在我們描述 21 世紀(jì)剛剛過去的第二個十年的技術(shù)版圖中，人工智能（AI）、大數(shù)據(jù)（Big Data）、云計算（Cloud）、物聯(lián)網(wǎng)（IoT）是幾個無論如何也繞不開的術(shù)語。在闡述科技發(fā)展趨勢的文章里，如果不把這些術(shù)語作為開篇，簡直都不好展開論述。

而在下一個十年，在這一長串的革命性技術(shù)的名單后面，可能還要再加一個量子計算。正如人工智能，因為大數(shù)據(jù)的喂養(yǎng)而使得神經(jīng)網(wǎng)絡(luò)算法得以成熟，因為云計算的加持才擁有了充沛的算力，因為和物聯(lián)網(wǎng)的融合而使得萬物產(chǎn)生智能。

那么，人工智能與量子計算的交往又能產(chǎn)生怎樣的“劇烈反應(yīng)”呢？

2017 年，圖靈獎得主姚期智教授在一次演講時說：“如果能夠把量子計算和 AI 放在一起，我們可能做出連大自然都沒有想到的事情?！?/p>

這等“敢叫天地?fù)Q新顏”的技術(shù)前景，對于大多數(shù)普通人而言可能還略顯遙遠(yuǎn)，但量子計算和量子機器學(xué)習(xí)的技術(shù)研究早已在全球多家科研機構(gòu)和科技巨頭的實驗室中落地開花，可以向外界和技術(shù)人員提供基礎(chǔ)的算法工具和資源，讓公眾可以一睹量子與智能的神奇力量。

近日，百度飛槳官宣發(fā)布了量子機器學(xué)習(xí)開發(fā)工具 Paddle Quantum——量槳，成為國內(nèi)唯一支持量子機器學(xué)習(xí)的深度學(xué)習(xí)平臺。量槳的作用就是提供了一套量子機器學(xué)習(xí)的工具集，開放給科研人員，進行量子神經(jīng)網(wǎng)絡(luò)的搭建測試以及量子人工智能的研究。

量槳的出現(xiàn)，到底能為量子機器學(xué)習(xí)帶來多少顯著進展，尚待時間檢驗，但一定程度上推動量子機器學(xué)習(xí)在我國的普及，為廣大 AI 和量子計算的研究者提供了一條新的學(xué)習(xí)途徑。

按捺不住學(xué)習(xí)熱情的你，一定想到量子計算和人工智能的技術(shù)交匯處，一窺量子機器學(xué)習(xí)的究竟，來衡量下投身入局的可能吧？

為什么“量子計算”很配“人工智能”？

進入正題之前，我們不妨先來簡單了解下量子計算的基礎(chǔ)背景，來降低下代入難度。

先來看，量子為什么能夠計算？

二十世紀(jì)，自然界的一個重大物理發(fā)現(xiàn)就是量子力學(xué)，而量子力學(xué)主要的發(fā)現(xiàn)是基本粒子有兩種狀態(tài)——疊加和糾纏。通俗來理解，疊加，就是量子同時既是這樣又是那樣，一旦被觀察或測量就會變成其中的一個樣子，這就是著名的“測不準(zhǔn)”；糾纏，就是兩個成對的量子粒子，即使相隔宇宙兩端，也能發(fā)生暗戳戳的神秘互動，這就是大名鼎鼎的“量子糾纏”。

“疊加”決定了量子的并行計算的基礎(chǔ)，“糾纏”決定了量子傳輸?shù)幕A(chǔ)。讓量子的這些特性被用于計算時，就能用來處理非常復(fù)雜的數(shù)據(jù)計算。

我們知道，經(jīng)典計算的基本單位是比特（Bit），比特只能在 0 和 1 兩個狀態(tài)之間切換。經(jīng)典計算只能在 0 和 1 的開合中實現(xiàn)線性計算，只不過現(xiàn)在的計算力非常巨大，一秒鐘可以進行數(shù)十億甚至更高的計算。

而量子計算的基本單位的量子比特（Qubit），量子比特因為疊加效應(yīng)就可以同時具有 0 和 1 的特征。隨著量子比特數(shù)量的增加，量子比特的計算能力將會以指數(shù)級的方式增加。

也就是，一個量子比特可以同時處于兩個狀態(tài)（0 和 1）。因此，兩個相互作用的量子比特可以同時存儲全部 4 個二進制值。通常，“n”個量子比特可以同時表示“2 的 n 次方”個經(jīng)典二進制值。

我們用一個“玉米田迷宮”的例子來理解經(jīng)典計算和量子計算的不同：經(jīng)典計算就如同一個人在玉米田里尋找出口，這個人會先找一條路走下去，遇到阻礙就返回，再找一條路重新開始，再遇到阻礙就再返回，直到找到出口。而量子計算就如同有了多個分身，可以同時探索玉米迷宮里的每一條路徑，同時一次就把出口找到。

這樣，量子計算的疊加態(tài)以及糾纏態(tài)形成的疊加坍縮構(gòu)成的高并行計算能力，就為人工智能特別是機器學(xué)習(xí)所需要的數(shù)據(jù)處理和算法訓(xùn)練提供了一種新的可能。

量子計算和人工智能也在發(fā)生一種相互“糾纏”又密不可分的關(guān)系，但這并不意味著量子計算加上機器學(xué)習(xí)，就可以立刻碰撞出顯著的成果。

量子機器學(xué)習(xí)仍在“襁褓”之初

量子機器學(xué)習(xí)（Quantum ML）是一個量子計算和機器學(xué)習(xí)交叉的的跨學(xué)科技術(shù)領(lǐng)域，二者的結(jié)合可以產(chǎn)生一種互利互惠的結(jié)果。

一方面，量子計算最主要的目標(biāo)之一，就是借助于量子特性開發(fā)高性能的量子機器學(xué)習(xí)算法，從而加快或拓寬人工智能的應(yīng)用場景。另一方面，量子計算在大規(guī)模應(yīng)用落地之前還有許多非常棘手的科學(xué)與工程技術(shù)難題有待解決，這需要大量的先進計算工具，特別是 AI 技術(shù)幫助突破量子計算研發(fā)瓶頸。

在機器學(xué)習(xí)和量子計算按照算法和數(shù)據(jù)二維劃分下，可以得到四種不同分類——C-C、Q-C、C-Q 和 Q-Q。C-C 就是傳統(tǒng)的機器學(xué)習(xí)；Q-Q 屬于量子計算的開放域；而 C-Q 主要就是通過機器學(xué)習(xí)算法來解決量子物理的問題，比如對量子系統(tǒng)的控制對象建模，對擾動、噪聲等參數(shù)特征的辨識，推動量子計算發(fā)展。

而 Q-C 就是利用量子理論改進機器學(xué)習(xí)，推動機器學(xué)習(xí)算法的量子化。一種方法是通過量子計算把原先經(jīng)典計算中不可計算的問題變?yōu)榭捎嬎愕模?從而大幅降低機器學(xué)習(xí)算法的計算復(fù)雜度；一種方法是通過量子計算并行加速的優(yōu)勢與機器學(xué)習(xí)的算法深度結(jié)合，催生出全新的量子機器學(xué)習(xí)算法模型。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)只能使用單個網(wǎng)絡(luò)來存儲許多算法模式；而量子神經(jīng)網(wǎng)絡(luò)，因為量子疊加效應(yīng)帶來的并行性，可以使用許多網(wǎng)絡(luò)來存儲許多算法模式。不過，量子神經(jīng)網(wǎng)絡(luò)的實現(xiàn)并不容易，因為最終這些算法想要真正發(fā)揮作用則需量子計算機（處理器）的支持。

據(jù)報道，2018 年，意大利帕維亞大學(xué)的研究團隊在只有 4 個量子比特的量子計算機上實現(xiàn)了世界上第一個單層神經(jīng)網(wǎng)絡(luò)。

（具有 4 個量子比特的人工神經(jīng)元的量子電路）

這一模型能夠準(zhǔn)確地模擬單個神經(jīng)元的行為，像這樣的單層模型能夠識別簡單的模式。然而，它還沒有擴展到由多層神經(jīng)元組成的深度神經(jīng)網(wǎng)絡(luò)。不過，這至少是在量子硬件上有效訓(xùn)練量子神經(jīng)網(wǎng)絡(luò)而邁出的第一步。

與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，量子神經(jīng)網(wǎng)絡(luò)具有很多優(yōu)勢，比如，指數(shù)級記憶容量、更快的學(xué)習(xí)和處理速度、更小的規(guī)模以及更高的穩(wěn)定性和可靠性等。

盡管量子硬件的進度稍顯緩慢，但算法模型理論可以先行。谷歌的 Quantum AI 團隊就在當(dāng)時已經(jīng)預(yù)先構(gòu)建出一個可以在量子計算機上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)的理論模型。

而到了今年 3 月，谷歌又宣布開源一款用于訓(xùn)練量子模型的機器學(xué)習(xí)庫 TensorFlow Quantum（簡稱 TFQ）。TFQ 包含了特定量子計算所需的基本結(jié)構(gòu)，例如量子比特、門、電路和測量運算符。用戶指定的量子計算然后可以在模擬或真實硬件上執(zhí)行。

目前，量子機器學(xué)習(xí)的發(fā)展仍然處于起步階段，當(dāng)前的一些應(yīng)用上面可以做到使用量子神經(jīng)網(wǎng)絡(luò)來生成一些演奏出全新聲音的新樂器等。

未來量子機器學(xué)習(xí)的應(yīng)用前景卻更加令人興奮，比如擁有指數(shù)級存儲和檢索能力的量子神經(jīng)網(wǎng)絡(luò)可以模擬人類大腦或者模擬黑洞，能夠幫助人類真正探索世界最深邃的本質(zhì)。這也許才是量子機器學(xué)習(xí)和量子計算發(fā)揮終極價值的場域。

量子機器學(xué)習(xí)的成長“難關(guān)”

量子計算本身就是一項復(fù)雜技術(shù)，而量子機器學(xué)習(xí)這一交叉技術(shù)的研發(fā)難度自然又進一步提高。量子機器學(xué)習(xí)算法的成熟自然要得益于軟硬件兩方面的同時提升，而在這兩方現(xiàn)在都仍然還存在一些難關(guān)要闖過。

首先，我們要知道，傳統(tǒng)的機器學(xué)習(xí)語言并不能直接地移植到量子計算上面，而是需要先把當(dāng)前的機器學(xué)習(xí)代碼轉(zhuǎn)換成使用量子比特的量子態(tài)，從而構(gòu)建出量子神經(jīng)網(wǎng)絡(luò)。

這就是所謂的量子機器學(xué)習(xí)的 I/O 瓶頸，所謂 I/O 瓶頸是指，目前大部分量子機器學(xué)習(xí)算法或者需要把大規(guī)模數(shù)據(jù)集編碼為量子態(tài)，或者只是把問題的解生成在量子態(tài)中，因此輸入階段的前處理和信息提取階段的后處理將耗費大量時間，乃至抵消量子算法所節(jié)省的時間。

其次，則是真正意義上的通用量子計算機尚沒有出現(xiàn)，而現(xiàn)在意義上的上千個量子比特的量子計算機在可以良好抗噪聲、解決退相干問題上還存在著一定的問題，也就是還不能達到迪文森佐標(biāo)準(zhǔn)的量子計算機。這意味著能夠支撐量子機器學(xué)習(xí)算法得以實際驗證的硬件手段仍然是缺乏的，研究者大多只能通過量子模擬器的方式來實現(xiàn)多個量子比特的運算。

比如說，此次谷歌 TFQ 為量子機器學(xué)習(xí)研究提供了一個內(nèi)含大約 50~100 量子比特的噪聲中級量子處理器（NISQ）的工具，從而控制 / 建模自然或人工量子系統(tǒng)?；诖?，現(xiàn)在 TFQ 的量子機器學(xué)習(xí)模型可以處理量子數(shù)據(jù)模型和混合量子經(jīng)典模型，幫助開發(fā)者能夠改進現(xiàn)有的量子算法或發(fā)現(xiàn)一些新的算法。

基于軟硬件上面的現(xiàn)實困難，量子機器學(xué)習(xí)算法上面的突破還有很長的時間。

此外，在一些計算問題上，量子機器學(xué)習(xí)的算法和經(jīng)典算法相比是否一定有加速優(yōu)勢，則仍然存疑。2018 年，年僅 18 歲的華裔學(xué)生 Ewin Tang 受量子推薦算法的啟發(fā)，設(shè)計出了一個經(jīng)典算法，它能以和量子算法相近的速度解決推薦問題。這一思路給了研究者以啟示：通過量子算法思維能促進經(jīng)典算法的發(fā)展，這也是量子計算研究意義的另一種體現(xiàn)。

盡管目前來說，量子機器學(xué)習(xí)既沒有像去年谷歌所宣稱的“量子霸權(quán)”那樣引人矚目，也不能像人工智能在現(xiàn)實生活的廣泛應(yīng)用而成績顯著。但量子機器學(xué)習(xí)更像是一個面向未來世界的計算產(chǎn)物。

回到幾十年前，量子計算的實現(xiàn)和機器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)的實現(xiàn)，都一度被認(rèn)為是不可能的事情。而這二者竟然都能夠?qū)崿F(xiàn)，現(xiàn)在還處在了相互結(jié)合的交匯點上，已然是人類技術(shù)的一次奇遇。

那么站在當(dāng)下，一個普通的技術(shù)愛好者也可以通過像百度、谷歌這樣的量子計算平臺的開放，就可以親身來進行量子算法的開發(fā)和測試，更不能不說千載難逢、幸運之至。