經過幾十年的研究，AI正在成為主要的行業趨勢之一。從與 Alexa 和 Siri 的對話，到 Waymo(谷歌)和特斯拉的自動駕駛汽車，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，AI現在已經足夠成熟了。解決現實生活中的問題，而且通常比人類更快更好。

在科技行業的其他地方，一些有遠見的人正在努力開發量子計算機，這些計算機試圖運用量子物理學的特性來比當今的計算機更快地執行計算。

在這一點上，許多人可能想知道：量子計算與AI到底有什么關系?

算法復雜性是隱藏的敵人

算法復雜性是一個有點晦澀的數學概念，它將 AI 研究人員和量子計算先驅所做的工作聯系在一起。

計算復雜性理論是一個橫跨數學和計算機科學的領域，專注于根據資源使用情況對計算問題進行分類，比如空間(內存)和時間。本質上，計算問題是可以由計算機按照算法中定義的數學步驟機械地解決的任務。

比如，考慮對列表中的數字進行排序的問題。一種可能的算法，稱為“選擇排序”，囊括從列表的未排序部分(起初是全部)重復找到最小元素(按升序)并將其放在開頭。該算法有效地維護原始列表中的兩個子列表，因為它正在運行：已經排序的部分和剩余的未排序部分。在這個過程經過幾次之后，結果是一個從小到大的排序列表。就時間復雜度而言，這用 N 2的復雜度來表示，其中 N 表示列表中元素的大小或數量。數學家提出了更高效但更復雜的排序算法，比如“Cube Sort”或“Tim Sort”，這兩種算法的復雜度都是 N x log(N)。對于今天的計算機來說，對包羅 100 個元素的列表進行排序是一項簡單的任務，但對包羅十億條記錄的列表進行排序可能就不那么簡單了。故此，時間復雜度(或算法中與輸入問題大小相關的步驟數)非常重要。

為了更快地解決問題，可以使用更快的計算機，亦或找到需要更少操作的更有效算法，這就是較低時間復雜度的含義。不過，很明顯，對于指數復雜度的問題(比如 N 2或 2 N)，數學對您不利，并且對于較大的問題規模，僅使用更快的計算機是不現實的。而這恰恰是AI領域的情況。

AI是一個需要解決的高度復雜的問題

首先，我們將了解當今AI系統使用的人工神經網絡的計算復雜性。這些數學模型的靈感來自構成動物大腦的生物神經網絡。他們通過查看很多示例“學習”識別或分類輸入數據。它們是互連節點或神經元的集合，結合激活函數，該函數根據“輸入層”中呈現的數據和互連中的權重確定輸出。

為了調整互連中的權重以使“輸出”有用或正確，可以通過暴露于很多數據示例和“反向傳播”輸出損失來“訓練”網絡。

對于具有N個輸入、M個隱藏層的神經網絡，其中第i 個隱藏層包羅m i個隱藏神經元和k個輸出神經元，調整所有神經元權重的算法(稱為反向傳播算法)將具有時間復雜度的：

綜上所述，流行的 OpenAI 的 GPT-3 模型已經能夠以與人類相當的流暢度編寫原始散文，具有 1750 億個參數(或神經元)。這個AI模型擁有數十億的M，如今需要幾個月的時間來訓練，即使在大型云數據中心使用強大的服務器計算機也是如此。另外，AI模型的規模將繼續增長，故此伴隨時間的推移情況會變得更糟。

量子計算來拯救?

量子計算機是使用量子物理特性(特別是疊加和糾纏)來存儲數據和執行計算的機器。期望它們可以同時執行數十億個操作，從而為高度復雜的問題(囊括AI)提供非常實質性的加速。

經典計算機以比特(“二進制數字”的縮寫)傳輸信息，而量子計算機使用量子比特(“量子比特”的縮寫)。與經典比特一樣，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表示 1 和 0。一個量子比特被認為具有概率分布，比如，它有 70% 的可能性是 1，而 30% 的可能性是 0。這就是量子計算機的特別之處。

量子計算機運用了量子力學中的兩個基本屬性：疊加和糾纏。

當一個量子比特同時為 1 和 0 時，稱它處于疊加態。疊加是系統同時處于多個狀態并且在測量時僅假定單個狀態時的條件的總稱。假如我們假設一枚硬幣是一個量子物體，那么當硬幣被翻轉時，就會產生疊加：硬幣只有正面或反面的概率。一旦硬幣落地，我們就進行了測量，我們知道硬幣是正面還是反面。同樣，只有當我們測量電子的自旋(類似于硬幣落地)時，我們才能知道電子處于什么狀態以及它是 1 還是 0。

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

正因為如此，向系統中添加每個新的量子位都會使計算機可以分析的狀態數量增加一倍。計算機能力的這種指數級增長與經典計算形成鮮明對比，經典計算僅隨每個新位線性擴展。

理論上，糾纏的量子比特可以同時執行數十億次操作。很明顯，這種能力將為任何復雜度在 N 2、2 N或 N N范圍內的算法提供顯著的加速。

為量子驅動的AI做好準備

由于量子計算的巨大潛力，雖說硬件團隊繼續致力于使這些系統成為現實(迄今為止最大的是IBM 的 127-Qubit Eagle 系統)，但軟件研究人員已經在研究可以運用這種“同時計算”的新算法' 能力，在密碼學、化學、材料科學、系統優化和機器學習/AI等領域。相信 Shor 的因式分解量子算法將提供比經典計算機更高的指數加速，這對當前的密碼算法構成風險。

最有趣的是，人們相信量子線性代數將提供多項式加速，這將極大地提高我們人工神經網絡的性能。谷歌推出了TensorFlow Quantum，這是一個用于量子機器學習的軟件框架，它支持對混合量子經典機器學習模型進行快速原型設計。同樣是量子計算的領導者，IBM 近期宣布，它發現了量子機器學習的量子優勢的“數學證明”. 然則，盡管 IBM 和 Google 等公司是垂直整合的(故此同時開發了硬件系統和軟件算法)，但也有一群非常有趣的量子軟件初創公司，囊括 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。

伴隨量子硬件變得更加強大和量子機器學習算法的完善，量子計算很可能會在AI芯片市場上占據重要份額。