清華大學交叉信息研究院助理教授鄧東靈認為，量子人工智能就是用量子算法解決人工智能問題，或用人工智能來處理量子物理問題，量子人工智能將帶來顛覆性的應用。
量子計算機正在迅猛發展
今年6月，美國通過“國家量子行動計劃”法案，擬投入13億美元、通過10年時間，加速美國的量子科學發展。除美國外，當前歐盟、澳大利亞、俄羅斯等在量子信息領域都做了大量前期部署工作。最近兩年，申請歐盟研究委員會(ERC，European Research Council)的量子項目急劇增多，這主要得益於量子計算機的迅猛發展。我國在這方面的部署也已卓有成效，湧現出一批優秀的科研成果。
有了量子計算機以後，用量子計算機做人工智能會是什麼情況？這是一片亟待開墾的領域。
我們先了解一下什麼是量子計算以及它為什麼可以加速。我國《淮南子·說林訓》中有一則寓言：“楊子見逵路而哭之，為其可以南可以北。”大意是說，楊子聽聞鄰居的羊在道路分叉的地方走丟了，羊可能往南走也可以往北走，他不知道到底要往那邊去尋找，難過得哭了。在量子世界裡，情況就不一樣了：楊子可以把所有的路徑疊加(superposition)起來，同時尋找。得益於量子疊加原理，量子計算自然而然地有著並行計算的特點。
在經典的計算機裡，存儲信息都是一個個0和1的數字串，N個比特存儲的信息只是一個數據。雖然有2的N次方種可能性，但只能存儲其中一個數據，這是經典計算機的侷限性。可是量子計算就不一樣了，量子可以疊加。大家可能都聽過薛定諤的貓，在這個假想的實驗中，在一個盒子裡放一隻貓及少量的放射性物質。之後，放射性物質有50%的概率會衰變並釋放毒氣殺死這隻貓，也有50%的概率不衰變而貓將活下來。在經典物理中，盒子裡必將發生這兩個結果之一，貓非死即活。而在量子世界裡，如果不打開盒子，裡面的貓將處於既可以活也可以死的疊加狀態。
依賴量子的疊加原理做一個量子計算機的話，它同樣需要0和1來編碼信息，但量子計算機編碼的時候0和1可以處在疊加態。疊加起來的話，N個量子比特可以把2的N次方的數據完全存下來，也就是量子計算機能夠以指數的形式存儲數據。而所謂的計算也就是信息的處理過程。在經典計算機中，如果用N個比特編碼一個數據，那麼每一次操作只對這一個數據進行了處理。而在量子計算中，N個量子比特可以編碼2的N次方個數據，這樣一次操作就對2的N次方個數據同時進行了操作，也即量子計算機可以並行地做指數多個操作，從而實現非常驚人的加速。
量子人工智能的研究現狀
如果用量子計算機研究人工智能，我們未必需要一個完全發展好的通用量子計算機，有時可能只需要一個具有特定功能的量子模擬器就行了。如人工智能裡面一些優化問題可以用量子退火機(quantum annealer)來解決。
目前學術界還沒有對量子人工智能有明確定義。在我看來，這可以從數據和算法到底是量子的還是經典的來考慮，只要數據或算法有一個是量子的，就可以屬於量子人工智能的範疇。據最開始狹義的理解，量子人工智能主要是用量子算法解決一些經典的人工智能問題，這樣數據是經典的，但算法是量子的，但其實這只是一方面。另一方面也可以用人工智能解決複雜的量子問題。
量子的一些應用非常難，比如合成藥品和處理各種化學反應，這些過程很難通過求解量子方程式來模擬，但我們可以用人工智能的方法來解決部分問題。再比如求解量子多體哈密頓量的基態能量問題，也可以藉助人工智能的方法。最後還有一種情形，那就是算法是量子的，數據也是量子的，但這一領域目前還沒有實質性進展。我的研究組準備在這個未開墾的交叉領域做一些探索，它包括量子信息和計算、凝聚態物理和機器學習等。
在用量子算法解決一些經典的人工智能問題方面，最近清華大學交叉信息研究院段路明教授課題組提出了量子生成模型，是量子學習算法理論方面的一個突破。他們證明了量子生成模型，相比於經典生成模型，在表示能力、預測能力、學習能力三個方面，都可以有指數加速。這是一個很強的結果，目前，我們正在準備做實驗來實現這個算法。
最近，我們也做了一個量子對抗神經網絡的實驗。對抗神經網絡是機器學習的前沿熱點問題，在機器學習會議上，大概有多於一半的論文都在討論生成式對抗網絡(GAN，Generative Adversarial Networks)。今年幾個研究組做了一些工作，理論上把生成式對抗網絡推廣到量子的情況，提出了量子生成對抗網絡。這個模型也有可能做到指數級的加速。我與清華大學孫麓巖研究組及中科大鄒長鈴研究組合作，最先在實驗上演示了量子對抗神經網絡，表明從量子數據集中學習有用的信息是切實可行的。
在用機器學習、人工智能的方法解決量子多體問題方面，我們也做了一些工作，包括各種量子相的探測，量子相變的刻畫等。還有就是用受限玻爾茲曼機表達量子態，這是2017年Matthias Troyer組在《科學》雜誌上引入的想法。我們在這個方向做了很多工作，包括怎麼用神經網絡表達拓撲量子態，以及神經網絡態的一些量子糾纏特性等。反過來講，現在人工智能很強大，但是不能被理解，我們只是把它當成一個黑盒子。我們做這些研究也是想從物理的角度理解為什麼人工智能非常強大有效。我們發現神經網絡量子態的糾纏度可以非常大，意味著它可以不受糾纏的限制。從這個角度講，它對於理解人工智能為什麼有效提供了一個新的視角。
“量子霸權”&人才奇缺
展望未來，當下討論比較多的是“量子霸權”。量子霸權是什麼意思？如果我們有一個量子計算機，當完全可操控的量子比特達到70多個的時候，這時有一些問題，用經典計算機是完全沒有辦法解決的，哪怕使用神威·太湖之光超級計算機。只有量子計算機能解決這些問題，這就是量子霸權。最近兩年，量子計算機飛速發展。
IBM在2015-2016年做出量子原型機時，才只有四五個量子比特，如今IBM 20個比特左右的量子計算機都可以在線使用了。而今年3月，谷歌宣佈推出一款72個量子比特的通用量子計算機Bristlecone，並實現低於1%的錯誤率。Bristlecone有望實現量子霸權。
今後，我們可能會進入一個量子大數據時代，我們現在是經典大數據時代，今後量子儀器越用越多，我們也會積累越來越多的量子數據。到那時，人類如何從海量的量子數據中提取有用的信息？如何用量子大數據及量子算法來實現更強的人工智能？這些都是亟待研究的重要問題。現在大家說人工智能可能是第四次工業革命的原料，到了量子大數據時代，或許由量子人工智能引領的第五次工業革命就會到來。
至於人才稀缺的問題，我認為，傳統人工智能的研究人才相比量子領域的還要多些。量子人工智能研究國內剛剛起步，人才基本沒有，不是稀缺，而是奇缺。我希望國家要儘早規劃相關人才的培養以及佈局相關研究，因為我們相信，量子人工智能必定將帶來顛覆性的應用。
鄧東靈丨清華大學交叉信息研究院助理教授
閱讀更多 全球技術地圖 的文章
