量子计算
揭秘量子 AI：是什么、不是什么以及为什么现在很重要
AI 已进入一个新阶段。它不再仅仅是关于构建更大的模型或访问更多的数据。今天的竞争集中在速度、效率和创新上。公司正在寻找新的工具，这些工具可以提供技术和经济优势。对于一些公司来说，量子计算开始看起来像是一种这样的工具。
量子 AI 指的是将量子计算与人工智能相结合。它提供了一种新的方法来解决机器学习、优化和数据分析中的复杂问题。虽然仍处于开发阶段，但其潜力正在吸引人们的严肃关注。2024 年的一项全球 调查发现，超过 60% 的商业领袖已经在探索或投资量子 AI。然而，大多数人也表示，他们不完全理解这项技术是什么或如何使用它。
本文解释了什么是量子 AI，什么问题它可能帮助解决，以及它在近期可能产生的影响。
为什么 AI 团队正在关注量子
训练大型 AI 模型需要时间、能量和金钱。即使是小的效率改进也可以带来显著的节省。量子计算提供了新的方法来解决某些问题，相比经典机器更高效或更准确。
例如，量子计算机可以同时执行多个计算，利用一种称为叠加的性质。这使得它们适合于解决涉及搜索大空间或优化复杂系统的问题。这些能力与许多机器学习任务（如特征选择、模型调优和数据采样）很好地吻合。
虽然今天的量子机器仍在不断发展，研究人员正在找到方法将它们与经典工具相结合。这些混合系统允许 AI 团队现在测试量子方法，而不必等待完全开发的量子硬件。
什么是量子 AI 和不是什么
量子 AI 不是关于用量子版本替换当前的 AI 系统。它不是关于在量子硬件上运行深度学习模型。
相反，它专注于使用量子算法来支持 AI 流水线的某些部分。这些部分可能包括任务，如加速优化、改进特征选择或增强从利润分布中采样。在这些情况下，量子计算机不替换现有的工具；它们支持这些工具。
工作仍然是实验性的。大多数示例依赖于混合方法，其中量子和经典部分共同工作。但这些系统已经在狭窄的用例中显示出结果。
当前应用开发
尽管该领域是新的，量子 AI 已经在几个行业中进行了测试。这些示例使用真实工具和已发表的研究。它们还反映了量子方法最适合解决的问题类型。
模型压缩和特征映射
AI 模型越来越大，训练成本也越来越高。量子技术可以帮助减小这些模型的大小和复杂性。其中一种方法是量子特征映射，其中输入数据使用量子电路进行转换。这些转换可以帮助区分使用标准技术难以分类的数据点。
在早期，2021 年的一篇 论文 探讨了如何使用量子核函数来改进支持向量机，一种机器学习模型。这种方法适用于高维或稀疏数据集，在这些数据集中，经典模型难以处理。
金融中的投资组合优化
银行和资产管理公司通常使用 AI 来管理投资组合和评估风险。这些任务涉及大量变量和约束。量子算法（如 QAOA（量子近似优化算法））正在被测试，以更高效地解决这些问题。
Citi Innovation Labs 和 AWS 最近研究了使用量子计算机进行投资组合优化，特别是使用 QAOA 算法及其性能。该合作展示了对量子计算作为解决现实世界问题工具的日益增长的兴趣和投资。
药物发现和分子建模
药物开发依赖于预测分子如何相互作用。AI 模型可以提供帮助，但经典模拟存在局限性。量子计算更适合在量子层面上模拟化学系统。
一项新研究 由 IBM、克利夫兰诊所和密歇根州立大学共同开展，展示了一种使用当前量子计算机模拟复杂分子的新方法，为量子中心的科学计算提供了一条可行的前进道路。
供应链优化
供应链很难管理，因为它们很大且复杂。AI 可以提供帮助，但某些任务（如路线规划和库存控制）仍然难以优化。量子方法正在被探索，以提高这些任务的效率。
富士通与日本邮政 合作，旨在优化东京的最后一公里交付，在那里传统的路由算法无法考虑到诸如交通拥堵和包裹体积波动等动态变量。通过部署量子 AI，他们能够开始转变物流的某些基本方面。
挑战和局限性
量子硬件仍然是一个挑战。尽管每天都有新的进展，但今天的机器仍然容易受到噪声的影响，难以扩展，并且对于长时间的计算不可靠。大多数应用程序必须在这些限制范围内运行，使用较短和更简单的量子电路。
量子软件开发也很困难。量子编程需要物理、数学和计算机科学方面的知识。很少有团队拥有合适的技能组合。
为了降低这一壁垒，正在创建新的工具。这些工具包括高级编程框架和自动电路设计系统。这些工具使 AI 开发人员能够在不需要编写低级量子代码的情况下测试量子方法。
AI 团队今天可以做什么
量子 AI 尚未准备好完全部署。然而，具有前瞻性思维的团队可以开始建立知识和系统，以便在未来利用它。以下是三个需要考虑的步骤：
- 建立跨职能团队 – 将 AI 专家与优化和量子计算的研究人员结合起来。这使团队能够探索新的想法并为未来做好准备。
- 尝试混合工作流 – 关注量子组件可以支持经典模型的狭窄问题。这些包括特征选择、采样或约束优化。
- 使用抽象复杂性的工具 – 采用平台和框架，隐藏低级量子细节。这些工具帮助团队专注于应用，而不是硬件。
量子 AI 仍在发展中。它不是经典 AI 的捷径或替代品。然而，它是一个具有真实潜力的领域，特别是在当前模型不足或难以应对的领域。最可能的前进道路不是突然的颠覆，而是稳定的整合。
随着量子硬件的改进和软件变得更加便捷，早期采用者将更好地利用这些新工具。对于已经在经典系统极限工作的团队来说，量子 AI 可能是下一个找到价值的地方。
