銀行機構通常會在客戶使用銀行卡時了解和跟蹤他們的交易行為。例如某人去瑞典度假，他可以通過信用卡支付款項而不用攜帶現金。然而一旦別人盜用，發放信用卡的銀行無法決定阻止實施的交易。畢竟，在刷卡記錄中并沒有什么證據表明是他人盜用。

銀行的機器學習算法每天都會做出數十億個此類決策。這在計算機科學中被稱為“平均分類問題”，這些模型必須決定交易是否符合客戶的正常購買行為。對于傳統的機器學習算法來說，這個問題主要通過消費者的支付歷史和與銀行其他交互信息來畫像解決，是一個計算密集且不完善的過程。

位列科技前沿的量子機器學習算法是否已經準備好投入這樣的實際應用？行業專家對這一問題的答案存在分歧。 

量子機器學習什么時候到來？

IBM杰出工程師、英國皇家工程院院士Richard Hopkins解釋說，還有一種選擇可能是使用量子機器學習算法。

他指出，傳統機器學習模型需要大量時間和資源的訓練來識別和權衡一筆交易的所有不同特征，以判斷交易是否可疑。相比之下，量子機器學習模型利用量子比特的疊加來同時觀察這些特征，因此有能力更快地找出解決非常困難的分類問題的答案。

在Hopkins看來，雖然量子機器學習領域目前仍處于實驗階段，但人們可能只需要5年時間就會看到量子機器學習算法在欺詐檢測、藥物研發和計算機視覺等各個領域的應用。

但并不是所有的專家都認同這個觀點。量子初創公司Xanadu研究員、《量子計算機的機器學習》一書合著者Maria Schuld博士認為，從長遠來看，量子機器學習無疑具有巨大的發展潛力，但實現量子計算的實際應用目前看起來還很遙遠。

她說，“我們是科學家，通常為我們研究的科學進行商業論證。這樣做并不是因為知道這將會奏效，而是希望能有一些令人興奮的結果。”

量子機器學習還處于試驗階段

量子機器學習是一個相對較新的領域。雖然從上世紀90年代中期開始就有關于這一主題的研究論文公開發表，但在過去五六年，量子機器學習才真正開始吸引科學界的注意力。

Schuld介紹，量子機器學習有兩個廣泛的研究領域，一是使用量子計算機來加速傳統的機器學習算法，例如吉布斯（Gibbs）采樣器；另一個是使用量子計算機作為模型，特別是使用量子芯片本身作為基礎，以類似于傳統神經網絡的方式訓練模型。

即便如此，這一領域整體上仍處于高度實驗性階段。她解釋說，雖然在某些情況下，機器學習算法可以證明比傳統算法具有“量子優勢”，但還需要一段時間才能憧憬它們在現實世界中的應用。

這一點被多個研究中關于量子機器學習的積極性所掩蓋，這些研究通常是在單一的、狹窄的用例中獲得了量子優勢的前提下發表的。為此Schuld指出，“從學術角度來看，這很有趣，但對量子計算可能的應用并沒有太多說明。畢竟，這些研究中解決的許多問題都是經過精心編碼才能在量子計算機上工作。換句話說，他們只擅長通過一臺量子計算機以非常具體的方式解決非常具體的問題。”

對于傳統的機器學習技術來說，這并不是一個難題，其中許多技術都具有可推廣到更多問題的優點。相反，量子機器學習研究人員仍然很難將一種方法適用于一系列任務。為此Schuld明確指出，現在還沒有到利用量子芯片作為新的機器學習模型基礎的時候。

量子機器學習需要在現實中證明自己

盡管量子計算研究人員一致認為，在特定情況下，量子機器學習的性能遠遠優于傳統機器學習，但專家對前者的實際應用會多久出現存在分歧。

Hopkins承認，該領域仍然缺乏將問題映射到算法并生成解決方案的通用模板，這也是傳統機器學習曾經面臨的問題，但是一旦做到了，那么利用這項技術就變得非常容易。

“量子計算機允許用戶基于更高維度數據集做出更好、更準確的決策。我們已經在理論上證明了這一點，在實驗室里也證明了這一點，我們越來越接近于在現實中證明這一點。”他表示。

但是量子機器學習模型為此準備好了嗎?？Schuld認為并沒有。她表示，“在底層硬件改進之前，我們不知道是否會有量子機器學習算法能夠解決大量實際問題。除非我們擁有了沒有錯誤的機器，否則使用量子機器學習實際完成的任務是有限的。就實際應用而言，這有點令人遺憾。”

Hopkins對此雖不認同，但也承認人們不太可能很快就能看到一臺量子計算機能夠訓練ChatGPT型模型。他說：“不可能在只有433個量子比特的量子計算機上實現這一點，但我們每年都在取得進展，以擴大可能進行的量子機器學習實驗的數量。人們將逐漸看到量子機器學習模型變得更加通用。”