量子計算與人工智能有什么關(guān)系？

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，人工智能現(xiàn)在已經(jīng)足夠成熟了。解決現(xiàn)實生活中的問題，而且通常比人類更快更好。

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

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

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

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

例如，考慮對列表中的數(shù)字進行排序的問題。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。該算法有效地維護原始列表中的兩個子列表，因為它正在運行：已經(jīng)排序的部分和剩余的未排序部分。在這個過程經(jīng)過幾次之后，結(jié)果是一個從小到大的排序列表。就時間復(fù)雜度而言，這用 N²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)。對于今天的計算機來說，對包含 100 個元素的列表進行排序是一項簡單的任務(wù)，但對包含十億條記錄的列表進行排序可能就不那么簡單了。因此，時間復(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，可以使用更快的計算機，或者找到需要更少操作的更有效算法，這就是較低時間復(fù)雜度的含義。但是，很明顯，對于指數(shù)復(fù)雜度的問題（例如 N²或 2^N），數(shù)學(xué)對您不利，并且對于較大的問題規(guī)模，僅使用更快的計算機是不現(xiàn)實的。而這恰恰是人工智能領(lǐng)域的情況。

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)的計算復(fù)雜性。這些數(shù)學(xué)模型的靈感來自構(gòu)成動物大腦的生物神經(jīng)網(wǎng)絡(luò)。他們通過查看許多示例“學(xué)習(xí)”識別或分類輸入數(shù)據(jù)。它們是互連節(jié)點或神經(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)。

對于具有N個輸入、M個隱藏層的神經(jīng)網(wǎng)絡(luò)，其中第i 個隱藏層包含m_i個隱藏神經(jīng)元和k個輸出神經(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 億個參數(shù)（或神經(jīng)元）。這個人工智能模型擁有數(shù)十億的M，目前需要幾個月的時間來訓(xùn)練，即使在大型云數(shù)據(jù)中心使用強大的服務(wù)器計算機也是如此。此外，人工智能模型的規(guī)模將繼續(xù)增長，因此隨著時間的推移情況會變得更糟。

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(shù)據(jù)和執(zhí)行計算的機器。期望它們可以同時執(zhí)行數(shù)十億個操作，從而為高度復(fù)雜的問題（包括人工智能）提供非常實質(zhì)性的加速。

經(jīng)典計算機以比特（“二進制數(shù)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(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表示 1 和 0。一個量子比特被認為具有概率分布，例如，它有 70% 的可能性是 1，而 30% 的可能性是 0。這就是量子計算機的特別之處。

量子計算機利用了量子力學(xué)中的兩個基本屬性：疊加和糾纏。

當(dāng)一個量子比特同時為 1 和 0 時，稱它處于疊加態(tài)。疊加是系統(tǒng)同時處于多個狀態(tài)并且在測量時僅假定單個狀態(tài)時的條件的總稱。如果我們假設(shè)一枚硬幣是一個量子物體，那么當(dāng)硬幣被翻轉(zhuǎn)時，就會產(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，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粒子時才有用。這將我們帶到了量子力學(xué)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(zhì)完全依賴于彼此。因此，糾纏的量子比特可以相互影響。一個量子比特的概率分布（一個或零）取決于系統(tǒng)中所有其他量子比特的概率分布。

正因為如此，向系統(tǒng)中添加每個新的量子位都會使計算機可以分析的狀態(tài)數(shù)量增加一倍。計算機能力的這種指數(shù)級增長與經(jīng)典計算形成鮮明對比，經(jīng)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(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。

由于量子計算的巨大潛力，雖然硬件團隊繼續(xù)致力于使這些系統(tǒng)成為現(xiàn)實（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“同時計算”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)典計算機更高的指數(shù)加速，這對當(dāng)前的密碼算法構(gòu)成風(fēng)險。

最有趣的是，人們相信量子線性代數(shù)將提供多項式加速，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，這是一個用于量子機器學(xué)習(xí)的軟件框架，它允許對混合量子經(jīng)典機器學(xué)習(xí)模型進行快速原型設(shè)計。同樣是量子計算的領(lǐng)導(dǎo)者，IBM 最近宣布，它發(fā)現(xiàn)了量子機器學(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大和量子機器學(xué)習(xí)算法的完善，量子計算很可能會在人工智能芯片市場上占據(jù)重要份額。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。