大语言模型的成功，让人们对AI的应用价值不再忽视，但计算能力和数据将来会成为制约这一方向的因素。量子计算被成为将来的计算机技术，其超级计算能力如果被用于AI，将会出现技术上的强强联合，对科学和社会的发展将可能影响巨大。

大语言模型，本质上是利用人类既往积累的知识，并利用知识本身的逻辑和展示模式，重新生成新的信息，这些信息本质上似乎没有真正的创新，至少不是大规模创新，只是过去知识的重新组合。而并非原始创新。如果计算机能力进一步进步，这对于新知识创新，尤其是科学的发展，将会产生革命性影响。

人工智能与量子计算的混搭：它会彻底改变科学吗？

The AI–quantum computing mash-up: will it revolutionize science? (nature.com)

科学家们正在探索量子机器学习的潜力。但人工智能和量子计算的融合是否有有用的应用尚不清楚。

谷歌正在探索量子计算机是否可以帮助机器学习。

称其为未来计算的复仇者联盟。将技术中最热门的两个术语——机器学习和量子计算机——放在一起，你就会得到量子机器学习。就像《复仇者联盟》漫画书和电影一样，汇集了全明星阵容的超级英雄阵容，组建了一支梦之队，结果很可能会吸引很多关注。但是在技术方面，就像在小说中一样，想出一个好的情节是很重要的。

如果量子计算机能够在足够大的规模上建造，那么通过利用亚原子世界的独特特性，它们有望比普通数字电子学更有效地解决某些问题。多年来，研究人员一直在想这些问题是否可能包括机器学习，这是一种人工智能（AI）形式，其中计算机用于发现数据中的模式并学习可用于在不熟悉的情况下进行推理的规则。

现在，随着备受瞩目的人工智能系统ChatGPT的发布，该系统依靠机器学习通过推断文本中单词之间的关系来为其令人毛骨悚然的类似人类的对话提供动力，以及量子计算机的尺寸和功率的快速增长，这两种技术都取得了长足的进步。将两者结合起来会有什么用处吗？

兴趣旺盛

许多科技公司，包括谷歌和IBM等老牌公司，以及加州伯克利的Rigetti和马里兰州大学公园的IonQ等初创公司，都在研究量子机器学习的潜力。学术界的科学家也对此产生了浓厚的兴趣。

欧洲核子研究中心（CERN）是瑞士日内瓦郊外的欧洲粒子物理实验室，它已经使用机器学习来寻找大型强子对撞机生成的数据中产生某些亚原子粒子的迹象。那里的科学家正在试验量子机器学习。

“我们的想法是使用量子计算机来加速或改进经典机器学习模型，”欧洲核子研究中心量子计算和机器学习研究小组负责人、物理学家索菲亚·瓦莱科萨（Sofia Vallecorsa）说。

一个悬而未决的问题是，是否存在量子机器学习比经典机器学习更具优势的场景。理论表明，对于专门的计算任务，例如模拟分子或寻找大整数的质因数，量子计算机将加快计算速度，否则可能需要比宇宙年龄更长的时间。但研究人员仍然缺乏足够的证据证明机器学习就是这种情况。还有人说，量子机器学习可以发现经典计算机遗漏的模式，即使它的速度并不快。

研究人员对量子机器学习的态度在两个极端之间转换，南非德班的物理学家玛丽亚·舒尔德（Maria Schuld）说。人们对这种方法的兴趣很高，但研究人员似乎越来越不愿意短期应用的前景，Schuld说，他在总部位于加拿大多伦多的量子计算公司Xanadu工作。

一些研究人员开始将注意力转移到将量子机器学习算法应用于固有量子现象的想法上。在量子机器学习的所有拟议应用中，这是“具有非常明显的量子优势的领域”，剑桥麻省理工学院（MIT）的物理学家Aram Harrow说。

量子算法有帮助吗？

在过去的 20 年里，量子计算研究人员开发了大量的量子算法，从理论上讲，这些算法可以使机器学习更有效率。在2008年的一项开创性成果中，哈罗与麻省理工学院物理学家塞思·劳埃德（Seth Lloyd）和阿维纳坦·哈西迪姆（Avinatan Hassidim）（现就职于以色列拉马特甘的巴伊兰大学）一起发明了一种量子算法1在求解大型线性方程组方面，这比经典计算机快得多，这是机器学习的核心挑战之一。

但在某些情况下，量子算法的前景并没有实现。一个备受瞩目的例子发生在2018年，当时计算机科学家Ewin Tang找到了一种击败量子机器学习算法的方法2设计于2016年。量子算法旨在提供互联网购物公司和服务（如Netflix）根据客户先前的选择向客户提供的建议类型，并且它比任何已知的经典算法都快得多。

唐当时是德克萨斯大学奥斯汀分校（UT）的一名18岁本科生，他编写了一种算法，速度几乎一样快，但可以在普通计算机上运行。量子推荐是一个罕见的算法例子，它似乎在实际问题中提供了显着的速度提升，因此她的工作“使实际机器学习问题的指数量子加速目标比以前更遥不可及”，UT量子计算研究员Scott Aaronson说，他是Tang的顾问。现在在加州大学伯克利分校（University of California， Berkeley）工作的唐说，她仍然对任何关于机器学习量子加速的说法“非常怀疑”。

一个潜在的更大的问题是，经典数据和量子计算并不总是能很好地混合在一起。粗略地说，典型的量子计算应用程序有三个主要步骤。首先，量子计算机被初始化，这意味着它的各个存储单元，称为量子比特或量子比特，被置于集体纠缠的量子态中。接下来，计算机执行一系列操作，即经典比特逻辑运算的量子模拟。在第三步中，计算机执行读数，例如通过测量携带有关量子操作结果信息的单个量子比特的状态。比如说，这可能是机器内部的给定电子是顺时针旋转还是逆时针旋转。

最薄的吸管

哈罗、哈西迪姆和劳埃德的算法有望加速第二步——量子操作。但在许多应用中，第一步和第三步可能非常缓慢，并抵消了这些收益3.初始化步骤需要将“经典”数据加载到量子计算机上，并将其转换为量子态，这通常是一个低效的过程。由于量子物理学本质上是概率性的，因此读出通常具有随机性，在这种情况下，计算机必须多次重复所有三个阶段，并对结果进行平均才能得到最终答案。

一旦量子化数据被处理成最终的量子态，也可能需要很长时间才能得到答案，西雅图华盛顿大学的量子计算研究员Nathan Wiebe说。“我们只能从最薄的稻草中吸取这些信息，”Wiebe在10月份的量子机器学习研讨会上说。

“当你问几乎所有研究人员量子计算机擅长什么应用时，答案是，'可能，不是经典数据，'”Schuld说。“到目前为止，没有真正的理由相信经典数据需要量子效应。

Vallecorsa和其他人说，速度并不是判断量子算法的唯一指标。还有迹象表明，由机器学习驱动的量子人工智能系统可以学习识别数据中的模式，而经典的对应物会错过这些模式。这可能是因为量子纠缠在量子比特之间建立了相关性，从而在数据点之间建立了相关性，德国Zeuthen的DESY粒子物理实验室的物理学家Karl Jansen说。“希望我们能够检测到数据中的相关性，而经典算法很难检测到，”他说。

但Aaronson不同意。量子计算机遵循众所周知的物理定律，因此，只要有足够的时间，普通计算机就可以完全预测它们的工作原理和量子算法的结果。“因此，唯一感兴趣的问题是量子计算机是否比完美的经典模拟更快，”Aaronson说。

根本性的量子变化

另一种可能性是通过对已经是量子的数据使用量子机器学习算法来完全回避翻译经典数据的障碍。

纵观量子物理学的历史，量子现象的测量被定义为使用“生活”在宏观经典世界中的仪器进行数值读数。但是有一个新兴的想法涉及一种新兴技术，称为量子传感，它允许使用纯量子仪器来测量系统的量子特性。将这些量子态直接加载到量子计算机的量子比特上，然后量子机器学习可用于发现模式，而无需与经典系统进行任何接口。

在机器学习方面，与将量子测量作为经典数据点收集的系统相比，这可能具有很大的优势，麻省理工学院的物理学家、谷歌的研究员Hsin-Yuan Huang说。“我们的世界本质上是量子力学的。如果你想拥有一台可以学习的量子机器，它可能会更强大，“他说。

黄仁勋和他的合作者在谷歌的一台梧桐量子计算机上进行了原理验证实验4.他们用一些量子比特来模拟一种抽象材料的行为。然后，处理器的另一部分从这些量子比特中获取信息，并使用量子机器学习对其进行分析。研究人员发现，该技术比经典测量和数据分析快得多。

是超导体吗？

黄说，在量子世界中完全收集和分析数据可以使物理学家解决经典测量只能间接回答的问题。其中一个问题是，某种材料是否处于特定的量子态，使其成为超导体——能够以几乎为零的电阻导电。经典实验要求物理学家间接证明超导性，例如通过测试材料如何响应磁场。

粒子物理学家也在研究使用量子传感来处理未来粒子对撞机产生的数据，例如在LUXE上，这是一个将电子和光子粉碎在一起的DESY实验，Jensen说 - 尽管这个想法距离实现至少还有十年的时间，他补充说。彼此相距甚远的天文台也可能使用量子传感器来收集数据，并通过未来的“量子互联网”将其传输到中央实验室，以便在量子计算机上进行处理。希望这可以使图像以无与伦比的清晰度捕获。

如果这种量子传感应用被证明是成功的，那么量子机器学习就可以在结合这些实验的测量结果和分析由此产生的量子数据方面发挥作用。

最终，量子计算机是否会为机器学习带来优势，将通过实验来决定，而不是通过数学证明其优越性或缺乏优势来决定。“我们不能指望一切都能像我们在理论计算机科学中所做的那样得到证明，”哈罗说。

“我当然认为量子机器学习仍然值得研究，”Aaronson说，无论最终是否会提高效率。Schuld对此表示赞同。“我们需要在研究过程中，至少在一段时间内，不要证明加速。