并不沖突。

谷歌量子人工智能實驗室研究員黃新元（Hsin-Yuan Huang）認(rèn)為，對于量子力學(xué)系統(tǒng)的模擬問題，經(jīng)典計算機無法應(yīng)對。量子力學(xué)描述的是物理基礎(chǔ)理論，這些問題不是靠堆疊GPU就能解決的。

如果有一天量子計算機投入運行，英偉達(dá)將占據(jù)核心位置。沒有大量經(jīng)典計算的支持，量子計算機無法運行，例如，控制量子計算機、糾錯以及分析結(jié)果都依賴于經(jīng)典計算機。

量子計算與AI結(jié)合的前景展望

英偉達(dá)已與谷歌量子計算AI（Google Quantum AI）展開合作，模擬量子處理器的物理原理，旨在理解并減少“噪音”。所謂“噪音”，指的是困擾量子硬件、限制計算運行時長的誤差。例如，原本需要一周完成的模擬，現(xiàn)在僅需幾分鐘即可完成。

訓(xùn)練大型AI模型需要耗費大量時間與算力，因此科技企業(yè)爭相建設(shè)數(shù)據(jù)中心。如果部署量子計算機，模型的學(xué)習(xí)進(jìn)化速度將會更快。傳統(tǒng)訓(xùn)練需要數(shù)周甚至數(shù)月，而量子計算機可能只要幾天就能完成。

在模式識別領(lǐng)域，無論是圖像還是文字，量子計算機可以同時分析多種可能性，從而提高準(zhǔn)確率和識別速度。

此外，當(dāng)前生成式AI工具輸出的內(nèi)容仍然不夠細(xì)膩和真實。量子人工智能可以讓模型處理更多數(shù)據(jù)，增強真實感，使細(xì)節(jié)更加豐富。

如果量子計算機真能與人工智能完美融合，互為助力，將有望幫助人類解決許多難題，例如欺詐檢測、數(shù)據(jù)合成、材料研究、藥物研發(fā)、碳捕獲等。這些難題若用經(jīng)典計算解決，不僅耗時漫長，甚至可能難以真正突破。

安永（EY）全球首席創(chuàng)新官喬?德帕（Joe Depa）指出，人工智能對電力的需求極為龐大，未來如果量子增強算法成熟，有望大幅降低訓(xùn)練能耗，不過目前這種設(shè)想仍停留在推測階段。

從基礎(chǔ)設(shè)施的角度看，人工智能與量子計算存在本質(zhì)差異。人工智能可以依托現(xiàn)有云架構(gòu)實現(xiàn)規(guī)?；渴?，而量子計算需要極端低溫環(huán)境和專用設(shè)施。IBM已嘗試將量子處理器整合到超算設(shè)施中，也就是將經(jīng)典計算與量子計算融合，但類似項目仍處于試點階段。企業(yè)不愿投資量子基礎(chǔ)設(shè)施，因為應(yīng)用尚未得到驗證；如果沒有完善的基礎(chǔ)設(shè)施，應(yīng)用又無法驗證——這形成了一個死循環(huán)。

眾所周知，人工智能存在“黑箱”問題，其得出結(jié)論的過程人類難以理解。量子計算同樣存在“黑箱”問題，且更為嚴(yán)重。量子態(tài)在測量過程中本質(zhì)上是無法被完全知曉的，這并非技術(shù)限制，而是量子力學(xué)本身的特性所決定的。如果將量子計算與人工智能結(jié)合，得出結(jié)論的過程可能會變得更加不可知。

總之，當(dāng)前量子AI計算仍處于早期探索階段，理論潛力巨大但現(xiàn)實應(yīng)用有限，技術(shù)瓶頸與基礎(chǔ)設(shè)施仍是主要挑戰(zhàn)。（小刀)