从谷歌的“量子霸权”到各大量子公司举办的公开市场活动和发布的产品路线图，这无疑引起了机器学习的热潮。量子计算机会迎来QML（量子机器学习）革命吗？这种情况多久会发生？有远见的高管应该做些什么来为有可能到来的这一天做准备？

量子计算机使用量子比特而不是常规比特。当数据科学家部署利用量子位特有的叠加和纠缠算法时，他们可能会高速进行改进，并在AI / ML算法中找到新的解决方案。

在机器学习中使用量子计算有四个关键动机：

• 量子启发式与经典启发式的方式不同。没有理论证明许多经典机器学习算法是经验性的，因此在经典启发式算法不符合预期的情况下，尝试量子启发式算法是很吸引人的。
• 量子计算机可以以指数级更紧凑的方式加载数据。量子计算机的叠加属性允许它们同时保存多个值，同时为每个值提供不同的权重。例如，一台50量子位的量子计算机可以同时保持和处理超过千万亿个值，而一台经典计算机在给定时间里只能处理一个这样的值。由于许多机器学习问题利用多维空间，因此在量子计算机上对这些大空间进行建模可能更容易，或者确实可以在量子计算机上对一些无法在经典计算机上建模的问题进行建模。
• 在求解线性方程组时，已经证明了指数加速度。通过HHL算法，证明量子计算机可以比经典计算机更快地解决这样的系统（广泛用于最小二乘线性回归和高斯过程）。精确的加速因量子算法而异。例如，Grover算法允许在非结构化数据集中进行有效的搜索。如果经典搜索算法在一定时间内完成对给定数据集的搜索，则如果数据集的大小增加四倍，则搜索时间将增加四倍。相比之下，执行Grover算法进行搜索，搜素时间只增加一倍，而不是四倍。
• 量子计算机产生新型数据模式。研究人员希望通过使用反向算法来识别新型数据模式。

但是，除了这些令人兴奋的优势之外，管理者还必须意识到量子计算面临的实际问题和局限性。

目前的计算机只有有限数量的量子位。虽然量子比特的数量并不是衡量量子计算机能力的唯一标准（其他重要指标包括相干时间、量子比特保真度和连接性），但它是一个很好的第一近似值。这类似于使用马力作为车辆加速或牵引能力的近似值。截至2021年11月宣布的最大量子计算机具有127个量子位，因此，实际上今天可以在量子计算机上执行的任何算法也可以在经典计算机上执行。然而，来自IBM，霍尼韦尔等公司的产品路线图预测，未来几年将有数百甚至数千个量子位，导致有利于量子计算机的性能差距越来越大。

编程很难。量子编程需要一种与经典编程不同的思维方式。如今，大多数量子开发环境都在门级别运行，这意味着程序员几乎必须手动指定量子位和对它们执行操作的量子门之间的"连接"。虽然对于少数量子位来说，这可能是一种实用的方法，但它并没有扩展到数十万个量子位。幸运的是，提供更高层次抽象的编程平台正在变得可用，允许机器学习工程师在高层次上指定所需的功能，然后让计算机程序从中合成量子电路。

人才稀缺。当今的许多量子编程环境实际上都假定具有量子信息科学的博士级知识。虽然大学正在增加量子教育课程，但很难获得合格且经验丰富的量子软件工程师。虽然外包量子开发是一种选择，但许多组织认为量子是一种战略技术，发展内部能力很重要。这也是一个新的开发平台使量子更容易被特定领域的专家（例如金融，物流，材料科学，当然还有机器学习方面的专家）所接受的领域，而不需要对量子物理学有深入的了解。

不同制造商的量子计算机不兼容。虽然IT经理可以安全地假设在HP服务器上运行的代码将在戴尔服务器上运行，但昆腾的情况并非如此。来自不同制造商的计算机具有不同的体系结构，不同的量子门（类似于不同的指令集）以及其他差异。客户经常告诉我们，他们还没有准备好与一家硬件供应商合作，因为他们不确定谁将成为硬件竞赛的赢家。因此，组织经常寻找开发平台，以便轻松地将算法从一台计算机移植到另一台计算机，并提前估计哪些计算机可以完成这项工作。此外，企业通常更喜欢使用量子云提供商（如Amazon Braket或Azure Quantum），因为这些提供商携带多种类型的量子计算机，并使实验变得更加容易。

量子计算可以对企业的业务产生战略影响，但这种影响可能需要几年时间才能实现。话虽如此，但企业也应该明白，现在是时候迈出进入量子世界的第一步，建立内部专业知识，识别早期用例，并执行简短的概念验证，这样当硬件和软件实现量子的巨大优势时，它们就不会落后于那些掌握量子机器学习的人。

---煤油灯科技victorlamp.com翻译整理---