經(jīng)過幾十年的研究，人工智能 (AI) 正在成為主要的行業(yè)趨勢之一。從與 Alexa 和 Siri 的對(duì)話，到 Waymo(谷歌)和特斯拉的自動(dòng)駕駛汽車，OpenAI 的 GPT-3 像人類一樣寫作散文，以及 DeepMind(谷歌)的 AlphaZero 擊敗人類國際圍棋大師，人工智能現(xiàn)在已經(jīng)足夠成熟了。解決現(xiàn)實(shí)生活中的問題，而且通常比人類更快更好。

在科技行業(yè)的其他地方，一些有遠(yuǎn)見的人正在努力開發(fā)量子計(jì)算機(jī)，這些計(jì)算機(jī)試圖利用量子物理學(xué)的特性來比當(dāng)今的計(jì)算機(jī)更快地執(zhí)行計(jì)算。

在這一點(diǎn)上，很多人可能想知道：量子計(jì)算與人工智能到底有什么關(guān)系?

算法復(fù)雜性是隱藏的敵人

算法復(fù)雜性是一個(gè)有點(diǎn)晦澀的數(shù)學(xué)概念，它將 AI 研究人員和量子計(jì)算先驅(qū)所做的工作聯(lián)系在一起。

計(jì)算復(fù)雜性理論是一個(gè)橫跨數(shù)學(xué)和計(jì)算機(jī)科學(xué)的領(lǐng)域，專注于根據(jù)資源使用情況對(duì)計(jì)算問題進(jìn)行分類，例如空間(內(nèi)存)和時(shí)間。本質(zhì)上，計(jì)算問題是可以由計(jì)算機(jī)按照算法中定義的數(shù)學(xué)步驟機(jī)械地解決的任務(wù)。

例如，考慮對(duì)列表中的數(shù)字進(jìn)行排序的問題。一種可能的算法，稱為“選擇排序”，包括從列表的未排序部分(最初是全部)重復(fù)找到最小元素(按升序)并將其放在開頭。該算法有效地維護(hù)原始列表中的兩個(gè)子列表，因?yàn)樗谶\(yùn)行：已經(jīng)排序的部分和剩余的未排序部分。在這個(gè)過程經(jīng)過幾次之后，結(jié)果是一個(gè)從小到大的排序列表。就時(shí)間復(fù)雜度而言，這用 N 2的復(fù)雜度來表示，其中 N 表示列表中元素的大小或數(shù)量。數(shù)學(xué)家提出了更高效但更復(fù)雜的排序算法，例如“Cube Sort”或“Tim Sort”，這兩種算法的復(fù)雜度都是 N x log(N)。對(duì)于今天的計(jì)算機(jī)來說，對(duì)包含 100 個(gè)元素的列表進(jìn)行排序是一項(xiàng)簡單的任務(wù)，但對(duì)包含十億條記錄的列表進(jìn)行排序可能就不那么簡單了。因此，時(shí)間復(fù)雜度(或算法中與輸入問題大小相關(guān)的步驟數(shù))非常重要。

為了更快地解決問題，可以使用更快的計(jì)算機(jī)，或者找到需要更少操作的更有效算法，這就是較低時(shí)間復(fù)雜度的含義。但是，很明顯，對(duì)于指數(shù)復(fù)雜度的問題(例如 N 2或 2 N)，數(shù)學(xué)對(duì)您不利，并且對(duì)于較大的問題規(guī)模，僅使用更快的計(jì)算機(jī)是不現(xiàn)實(shí)的。而這恰恰是人工智能領(lǐng)域的情況。

人工智能是一個(gè)需要解決的高度復(fù)雜的問題

首先，我們將了解當(dāng)今人工智能 (AI) 系統(tǒng)使用的人工神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜性。這些數(shù)學(xué)模型的靈感來自構(gòu)成動(dòng)物大腦的生物神經(jīng)網(wǎng)絡(luò)。他們通過查看許多示例“學(xué)習(xí)”識(shí)別或分類輸入數(shù)據(jù)。它們是互連節(jié)點(diǎn)或神經(jīng)元的集合，結(jié)合激活函數(shù)，該函數(shù)根據(jù)“輸入層”中呈現(xiàn)的數(shù)據(jù)和互連中的權(quán)重確定輸出。

為了調(diào)整互連中的權(quán)重以使“輸出”有用或正確，可以通過暴露于許多數(shù)據(jù)示例和“反向傳播”輸出損失來“訓(xùn)練”網(wǎng)絡(luò)。

對(duì)于具有N個(gè)輸入、M個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，其中第i 個(gè)隱藏層包含m i個(gè)隱藏神經(jīng)元和k個(gè)輸出神經(jīng)元，調(diào)整所有神經(jīng)元權(quán)重的算法(稱為反向傳播算法)將具有時(shí)間復(fù)雜度的：

綜上所述，流行的 OpenAI 的 GPT-3 模型已經(jīng)能夠以與人類相當(dāng)?shù)牧鲿扯染帉懺忌⑽模哂?1750 億個(gè)參數(shù)(或神經(jīng)元)。這個(gè)人工智能模型擁有數(shù)十億的M，目前需要幾個(gè)月的時(shí)間來訓(xùn)練，即使在大型云數(shù)據(jù)中心使用強(qiáng)大的服務(wù)器計(jì)算機(jī)也是如此。此外，人工智能模型的規(guī)模將繼續(xù)增長，因此隨著時(shí)間的推移情況會(huì)變得更糟。

量子計(jì)算來拯救?

量子計(jì)算機(jī)是使用量子物理特性(特別是疊加和糾纏)來存儲(chǔ)數(shù)據(jù)和執(zhí)行計(jì)算的機(jī)器。期望它們可以同時(shí)執(zhí)行數(shù)十億個(gè)操作，從而為高度復(fù)雜的問題(包括人工智能)提供非常實(shí)質(zhì)性的加速。

經(jīng)典計(jì)算機(jī)以比特(“二進(jìn)制數(shù)字”的縮寫)傳輸信息，而量子計(jì)算機(jī)使用量子比特(“量子比特”的縮寫)。與經(jīng)典比特一樣，量子比特最終必須以 1 或 0 的形式傳輸信息，但其特殊之處在于它們可以同時(shí)表示 1 和 0。一個(gè)量子比特被認(rèn)為具有概率分布，例如，它有 70% 的可能性是 1，而 30% 的可能性是 0。這就是量子計(jì)算機(jī)的特別之處。

量子計(jì)算機(jī)利用了量子力學(xué)中的兩個(gè)基本屬性：疊加和糾纏。

當(dāng)一個(gè)量子比特同時(shí)為 1 和 0 時(shí)，稱它處于疊加態(tài)。疊加是系統(tǒng)同時(shí)處于多個(gè)狀態(tài)并且在測量時(shí)僅假定單個(gè)狀態(tài)時(shí)的條件的總稱。如果我們假設(shè)一枚硬幣是一個(gè)量子物體，那么當(dāng)硬幣被翻轉(zhuǎn)時(shí)，就會(huì)產(chǎn)生疊加：硬幣只有正面或反面的概率。一旦硬幣落地，我們就進(jìn)行了測量，我們知道硬幣是正面還是反面。同樣，只有當(dāng)我們測量電子的自旋(類似于硬幣落地)時(shí)，我們才能知道電子處于什么狀態(tài)以及它是 1 還是 0。

疊加態(tài)的量子粒子只有在我們擁有多個(gè)粒子時(shí)才有用。這將我們帶到了量子力學(xué)的第二個(gè)基本原理：糾纏。兩個(gè)(或多個(gè))糾纏在一起的粒子無法單獨(dú)描述，它們的性質(zhì)完全依賴于彼此。因此，糾纏的量子比特可以相互影響。一個(gè)量子比特的概率分布(一個(gè)或零)取決于系統(tǒng)中所有其他量子比特的概率分布。

正因?yàn)槿绱耍蛳到y(tǒng)中添加每個(gè)新的量子位都會(huì)使計(jì)算機(jī)可以分析的狀態(tài)數(shù)量增加一倍。計(jì)算機(jī)能力的這種指數(shù)級(jí)增長與經(jīng)典計(jì)算形成鮮明對(duì)比，經(jīng)典計(jì)算僅隨每個(gè)新位線性擴(kuò)展。

理論上，糾纏的量子比特可以同時(shí)執(zhí)行數(shù)十億次操作。很明顯，這種能力將為任何復(fù)雜度在 N 2、2 N或 N N范圍內(nèi)的算法提供顯著的加速。

為量子驅(qū)動(dòng)的人工智能做好準(zhǔn)備

由于量子計(jì)算的巨大潛力，雖然硬件團(tuán)隊(duì)繼續(xù)致力于使這些系統(tǒng)成為現(xiàn)實(shí)(迄今為止最大的是IBM 的 127-Qubit Eagle 系統(tǒng))，但軟件研究人員已經(jīng)在研究可以利用這種“同時(shí)計(jì)算”的新算法' 能力，在密碼學(xué)、化學(xué)、材料科學(xué)、系統(tǒng)優(yōu)化和機(jī)器學(xué)習(xí)/人工智能等領(lǐng)域。相信 Shor 的因式分解量子算法將提供比經(jīng)典計(jì)算機(jī)更高的指數(shù)加速，這對(duì)當(dāng)前的密碼算法構(gòu)成風(fēng)險(xiǎn)。

最有趣的是，人們相信量子線性代數(shù)將提供多項(xiàng)式加速，這將極大地提高我們?nèi)斯ど窠?jīng)網(wǎng)絡(luò)的性能。谷歌推出了TensorFlow Quantum，這是一個(gè)用于量子機(jī)器學(xué)習(xí)的軟件框架，它允許對(duì)混合量子經(jīng)典機(jī)器學(xué)習(xí)模型進(jìn)行快速原型設(shè)計(jì)。同樣是量子計(jì)算的領(lǐng)導(dǎo)者，IBM 最近宣布，它發(fā)現(xiàn)了量子機(jī)器學(xué)習(xí)的量子優(yōu)勢的“數(shù)學(xué)證明”. 然而，盡管 IBM 和 Google 等公司是垂直整合的(因此同時(shí)開發(fā)了硬件系統(tǒng)和軟件算法)，但也有一群非常有趣的量子軟件初創(chuàng)公司，包括 Zapata、Riverlane、1Qbit，以及在一定程度上, Quantinuum(自從 Cambridge Quantum Computing 與 Honeywell 合并并更名后，它不再是一家純粹的軟件公司)，僅舉幾例。

隨著量子硬件變得更加強(qiáng)大和量子機(jī)器學(xué)習(xí)算法的完善，量子計(jì)算很可能會(huì)在人工智能芯片市場上占據(jù)重要份額。