经过几十年的研究，人工智能 (AI) 正在成为主要的行业趋势之一。从与 Alexa 和 Siri 的对话，到 Waymo（谷歌）和特斯拉的自动驾驶汽车，OpenAI 的 GPT-3 像人类一样写作散文，以及 DeepMind（谷歌）的 AlphaZero 击败人类国际象棋大师，很明显，人工智能越来越成熟了，可以解决现实生活中的问题，而且往往比人类更快，做得更好。
在科技行业的其他领域，一些有远见的人正在致力于开发量子计算机，这种计算机寻求利用量子物理的特性来执行比现在的计算机快得多的计算。
那么，你可能想知道：量子计算与人工智能到底有什么关系？
算法复杂性是隐藏的敌人
算法复杂性是一个有点晦涩的数学概念，它将人工智能研究人员和量子计算先驱所做的工作联系在一起。
计算复杂性理论是一个横跨数学和计算机科学的领域，专注于根据空间（内存）和时间等资源使用情况对计算问题进行分类。从本质上讲，计算问题是一项任务，可以由计算机按照算法中定义的数学步骤机械地解决。
例如，考虑对列表中的数字进行排序的问题。一种可能的算法，称为“选择排序”，包括从列表的未排序部分（最初是全部）重复找到最小元素（按升序）并将其放在开头。该算法在执行过程中有效地在原始列表中维护了两个子列表：已经排序的部分和剩余未排序的部分。经过几次这个过程之后，结果就是一个从小到大排序的列表。就时间复杂度而言，这用 的复杂度来表示，其中 N 表示列表中元素的大小或数量。数学家提出了更高效但更复杂的排序算法，例如“Cube Sort”或“Tim Sort”，这两种算法的复杂度都是 。对于当今的计算机来说，对包含 100 个元素的列表进行排序是一项简单的任务，但对包含十亿条记录的列表进行排序可能就不那么简单了。因此，时间复杂度（或算法中与输入问题大小相关的步骤数）非常重要。
为了更快地解决问题，人们可以使用更快的计算机，或者找到需要更少操作的更有效的算法，这就是时间复杂度较低的含义。但是，很明显，对于指数复杂度的问题（例如 或 ），数学对您不利，并且对于较大的问题规模，仅使用更快的计算机是不现实的。而这恰恰是人工智能领域的情况。
人工智能是一个非常复杂的问题
首先，我们将了解当今人工智能 (AI) 系统使用的人工神经网络的计算复杂性。这些数学模型的灵感来自构成动物大脑的生物神经网络。他们通过查看许多示例“学习”识别或分类输入数据。它们是相互连接的节点或神经元的集合，结合一个激活函数，根据“输入层”提供的数据和互联中的权重确定输出。
为了调整互连中的权重，使“输出”有用或正确，可以通过暴露于许多数据示例和“反向传播”输出损失来“训练”网络。
对于具有 个输入、 个隐藏层（其中第 个隐藏层包含 个隐藏神经元）和 个输出神经元的神经网络，调整所有神经元权重的算法（称为反向传播算法）的时间复杂度为：
综上所述，流行的 OpenAI 的 GPT-3 模型具有 1750 亿个参数（或神经元），该模型已经能够以与人类相当的流畅度编写原始散文。这个人工智能模型拥有数十亿的 ，目前需要几个月的时间来训练，即使在大型云数据中心使用强大的服务器计算机也是如此。此外，人工智能模型的规模将继续增长，所以随着时间的推移，情况将变得更糟。
量子计算来拯救？
量子计算机是使用量子物理特性（特别是叠加和纠缠）来存储数据和执行计算的机器。人们的期望是，它们可以同时执行数十亿次操作，从而为包括人工智能在内的高度复杂问题提供非常实质性的加速。
经典计算机以比特传输信息，而量子计算机使用量子比特。与经典比特一样，量子比特最终必须以 1 或 0 的形式传输信息，但其特殊之处在于它们可以同时表示 1 和 0。一个量子比特被认为具有一个概率分布，例如，它有70%的可能性是1,30%的可能性是0。这就是量子计算机的特殊之处。
量子计算机利用了量子力学中的两个基本属性：叠加和纠缠。
当一个量子位同时是1和0时，它被称为叠加态。叠加是一个系统同时处于多个状态，并且在测量时只假设一个状态的条件的总称。如果我们假设一枚硬币是一个量子物体，那么当抛硬币时就会产生叠加效应:硬币只有正面或反面的概率。一旦硬币落地，我们就做了一个测量，我们知道硬币是正面还是反面。同样地，只有当我们测量电子的自旋时(类似于硬币落地)，我们才能知道电子处于什么状态以及它是1还是0。
叠加态的量子粒子只有在有一个以上的时候才有用。这就引出了量子力学的第二个基本原理：纠缠。两个(或更多)纠缠的粒子不能被单独描述，它们的性质完全依赖于彼此。因此，纠缠的量子位可以相互影响。一个量子位(1或0)的概率分布取决于系统中所有其他量子位的概率分布。
正因为如此，每增加一个新的量子位到系统中，计算机可以分析的状态数就会增加一倍。这种计算机能力的指数级增长与传统计算形成了鲜明对比，传统计算只是随着每一个新比特的增加而线性扩展。
理论上，纠缠的量子比特可以同时执行数十亿次操作。很明显，这种能力将为任何复杂度在 、 或 范围内的算法提供显著的加速。
为量子驱动的人工智能做好准备
由于量子计算具有巨大的潜力，硬件团队继续致力于使这些系统成为现实(迄今为止最大的是IBM的127个量子比特的Eagle 系统），软件研究人员已经在研究可以利用这种“同步计算”功能的新算法，如密码学，化学，材料科学，系统优化和机器学习/ 人工智能等领域。人们相信Shor的因数分解量子算法将提供比经典计算机指数级的加速，这对当前的密码算法构成了风险。
最有趣的是，人们相信量子线性代数将提供多项式加速，这将极大地提高我们人工神经网络的性能。谷歌推出了TensorFlow Quantum，这是一个用于量子机器学习的软件框架，它允许对混合量子—经典机器学习模型进行快速原型设计。同样是量子计算的领导者的IBM 最近宣布，它发现了量子机器学习的量子优势的“数学证明”。然而，尽管 IBM 和 Google 等公司是垂直整合的（因此同时开发了硬件系统和软件算法），但也有一群非常有趣的量子软件初创公司，包括 Zapata、Riverlane、1Qbit，在一定程度上，还有Quantinuum（自从 Cambridge Quantum Computing 与 Honeywell 合并并更名后，它不再是一家纯粹的软件公司），这只是其中的几个例子。
随着量子硬件变得更加强大，量子机器学习算法得到完善，量子计算很可能会在人工智能芯片市场上占据重要份额。
原文链接：https://www.verdict.co.uk/what-has-quantum-computing-got-to-do-with-ai/
---煤油灯科技victorlamp.com翻译整理---
