量子计算
揭开量子AI的神秘面纱：什么是量子AI，什么不是量子AI，以及为什么现在它很重要
AI已经进入了一个新的阶段。它不再仅仅是关于构建更大的模型或访问更多的数据。今天的竞争中心是速度、效率和创新。公司正在寻找新的工具，这些工具既提供技术优势，又提供经济优势。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。虽然仍处于开发中，但其潜力正在吸引人们的严肃关注。2024年全球SAS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，他们并不完全理解这种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影响的领域。
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能带来显著的节省。量子计算提供了新的方法来解决某些问题，更加高效或准确地解决问题，而不是使用经典机器。
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。这使得它们非常适合于搜索大空间或优化复杂系统等问题。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）非常匹配。
虽然今天的量子机器仍在不断演进，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，而无需等待完全开发的量子硬件。
什么是量子AI，什么不是量子AI
量子AI并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管道的部分。这些可能包括加速优化、改进特征选择或增强从利润分布中采样的任务。在这些情况下，量子计算机并不替换现有的工具；它们支持这些工具。
工作仍然是实验性的。大多数例子依赖于混合方法，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
虽然该领域是新的，但量子AI已经在几个行业中进行了测试。这些例子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少这些模型的大小和复杂性。其中一种方法是量子特征映射，输入数据使用量子电路进行转换。这些转换可以帮助区分数据点，这些数据点使用标准技术很难分类。
在“早期”日子里，2021年的一篇《自然物理学》文章探讨了如何使用量子核来改进支持向量机，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经常使用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创新实验室和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，但经典模拟有其局限性。量子计算更适合在量子层面上模拟化学系统。
一项新的研究来自IBM、克利夫兰诊所和密歇根州立大学，展示了一种使用当前一代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
供应链难以管理，因为其规模和复杂性。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改进这些任务。
富士通与日本邮政合作，优化东京的最后一公里交付，在传统路由算法无法考虑动态变量（如交通拥堵和包裹量波动）时，量子AI可以开始工作，转变物流的一些基本方面。
挑战和局限性
量子硬件仍然是一个挑战。虽然每天都有新的进展，但今天的机器仍然对噪音敏感，难以扩展，并且不适合长时间计算。大多数应用程序必须在这些限制范围内运行，使用较短和较简单的量子电路。
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，新的工具正在被创建。这些包括高级编程框架和自动电路设计系统。这些工具允许AI开发人员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所需的知识和系统，以便在未来利用它。以下是三个步骤需要考虑：
- 建立跨功能团队 – 将AI专家与优化和量子计算的研究人员结合起来。这使得团队能够探索新的想法并为未来做好准备。
- 尝试混合工作流程 – 专注于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，它们隐藏低级量子细节。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，特别是在当前模型难以解决或苦苦挣扎的领域。最可能的前进道路不是突然的颠覆，而是逐渐的整合。
随着量子硬件的改进和软件变得更加易用，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的极限下工作的团队来说，量子AI可能是下一个需要关注的领域。
