量子AI：量子計算遠未成熟，人工智能已“饑渴難耐”

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域。

受人工智能浪潮的推動，曾經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。當前人工智能產業存在一些痛點，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；借助優化算法實時糾錯，量子機器或許會離現實更近一步。在復雜的人工智能任務中，量子處理器具備天然優勢，例如為人工智能模型生成合成數據。

量子計算仍處于早期實驗階段

許多人將量子計算的發展劃分為三個階段：

——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是這一領域的領頭羊。例如，谷歌開發的Willow芯片完成一項任務只需5分鐘，而經典計算機則需要10的24次方年。但谷歌所說的突破仍停留在概念層面，尚未證明其商業價值。

——第二代（2030–2038年）：實用階段

進入第二階段，量子計算機將變得實用并具備商業可行性。屆時，量子系統能夠解決優化和模擬問題，工具更加易用，技術廣泛落地。

——第三代（2035–2045年）：成熟階段

此時量子計算走向成熟，擁有完善的生態系統，并融入企業流程。

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，實際應用寥寥無幾。量子人工智能還面臨諸多挑戰，例如硬件不穩定、需要專用算法等。盡管大家普遍認為，隨著糾錯技術的進步和量子比特穩定性的提升，其可靠性將增強，但目前的進展仍缺乏說服力。

IBM Quantum System Two和谷歌量子系統是行業代表，雖已研發多年，但仍無法運行大型AI模型。正因如此，多數專家才斷言：“人類距離完全實現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，對許多機構而言，現在談論量子計算人工智能為時過早，甚至沒有必要。”

不過，科技巨頭已開始布局，量子AI計算或許會加速發展。作為人工智能領域的領頭羊，英偉達最近突然進入量子計算領域。Craig Hallum分析師理查德?香農（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CEO黃仁勛的態度也一直在變化。今年1月，他稱實用型量子計算機還需15至20年才能實現；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，量子計算對英偉達的AI客戶幫助有限。PsiQuantum首席科學家皮特?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據中學習規律；而量子計算機討厭數據，偏愛精準。”

支持者認為，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）認為，對于量子力學系統的模擬問題，經典計算機無法應對。量子力學描述的是物理基礎理論，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，英偉達將占據核心位置。沒有大量經典計算的支持，量子計算機無法運行，例如，控制量子計算機、糾錯以及分析結果都依賴于經典計算機。

量子計算與AI結合的前景展望

英偉達已與谷歌量子計算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，現在僅需幾分鐘即可完成。

訓練大型AI模型需要耗費大量時間與算力，因此科技企業爭相建設數據中心。如果部署量子計算機，模型的學習進化速度將會更快。傳統訓練需要數周甚至數月，而量子計算機可能只要幾天就能完成。

在模式識別領域，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，從而提高準確率和識別速度。

此外，當前生成式AI工具輸出的內容仍然不夠細膩和真實。量子人工智能可以讓模型處理更多數據，增強真實感，使細節更加豐富。

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、數據合成、材料研究、藥物研發、碳捕獲等。這些難題若用經典計算解決，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，有望大幅降低訓練能耗，不過目前這種設想仍停留在推測階段。

從基礎設施的角度看，人工智能與量子計算存在本質差異。人工智能可以依托現有云架構實現規模化部署，而量子計算需要極端低溫環境和專用設施。IBM已嘗試將量子處理器整合到超算設施中，也就是將經典計算與量子計算融合，但類似項目仍處于試點階段。企業不愿投資量子基礎設施，因為應用尚未得到驗證；如果沒有完善的基礎設施，應用又無法驗證——這形成了一個死循環。

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

總之，當前量子AI計算仍處于早期探索階段，理論潛力巨大但現實應用有限，技術瓶頸與基礎設施仍是主要挑戰。（小刀)