據(jù)國(guó)外媒體報(bào)道，美國(guó)著名科技媒體《連線》撰文分析了量子計(jì)算在機(jī)器學(xué)習(xí)系統(tǒng)中應(yīng)用的優(yōu)勢(shì)、弊端以及現(xiàn)有范例，表示兩者的結(jié)合或終將修成正果，解決人工智能等諸多問題。

　　早在上世紀(jì)90年代，威奇塔州立大學(xué)的物理學(xué)教授伊麗莎白⋅貝爾曼(Elizabeth Behrman)開始致力于研究量子物理與人工智能的結(jié)合，而其中的神經(jīng)網(wǎng)絡(luò)在當(dāng)時(shí)還堪稱是特立獨(dú)行的技術(shù)。大多數(shù)人認(rèn)為她在把油和水進(jìn)行混合。她回憶說：“我花了很長(zhǎng)時(shí)間才把論文出版。與神經(jīng)網(wǎng)絡(luò)相關(guān)的期刊會(huì)說，’量子力學(xué)是什么?’，物理期刊會(huì)說，’神經(jīng)網(wǎng)絡(luò)是什么?’”

　　但到今天，兩者之間的結(jié)合似乎成了世界上最自然的事情。神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)系統(tǒng)已成為21世紀(jì)最具破壞性的技術(shù)。它們的能力遠(yuǎn)超出人類，不僅在國(guó)際象棋和數(shù)據(jù)挖掘等方面表現(xiàn)出眾，而且在人類大腦所擅長(zhǎng)的面部識(shí)別、語言翻譯等方面進(jìn)展迅速。通過后臺(tái)的強(qiáng)大算力，這些系統(tǒng)的價(jià)值不斷凸顯。對(duì)于科技公司來說，尋找更大算力的新型計(jì)算機(jī)不可避免。

　　經(jīng)過數(shù)十年的研究，量子計(jì)算機(jī)相比于其他類型計(jì)算機(jī)已經(jīng)具有足夠的優(yōu)勢(shì)來執(zhí)行超越地球上任何其他計(jì)算機(jī)的計(jì)算。通常認(rèn)為其上運(yùn)行的殺手級(jí)應(yīng)用程序能夠解析大數(shù)據(jù)，這也是現(xiàn)代加密技術(shù)的關(guān)鍵問題。

　　但這一技術(shù)要落地依舊還需要十多年的時(shí)間。在今天，初級(jí)量子處理器完全能夠匹配機(jī)器學(xué)習(xí)的需求，這種計(jì)算機(jī)通過對(duì)大量數(shù)據(jù)的操作，解析出傳統(tǒng)計(jì)算機(jī)無法識(shí)別的細(xì)微模式，并且不會(huì)因數(shù)據(jù)的不完整或不確定性而受到影響。 “量子計(jì)算的內(nèi)在統(tǒng)計(jì)特性與機(jī)器學(xué)習(xí)技術(shù)之間有著天然的耦合性，”位于加利福尼亞州伯克利的量子計(jì)算機(jī)公司Rigetti Computing物理學(xué)家約翰奧特巴赫(Johannes Otterbach)如是指出。

　　可以說，關(guān)于量子技術(shù)發(fā)展的鐘擺正處于一端的高點(diǎn)。谷歌，微軟，IBM以及其他科技巨頭紛紛投入量子機(jī)器學(xué)習(xí)，而多倫多大學(xué)的創(chuàng)業(yè)孵化器也致力于此。 “‘機(jī)器學(xué)習(xí)’正在成為業(yè)界的一種流行語，”莫斯科斯科爾科沃科學(xué)與技術(shù)學(xué)院的量子物理學(xué)家雅各伯⋅比亞蒙特(Jacob Biamonte)說，“當(dāng)你把它與‘量子’結(jié)合在一起時(shí)，它就成了一個(gè)超級(jí)流行詞。”

　　然而，“量子”這個(gè)詞本身并沒有任何意義。即便你或許會(huì)認(rèn)為量子機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)該是強(qiáng)大的，但它卻受到了類似于閉鎖綜合癥的影響。它需要在量子狀態(tài)下運(yùn)行，而非在人類可讀的數(shù)據(jù)上進(jìn)行操作，而兩者之間的轉(zhuǎn)換可能會(huì)抹殺其最大的優(yōu)勢(shì)。就像現(xiàn)有的iPhone X一樣，雖然配置很高，功能很強(qiáng)，但如果網(wǎng)絡(luò)不好的話，也會(huì)和舊手機(jī)一樣慢。在特定的情況下，物理學(xué)家或許可以克服這種輸入輸出的瓶頸，但是在實(shí)際的機(jī)器學(xué)習(xí)任務(wù)中如何解決相關(guān)問題我們?nèi)匀皇遣坏枚?“我們還沒有明確的答案，”奧斯汀得克薩斯大學(xué)計(jì)算機(jī)科學(xué)家斯科特⋅阿倫森(Scott Aaronson)說，其在量子計(jì)算方面一直保持著清醒的頭腦， “人們往往并不在乎這些算法是否會(huì)加快處理速度。”

　　量子神經(jīng)元

　　無論是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)還是量子神經(jīng)網(wǎng)絡(luò)，其主要工作都是識(shí)別模式。這種技術(shù)主要由人類大腦啟發(fā)而來，是由所謂“神經(jīng)元”構(gòu)成的網(wǎng)絡(luò)。每個(gè)基本神經(jīng)元像開關(guān)一樣簡(jiǎn)單，而一個(gè)神經(jīng)元能夠監(jiān)視多個(gè)其他神經(jīng)元的輸出，如果有足夠多的神經(jīng)元開啟，它也就會(huì)轉(zhuǎn)換狀態(tài)。通常神經(jīng)元排列成層，初始層接受諸如圖像像素等輸入，中間層創(chuàng)建表示圖形邊緣和幾何形狀等結(jié)構(gòu)的各種輸入組合，而最后一層則產(chǎn)生諸如關(guān)于圖像的高級(jí)描述等輸出內(nèi)容。

　　圖示：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

　　至關(guān)重要的是，這種結(jié)構(gòu)并不是事先確定的，而是在反復(fù)試驗(yàn)的過程中進(jìn)行相應(yīng)調(diào)整。神經(jīng)網(wǎng)絡(luò)可能會(huì)被輸入標(biāo)有“小貓”或“小狗”等定義的圖像。對(duì)于每個(gè)輸入的圖像，它會(huì)分配一個(gè)標(biāo)簽，檢查結(jié)構(gòu)是否與圖像匹配，如果不是則調(diào)整神經(jīng)元連接。起初機(jī)器等這種“猜測(cè)”是隨機(jī)的，但會(huì)越來越好;比如在處理10000個(gè)學(xué)習(xí)樣例后，神經(jīng)網(wǎng)絡(luò)能夠達(dá)到更好的效果。一個(gè)大型神經(jīng)網(wǎng)絡(luò)可能有十億個(gè)互連，所有這些都需要在訓(xùn)練中進(jìn)行反復(fù)調(diào)整。

　　在經(jīng)典的計(jì)算機(jī)上，所有這些互連都由一個(gè)巨大的數(shù)字矩陣表示，運(yùn)行神經(jīng)網(wǎng)絡(luò)實(shí)際上意味著做矩陣代數(shù)。通常，這些矩陣處理是由諸如圖形處理單元的專用芯片所完成的。但是沒有什么能夠像量子計(jì)算機(jī)一樣處理矩陣。麻省理工學(xué)院物理學(xué)家、量子計(jì)算先驅(qū)賽斯⋅勞埃德(Seth Lloyd)表示：“在量子計(jì)算機(jī)上處理大型矩陣和大型矢量的速度更快。”

　　量子計(jì)算機(jī)能夠利用量子系統(tǒng)的指數(shù)性質(zhì)進(jìn)行矩陣運(yùn)算。在量子計(jì)算機(jī)中，與傳統(tǒng)計(jì)算機(jī)中最小的數(shù)據(jù)存儲(chǔ)單位比特所對(duì)應(yīng)的是量子比特，但量子系統(tǒng)的信息存儲(chǔ)容量并不依賴于其單個(gè)的數(shù)據(jù)單元 ，而是這些量子比特的表征疊加。兩個(gè)量子比特共有四個(gè)疊加狀態(tài)：00，01，10，11。每個(gè)都代表一定的權(quán)重或“偏振度”，可以代表一個(gè)神經(jīng)元。如果有三個(gè)量子位，則可以代表八個(gè)神經(jīng)元，以此類推，四個(gè)量子比特就可以代表16個(gè)神經(jīng)元。機(jī)器的容量呈指數(shù)級(jí)增長(zhǎng)。實(shí)際上整個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的神經(jīng)元都處于一種游離態(tài)。結(jié)果就是，當(dāng)量子計(jì)算機(jī)在四個(gè)量子比特的狀態(tài)下工作時(shí)，一次能夠處理16個(gè)數(shù)字，而一臺(tái)傳統(tǒng)計(jì)算機(jī)則必須逐個(gè)處理這些數(shù)字。

　　勞埃德估計(jì)，60個(gè)量子比特所編碼的數(shù)據(jù)量就可以超過全人類一年所產(chǎn)生的數(shù)據(jù)量，而300個(gè)量子比特可以處理全宇宙的所有信息量。目前世界上最大的量子計(jì)算機(jī)由IBM，英特爾和谷歌聯(lián)合開發(fā)，擁有大約50個(gè)量子比特。阿倫森稱，如果假設(shè)一個(gè)傳統(tǒng)比特只是一個(gè)振幅的話，量子比特的振幅是連續(xù)量。實(shí)際中為了合理的實(shí)驗(yàn)精度，一個(gè)量子比特可以存儲(chǔ)的位數(shù)多達(dá)15位。

　　但量子計(jì)算機(jī)強(qiáng)大的信息存儲(chǔ)能力并沒有讓它變得更快。你首先需要能夠利用這些量子位。 2008年，麻省理工學(xué)院物理學(xué)家阿蘭姆哈羅(Aram Harrow)和以色列巴伊蘭Bar-Ilan大學(xué)計(jì)算機(jī)科學(xué)家Avinatan Hassidim展示了如何用量子計(jì)算機(jī)完成矩陣求逆的關(guān)鍵代數(shù)運(yùn)算。他們把其分解成可以在量子計(jì)算機(jī)上執(zhí)行的一系列邏輯運(yùn)算，兩位科學(xué)家所開發(fā)的算法適用于各種機(jī)器學(xué)習(xí)技術(shù)，并不需要像諸如數(shù)據(jù)分解等算法步驟。計(jì)算機(jī)可以在篩除噪聲之前通過分類任務(wù)進(jìn)行數(shù)據(jù)壓縮——這也是當(dāng)今技術(shù)的一個(gè)主要限制因素——或許會(huì)解決運(yùn)算問題。 IBM托馬斯⋅J⋅沃森(Thomas J. Watson)研究中心的克里斯坦⋅特米(Kristan Temme)表示：“或許在擁有完全通用的容錯(cuò)量子計(jì)算機(jī)之前，我們可能利用量子優(yōu)勢(shì)。

　　用自然解決問題

　　然而到目前為止，基于量子矩陣代數(shù)的機(jī)器學(xué)習(xí)算法僅在僅有四個(gè)量子位的機(jī)器上得到了驗(yàn)證。迄今為止有關(guān)量子機(jī)器學(xué)習(xí)的大部分實(shí)驗(yàn)成功都采用了不同的方法，其中的量子系統(tǒng)不僅僅模擬神經(jīng)網(wǎng)絡(luò);它本身就是網(wǎng)絡(luò)。每個(gè)量子比特代表一個(gè)神經(jīng)元。雖然這種設(shè)備還缺乏取冪的強(qiáng)大運(yùn)算力量，但像其也可以利用量子物理的其他特性。

　　目前最強(qiáng)大的這種設(shè)備有約2000個(gè)量子位，它是由位于不列顛哥倫比亞省溫哥華附近的D-Wave Systems公司生產(chǎn)的量子處理器。這并不是大多數(shù)人所認(rèn)為的那種傳統(tǒng)電腦。傳統(tǒng)電腦輸入數(shù)據(jù)，通過執(zhí)行一系列操作并顯示輸出。相比之下，這種量子處理器通過查找內(nèi)部一致性來工作。它的每個(gè)量子比特都是一個(gè)超導(dǎo)電子回路，你可以把它看作一個(gè)微小的電磁體，能夠朝上，朝下或上下移動(dòng)，同時(shí)顯現(xiàn)出疊加狀態(tài)。不同的量子比特以磁性方式進(jìn)行交互，從而“連接”在一起。

　　為了運(yùn)行該系統(tǒng)，首先需要施加一個(gè)水平磁場(chǎng)，將量子比特初始化為上下對(duì)等的疊加——這相當(dāng)于沒有輸入。目前有幾種輸入數(shù)據(jù)的方法。在某些情況下，您可以將一層量子位排列成所需的輸入值;研究人員更常用的方式是將輸入融入耦合磁場(chǎng)，然后讓量子比特進(jìn)行互動(dòng)。在電磁場(chǎng)的作用下，有些量子比特會(huì)沿著相同的方向排列，而有些則會(huì)沿著相反的方向排列，并且在水平磁場(chǎng)的影響下發(fā)生轉(zhuǎn)向。這樣一來，受影響的量子比特可能會(huì)觸發(fā)其他量子比特的翻轉(zhuǎn)。輸入耦合磁場(chǎng)后量子比特會(huì)發(fā)生偏移，但隨著時(shí)間的推移，它們會(huì)逐步穩(wěn)定，你可以關(guān)閉水平磁場(chǎng)以鎖定量子比特的狀態(tài)。此時(shí)，量子比特塌縮成01狀態(tài)，從而獲得最終解。

　　關(guān)鍵在于量子比特的最終排列是什么并不確定。該系統(tǒng)只是通過自然的方法去解決一個(gè)普通計(jì)算機(jī)會(huì)遇到的問題。 “我們不需要算法，”東京理工學(xué)院物理學(xué)家Hidetoshi Nishimori解釋說，他創(chuàng)造了D-Wave機(jī)器運(yùn)行的原理。 “這與傳統(tǒng)編程完全不同。大自然解決了這個(gè)問題。”

　　該量子比特的翻轉(zhuǎn)依賴于量子隧穿效應(yīng)，也就是量子系統(tǒng)必須自行找出最佳配置。當(dāng)然，你完全可以用同樣的原理構(gòu)建一個(gè)傳統(tǒng)網(wǎng)絡(luò)，說不準(zhǔn)利用隨機(jī)輕搖所獲得得結(jié)果要比量子隧穿效應(yīng)更好。但有趣的是，對(duì)于機(jī)器學(xué)習(xí)中出現(xiàn)的問題類型，量子網(wǎng)絡(luò)似乎能夠更快地達(dá)到最佳狀態(tài)。

　　關(guān)于D-Wave機(jī)器也有不少質(zhì)疑者。其結(jié)果包含過多的噪聲，并且在目前的模型下其執(zhí)行的操作相當(dāng)有限。然而機(jī)器學(xué)習(xí)算法本質(zhì)上具有抗噪聲能力。它們之所以有用正是因?yàn)樗鼈兛梢岳斫怆s亂的現(xiàn)實(shí)，將小貓從小狗的背景中分揀出來。 貝爾曼說：“神經(jīng)網(wǎng)絡(luò)對(duì)處理噪聲非常有效。”

　　谷歌計(jì)算機(jī)科學(xué)家Hartmut Neven曾負(fù)責(zé)增強(qiáng)現(xiàn)實(shí)技術(shù)研究，他創(chuàng)立了谷歌眼鏡項(xiàng)目。2009年，其領(lǐng)導(dǎo)的一個(gè)團(tuán)隊(duì)展示了早期的D-Wave機(jī)器如何完成機(jī)器學(xué)習(xí)任務(wù)。他們將其用于單層神經(jīng)網(wǎng)絡(luò)，將待處理的圖像分成兩類：“有車”或“無車”，其中包含了20,000個(gè)街道場(chǎng)景的圖書館中。該機(jī)器只有52個(gè)可運(yùn)行量子比特，對(duì)于處理所有圖像來說尚顯乏力。(需要清楚的是：D-Wave機(jī)器與2018年上線的具有50個(gè)量子比特的量子計(jì)算機(jī)完全不同)。因此Neven的團(tuán)隊(duì)將D-Wave機(jī)器與傳統(tǒng)計(jì)算機(jī)相結(jié)合，用傳統(tǒng)計(jì)算機(jī)分析各種統(tǒng)計(jì)量并計(jì)算這些量對(duì)汽車存在的敏感程度 – 通常并不是很高。通過這些量的某些組合可以發(fā)現(xiàn)汽車，但并不明顯。接下來是量子神經(jīng)網(wǎng)絡(luò)的工作，找出答案。

　　團(tuán)隊(duì)為每個(gè)數(shù)量分配一個(gè)量子比特。如果該量子比特的數(shù)值為1，則標(biāo)記相應(yīng)數(shù)量對(duì)汽車存在有影響; 0則表示沒有影響。團(tuán)隊(duì)根據(jù)問題的要求對(duì)量子比特的相互磁力作用進(jìn)行了編碼，例如只保留最具有鑒別性的量，以便盡可能簡(jiǎn)化最終選擇，結(jié)果是D-Wave機(jī)器可以識(shí)別出汽車。

　　去年，由加利福尼亞理工學(xué)院粒子物理學(xué)家瑪麗亞斯皮羅普魯(Maria Spiropulu)和南加利福尼亞大學(xué)(University of Southern California)物理學(xué)家丹尼爾里達(dá)(Daniel Lidar)領(lǐng)導(dǎo)的小組將該算法應(yīng)用于解決一個(gè)實(shí)際物理問題：將在質(zhì)子碰撞中產(chǎn)生的光子分為“希格斯玻色子”或“不是希格斯玻色子” 。“他們將注意力集中在激發(fā)光子的碰撞上，用基本粒子理論來預(yù)測(cè)哪些光子屬性可能會(huì)表明希格斯玻色子的存在，比如說超過某個(gè)動(dòng)量的閾值。他們考慮了8種粒子屬性和由此產(chǎn)生的28種屬性組合，總共確定了36個(gè)候選信號(hào)。研究人員讓南加州大學(xué)的D-Wave機(jī)器找到最佳選擇。機(jī)器確定了16個(gè)有用變量，3個(gè)最佳變量。相比于標(biāo)準(zhǔn)程序，量子機(jī)器執(zhí)行準(zhǔn)確判別所需要的數(shù)據(jù)量更小。 “如果訓(xùn)練集很小，那么量子方法的精確度確實(shí)比高能物理學(xué)界慣常使用的傳統(tǒng)方法更高”里達(dá)表示。

　　圖示：加州理工學(xué)院粒子物理學(xué)家瑪麗亞斯皮羅普魯(Maria Spiropulu)利用量子機(jī)器學(xué)習(xí)系統(tǒng)解決尋找希格斯玻色子的問題。

　　去年12月，Rigetti使用具有19個(gè)量子比特的通用量子計(jì)算機(jī)展示了一種自動(dòng)對(duì)象分類的方法。研究人員為機(jī)器提供了一系列城市名稱和它們之間的距離，并要求它將城市分為兩個(gè)地理區(qū)域。這個(gè)問題的困難在于，一個(gè)城市屬于哪個(gè)地理區(qū)域完全取決于所有其他城市的分類，因此必須同時(shí)解決所有城市的分類問題。

　　Rigetti團(tuán)隊(duì)為每個(gè)城市分配了一個(gè)有效量子比特，表明其屬于哪個(gè)區(qū)域。通過量子比特的相互作用(在Rigetti的系統(tǒng)中量子比特的相互作用是電子而不是磁性)，每對(duì)量子比特都要取相反的值，從而讓能量最小化。顯然，對(duì)于任何有兩個(gè)以上量子比特的系統(tǒng)，有些量子比特之內(nèi)分配到同一個(gè)組。相互靠近的城市更容易分配到同一個(gè)組，因?yàn)樗麄兎峙涞酵唤M的能耗要低于距離較遠(yuǎn)的城市。

　　為了使系統(tǒng)的能量最低，Rigetti團(tuán)隊(duì)在某種程度上采用了類似于D-Wave量子退火的算法。他們將量子比特初始化為所有可能群集分配的疊加。量子比特能夠短暫地相互作用，使其偏向于假設(shè)相同或相反的值。接著他們模擬了水平磁場(chǎng)，讓量子比特在傾斜時(shí)就會(huì)發(fā)生翻轉(zhuǎn)，將系統(tǒng)推向最低能量狀態(tài)。他們反復(fù)重復(fù)這個(gè)兩步過程——相互作用，然后翻轉(zhuǎn)，直到系統(tǒng)能量最小化，從而將城市分為兩個(gè)不同的區(qū)域。

　　這些分類任務(wù)有用且直接。機(jī)器學(xué)習(xí)的真正前沿技術(shù)生成模型——不僅僅是可以簡(jiǎn)單地識(shí)別小狗小貓，而且可以生成新的原型，比如從未存在過的動(dòng)物，但它們與已有的動(dòng)物一樣可愛。這種模型甚至可以自行分辨“小貓”和“小狗”的類別，或修復(fù)缺少尾巴或爪子的圖像。 “這些技術(shù)非常強(qiáng)大，在機(jī)器學(xué)習(xí)中非常有用，但實(shí)現(xiàn)起來非常困難，”D-Wave首席科學(xué)家穆罕默德阿明(Mohammad Amin)指出。如果能夠應(yīng)用于機(jī)器學(xué)習(xí)的生成模型，量子計(jì)算將會(huì)最受歡迎。

　　D-Wave和其他研究團(tuán)隊(duì)已經(jīng)接受了這個(gè)挑戰(zhàn)。訓(xùn)練這種模型意味著要調(diào)整量子比特之間的磁或電相互作用，以便于神經(jīng)網(wǎng)絡(luò)可以復(fù)制樣本數(shù)據(jù)。要做到這一點(diǎn)，你需要將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)電腦結(jié)合起來。神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)諸如選定的交互作用對(duì)最終網(wǎng)絡(luò)配置的意義等繁重工作，而計(jì)算機(jī)則使用這些信息來調(diào)整交互作用。在去年發(fā)表的篇論文中，美國(guó)航空航天局量子人工智能實(shí)驗(yàn)室研究員Alejandro Perdomo-Ortiz及其團(tuán)隊(duì)用D-Wave系統(tǒng)處理手寫數(shù)字圖像。最終系統(tǒng)識(shí)別出10個(gè)類別，分別對(duì)應(yīng)數(shù)字0到9，并自動(dòng)生成了一種潦草的手寫體數(shù)字。

　　量子計(jì)算的瓶頸

　　聽起來這是個(gè)好消息。不好的一點(diǎn)是，如果你無法將數(shù)據(jù)上傳至量子計(jì)算機(jī)，處理器的性能再好也沒有什么用處。在矩陣代數(shù)算法中，一次簡(jiǎn)單運(yùn)算操作就處理16個(gè)數(shù)字的矩陣，但加載矩陣卻需要16次操作。量子計(jì)算初創(chuàng)公司Xanadu的研究員瑪利亞斯庫(kù)德(Maria Schuld)指出：“量子態(tài)制備工作 ——也即是將傳統(tǒng)數(shù)據(jù)轉(zhuǎn)化為量子態(tài)完全被忽略了，我認(rèn)為這恰恰是最重要的工作之一。”斯庫(kù)德曾獲得了量子機(jī)器學(xué)習(xí)博士學(xué)位。事實(shí)上，基于物理實(shí)體的機(jī)器學(xué)習(xí)系統(tǒng)在應(yīng)用量子計(jì)算時(shí)，常常面臨著如何在量子比特網(wǎng)絡(luò)中嵌入問題以及如何使量子比特相互作用等多重問題。

　　一旦數(shù)據(jù)能夠載入，就需要把數(shù)據(jù)存儲(chǔ)起來，同時(shí)確保量子系統(tǒng)與數(shù)據(jù)交互時(shí)不會(huì)影響正在進(jìn)行的計(jì)算。勞埃德和他的同事們提出了一種使用光子的量子RAM，但目前并沒有諸如超導(dǎo)量子比特或囚禁離子等類的裝置，這是量子計(jì)算領(lǐng)域的尖端技術(shù)。 “除開發(fā)量子計(jì)算機(jī)本身之外，這又是一個(gè)難題，”阿倫森表示， “從我和實(shí)驗(yàn)主義者鵝談話得知，他們望而生畏。他們不知道如何開始開發(fā)這樣的技術(shù)。”

　　最后的問題還有你如何導(dǎo)出數(shù)據(jù)?這意味著要檢測(cè)機(jī)器的量子狀態(tài)，一次檢測(cè)不能只返回一個(gè)隨機(jī)抽取的數(shù)字，因?yàn)闄z測(cè)會(huì)導(dǎo)致量子狀態(tài)的塌縮，從而清楚其他所有數(shù)據(jù)。你必須反復(fù)運(yùn)行算法，來提取出所有信息。

　　然而還有一線希望。解決某些類型的問題完全可以利用量子干涉。也就是說，你可以編排操作過程，讓錯(cuò)誤的答案自行消失，讓正確答案自我強(qiáng)化;這樣，當(dāng)你去檢測(cè)量子態(tài)時(shí)，它不會(huì)給你任何隨機(jī)值，而是你想要的答案。但只有少數(shù)算法(如蠻力搜索)可以很好地利用量子干涉，并且加速效果有限。

　　在某些情況下，研究人員發(fā)現(xiàn)了獲取數(shù)據(jù)的捷徑。 2015年，勞埃德和加拿大滑鐵盧大學(xué)的Silvano Garnerone以及南加利福尼亞大學(xué)的Paolo Zanardi研究表明，對(duì)于某些類型的統(tǒng)計(jì)分析，并不需要輸入或存儲(chǔ)整個(gè)數(shù)據(jù)集。同樣，只要幾個(gè)關(guān)鍵值滿足需求時(shí)，就不需要讀出所有的數(shù)據(jù)。例如，科技公司根據(jù)消費(fèi)者的習(xí)慣數(shù)據(jù)，利用機(jī)器學(xué)習(xí)的龐大矩陣來推送節(jié)目或商品。 阿倫森稱：“Netflix或亞馬遜實(shí)際上并不需要到處生成的矩陣，“真正需要的只是為用戶提供建議。”

　　所有這些都引出了這樣一個(gè)問題：如果量子計(jì)算機(jī)僅在特殊情況下才具有強(qiáng)大功能，那么在這些情況下傳統(tǒng)計(jì)算機(jī)是否也可以發(fā)揮出強(qiáng)大的作用?這是該領(lǐng)域尚未解決的主要問題。普通電腦畢竟算力有限。而處理大量數(shù)據(jù)集的常用方法，比如隨機(jī)抽樣實(shí)際上與量子計(jì)算機(jī)的運(yùn)行機(jī)制非常相似——也就是無論在系統(tǒng)內(nèi)部發(fā)生了什么，都會(huì)返回隨機(jī)結(jié)果。 斯庫(kù)德評(píng)論說：“我完成的很多算法都讓我感覺’這很棒，我們可以提升運(yùn)算速度，’然后我只是為了好玩，也會(huì)為傳統(tǒng)計(jì)算機(jī)編寫一個(gè)同樣的抽樣算法，也能夠?qū)崿F(xiàn)相同的效果。”

　　如果回顧迄今為止量子機(jī)器學(xué)習(xí)所取得的成功，它們都帶著引號(hào)。以D-Wave機(jī)器為例，在對(duì)汽車圖像和希格斯玻色子進(jìn)行分類時(shí)，它的速度并不比傳統(tǒng)機(jī)器快。 “谷歌DeepMind項(xiàng)目計(jì)算機(jī)科學(xué)家、希格斯玻色子研究小組成員之一的亞歷克斯莫特(Alex Mott)強(qiáng)調(diào)：”本文中我們沒有提到的一件事是量子加速。”諸如Harrow-Hassidim-Lloyd算法等矩陣代數(shù)方法只有在稀疏矩陣的情況下才能夠?qū)崿F(xiàn)量子加速。 “從來沒有人問過，機(jī)器學(xué)習(xí)中稀疏數(shù)據(jù)集是否真正有意義?”斯庫(kù)德如是指出。

　　量子智能

　　但從另一方面講，現(xiàn)有技術(shù)即便偶有改進(jìn)，也會(huì)讓科技公司非常興奮。 “你最終看到的這些優(yōu)勢(shì)都不大;它們不是指數(shù)級(jí)的，但至少是二次型的，“微軟研究院量子計(jì)算研究員彌敦韋博(Nathan Wiebe)表示。 “如果量子計(jì)算機(jī)功能足夠強(qiáng)大，計(jì)算速度也足夠快，我們可以徹底改變機(jī)器學(xué)習(xí)應(yīng)用的許多領(lǐng)域。”在應(yīng)用這些系統(tǒng)的過程中，計(jì)算機(jī)科學(xué)家或許可以解決理論上的難題，也就是它們能否更快，以及為什么。

　　斯庫(kù)德也看到了量子計(jì)算在軟件方面的創(chuàng)新空間。機(jī)器學(xué)習(xí)并不僅僅是計(jì)算問題，其中很多復(fù)雜的問題也有著自己的特定結(jié)構(gòu)。她說：“人們構(gòu)建的算法并沒有使機(jī)器學(xué)習(xí)變得有趣和美觀。這就是為什么我開始反過來思考的原因：如果有這樣一臺(tái)真正的量子計(jì)算機(jī)，那么實(shí)際上可以使用什么機(jī)器學(xué)習(xí)模型?也許這種模型還尚未發(fā)明出來。”如果物理學(xué)家想要打動(dòng)機(jī)器學(xué)習(xí)專家，除了構(gòu)建現(xiàn)有模型的量子版本外，他們需要做的更多。

　　現(xiàn)在許多神經(jīng)科學(xué)家認(rèn)為人類思維的結(jié)構(gòu)反映了身體的要求，機(jī)器學(xué)習(xí)系統(tǒng)同樣也體現(xiàn)了這一點(diǎn)。所處理的圖像，語言和大多數(shù)其他數(shù)據(jù)都源自真實(shí)世界，并反映其特征。量子機(jī)器學(xué)習(xí)系統(tǒng)也同樣如此，但所反映的世界要更為豐富。毫無疑問其最為擅長(zhǎng)的就是處理量子數(shù)據(jù)。當(dāng)數(shù)據(jù)不再是圖像，而是物理或化學(xué)實(shí)驗(yàn)的產(chǎn)物時(shí)，量子機(jī)器將應(yīng)對(duì)自如。如果輸入問題得以解決，傳統(tǒng)計(jì)算機(jī)將會(huì)被塵封在歷史中。

　　在完整的自我參照循環(huán)中，第一批量子機(jī)器學(xué)習(xí)系統(tǒng)有助于開發(fā)新一代系統(tǒng)。韋博指出：“我們真正想要的是讓這些系統(tǒng)自行構(gòu)建量子計(jì)算機(jī)。對(duì)于一些調(diào)試任務(wù)，這是我們唯一的方法。”撇開人腦是否是量子計(jì)算機(jī)這個(gè)極具爭(zhēng)議的問題不談 ，也許這種系統(tǒng)甚至可以為我們糾錯(cuò)。眾所周知，人類的行為取決于情境;特定的選擇決定了我們的偏好，其方式無視邏輯。從這方面看，我們就像量子粒子。 “人類提出問題的方式和次序，都是量子數(shù)據(jù)集中非常典型的特征，”Perdomo-Ortiz如是指出。所以說，量子機(jī)器學(xué)習(xí)系統(tǒng)或許是研究人類認(rèn)知偏差的一種方式。

　　神經(jīng)網(wǎng)絡(luò)和量子處理器還有一個(gè)共同點(diǎn)：它們都神話般地實(shí)現(xiàn)了。訓(xùn)練神經(jīng)網(wǎng)絡(luò)并非易事，幾十年來大多數(shù)人都懷疑它是否能夠成為現(xiàn)實(shí)。同樣，量子物理學(xué)用于計(jì)算也未置可否，因?yàn)榱孔游锢韺W(xué)的獨(dú)特作用對(duì)我們來說依舊是管中窺豹。然而，兩者都已經(jīng)實(shí)現(xiàn)了。雖然并沒有成為常態(tài)，但卻超出我們的期待。并非總是如此，而是比我們有權(quán)期待的更多?？紤]到這一點(diǎn)，兩者的結(jié)合或許會(huì)修成正果。

特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性???完整性、及時(shí)性本站不作任何保證或承諾，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。