内容摘要：近年来，人工智能 (AI) 取得了长足的进步，其工具和算法不但可以分析数据、识别模式并做出预测，而且其分析的准确性也得到了大幅的提升。然而，问题出现了：人工智能技术虽然足够好，但是对于算力提出了更高的

近年来，量计人工智能 (AI) 取得了长足的算和进步 ，其工具和算法不但可以分析数据、人工识别模式并做出预测
，飞跃而且其分析的还遥准确性也得到了大幅的提升 
。然而，梦想问题出现了 ：人工智能技术虽然足够好 ，量计但是算和对于算力提出了更高的要求。因此 ，人工我们需要寻求更加先进的飞跃技术  ，例如量子计算 ，源码库还遥以此来提高算力。梦想

一 、量计人工智能正在创造价值

人工智能已经在医疗保健、算和金融、人工交通和娱乐等各个领域证明了它们存在的价值。机器学习算法可以处理大量数据，并随着时间的推移进行学习和改进 。深度学习是机器学习的一个子集，它使得神经网络能够识别模式并高精度地做出决策。不难发现
，人工智能已经成功地解决了很多复杂的问题，亿华云并且正在不断演进。

此外 ，随着技术的发展，人工智能已经易于各个行业和领域使用且 。它们能够在传统计算机上运行
。由于这些计算机得到了广泛使用 ，并且价格相对便宜，因此可以非常方便的让用户部署各种应用程序，为企业和社会带来直接利益。既然人工智能如此优秀 ，也许就不需要量子计算机的帮助了 。

二、量子飞跃 ：潜力与挑战

量子计算经常被吹捧为人工智能的模板下载下一个重大事件。量子计算机可以同时处理大量的数据和应用  ，能够加速人工智能算法并更有效地处理更大的数据集，从而产生更加强大的人工智能模型。

波士顿咨询集团最近的一项研究发现，生成式人工智能、基础人工智能和横向人工智能领域的量子市场潜力为 50B 至 100B 美元 ，几乎影响所有行业。据 BCG 称，人工智能将能够防止欺诈和洗钱  ，并且推动智能汽车的服务器租用发展，还将存在数十亿美元的机会  。

然而，目前的量子计算仍处于起步阶段。当今
，量子计算机的量子位数量有限 ，维持其量子状态（称为相干性）是一项重大挑战，这也限制了可以执行计算的复杂性 。

此外，由于量子计算机并不是传统计算机的免费模板升级
，因此它们需要全新的算法 。例如  ，传统的机器学习模型（例如神经网络）是通过根据输入数据调整参数（权重和偏差）来进行训练的
，旨在最小化模型预测与实际输出之间的差异。复杂的模型具有数百万或数十亿个参数 ，并通过梯度下降的过程进行调整，以此来确定改变参数导致最小化的差异 。源码下载

然而，测量或估算量子计算机中的梯度异常困难，尝试在量子计算机上使用传统算法注定会失败。因此 ，采用量子计算机就需要全新的算法 。虽然量子计算的前景广阔，但由于开发这些算法是一项复杂工作
，因此目前仍处于早期阶段。据悉 ，一种称为“储层计算”的新型机器学习算法 ，正在利用独特的量子特性，在分类和预测应用中取得良好结果 。

三 、量子计算和生成模型

目前，量子计算机所擅长的领域之一是生成随机数
 。

在传统计算机中，随机数是使用算法或从某些外部随机源（如大气噪声）生成的，这些数字并不是真正随机的：如果我们知道算法及其初始条件 ，就可以预测所有算法将生成的数字
。相比之下
，量子力学的核心原理——叠加——量子计算机可以生成真正的随机数。叠加表明，一个量子比特可以同时存在于多种状态
，并且在测量时，结果本质上是随机的
。

生成建模是一种无监督机器学习方案，可以从这种随机性中受益。量子计算机可以创建很难复制的统计相关性，使其成为该应用的理想选择。这种生成模型可用于解决许多问题，例如投资组合优化，其中生成模型试图复制算法发现的高性能投资组合，从而杜绝投资组合的风险 ，因此相比传统算法发现的风险低得多。实际上，类似的用途已被建议用于药物发现的分子生成，甚至工厂车间的调度。

四
 、量子计算和人工智能的未来

尽管存在很多挑战，量子计算在人工智能领域的潜力仍然巨大
。量子机器学习可以在更短的时间内对更大的数据集进行分类，而量子神经网络可以以传统神经网络无法做到的方式处理信息。

虽然现有的人工智能对于当今的许多应用来说功能强大且实用  ，但量子计算代表了一个新领域，有可能推进该领域的发展
。然而，由于量子计算仍然处于早期阶段 ，因此使用用量子计算的道路是漫长且充满挑战的 。量子计算机可能还需要一段时间才能变得更强大 ，并准备好在人工智能中广泛使用 。在那之前 ，企业的重点是最大限度地发挥现有人工智能的优势，同时继续探索量子计算提供的令人兴奋的可能性。

原文标题 ：Quantum Computing and AI: A Leap Forward or a Distant Dream?

原文作者：Yuval Boger