什么是量子人工智能？
量子人工智能（简称量子 AI）是指利用量子技术运行人工智能系统。人工智能模型需要巨大的计算能力和基础设施资源才能高效运行。量子人工智能旨在用量子计算资源取代基础人工智能基础设施，使人工智能模型能够更快、更经济高效地处理数据。该领域预见，由于量子计算能够实现指数级的处理速度，人工智能将取得进一步发展并增强其能力。尽管可能性无穷无尽，但需要注意的是，量子人工智能仍处于研究阶段，其工作负载运行仍需依赖传统计算资源。
传统人工智能与量子人工智能有何区别？
传统（或当前）人工智能采用基于二进制位或可数学表示为 0 或 1 的信息单元的传统计算资源。从物理角度看，二进制位可视为电子脉冲。从简单的计算器到先进的计算机，所有计算设备都基于这种二进制逻辑运行。这些系统采用线性、逐步的方式处理数据。因此，对于传统的人工智能任务，例如分析与音频、视频和非结构化文本数据相关的大型数据集，需要投入更多时间和计算资源。
相比之下，量子人工智能使用基于量子比特的量子计算资源。从物理角度看，量子比特基于原子及其电子，其运作遵循量子力学原理。与传统比特不同，量子比特可同时处于 0、1 或两者的叠加态，这一特性源于物理学中的叠加原理。其还可能处于纠缠态，这意味着一个量子比特的状态会直接影响另一个量子比特，即使两者相隔遥远。
量子比特使量子计算机能够同时处理数百万次运算。理论上，基于量子计算资源运行的量子人工智能可解决传统人工智能无法解决的复杂问题。
量子人工智能研究为何重要？
量子人工智能研究旨在帮助人工智能模型充分发挥其潜力。人工智能模型是经过训练、可执行通常需要人类智能的任务的系统，例如识别图像、翻译语言或预测未来趋势。这些模型从大型数据集中学习模式，并利用所学知识进行决策或生成输出。人工智能模型主要分为两类：
- 预测模型分析现有数据，以预测未来结果。例如，预测股票价格或客户行为。
- 生成式模型基于其所学知识创造新内容，例如生成逼真的图像、文本或音乐。
由于支持这两种模型的传统计算机存在局限性，因此两种模型在分析大规模数据方面的能力均受到限制。量子人工智能研究旨在突破这些限制，以强化人工智能为社会实现的好处。
量子人工智能有哪些潜在优势？
量子计算与人工智能相结合有望实现以下好处。
降低人工智能训练成本
训练人工智能模型，尤其是具有数十亿参数的生成式基础模型，其需要将海量数据输入复杂的神经网络。这些网络执行数百万次数学运算，以调整内部权重和优化准确性。该过程不仅计算量大，而且耗能高。大型模型通常需要分布式计算架构，这会增加复杂性和成本。
理论上，量子人工智能模型可在单个量子处理器上并行运行数百万次操作。这将消除当前人工智能需求对分布式计算架构的依赖。多处理器架构将实现大规模训练人工智能模型，以完成当今难以想象的任务。这将显著降低训练尖端人工智能模型的成本和环境影响。
提高人工智能预测准确性
量子计算能够大规模执行复杂的概率模拟和优化任务，以提升人工智能的输出质量。传统系统可能因硬件限制而简化假设或忽略某些变量。相比之下，量子人工智能可以处理这些变量，在股票交易、信用评分和供应链预测等高风险领域提供更精细且可能更准确的预测。
例如，量子人工智能可改变金融领域的风险评测和投资组合优化。精细分析市场数据，同时考量无数变量，可提供见解，使投资者获得显著优势。甚至可能在一定程度上精准预测市场趋势，使当今最优秀的算法宛如有根据的猜想。
促进科学研究
量子人工智能有望显著加速医疗、气候、材料科学等需要处理海量数据的领域的研究。例如，量子人工智能可通过前所未有的准确性模拟复杂的化学反应，这可能推动药物研发和疾病治疗领域的突破性进展。通过模拟原子级相互作用或分析行星级数据集，科学家或许能实现目前超出我们计算能力范围的发现。
启用全新的人工智能算法
量子人工智能不仅能加速现有人工智能流程，更可以开启设计智能系统全新方式的大门。当前的人工智能模型围绕传统计算的约束而构建。随着研究人员专门为量子计算机开发算法，人工智能系统可能以根本不同的方式进行学习、推理或模式识别。
例如，量子神经网络和量子增强型强化学习是早期概念，试图重新思考机器如何在具有多种可能结果的环境中“学习”。这些创新终将催生出能在传统人工智能仍显乏力的领域表现优异的人工智能系统，例如长期规划或在信息不完整条件下的实时决策。
量子人工智能如何运作？
量子人工智能融合量子力学原理与现有的机器学习和人工智能概念，以探索全新方法。传统人工智能采用基于经典比特运行的线性代数和优化技术。然而，量子人工智能模型采用的是基于量子比特运行的量子算法。这些算法以完全不同的方式利用量子力学原理，例如叠加和纠缠。然而，这些方法仍处于研究阶段，主要在模拟器或小型量子处理器上进行测试。我们在下方列举一些研究工作的示例。
量子优化算法
这些算法适用于解决组合优化问题，其目标是在众多可能的配置中寻找最佳组合。传统算法难以解决此类问题，因为其复杂度呈指数级增长。人工智能领域正在探索将这些算法作为解决优化子任务的工具，例如在强化学习环境中选择最佳模型参数或最小化成本函数。
量子分类器
量子分类器是利用量子计算原理解决分类问题的算法。其根据所学的模式对数据进行标注。例如，正在探索将变分量子分类器（VQC）作为非线性决策中的概念验证。迄今为止，VQC 已在量子比特数量有限的小规模数据集和量子硬件上进行验证，其核心目标是在受控条件下将其性能与传统分类器进行基准测试。
量子神经网络
量子神经网络（QNN）旨在通过量子比特的交互作用模仿传统神经网络的结构。其用作探索量子电路能否近似复杂函数，以及能否学会识别数据中的模式。某些实验设计试图将量子电路作为混合模型中的层，其中部分网络在经典处理器上运行，其余部分则在量子设备上运行。由于当前硬件的限制，QNN 仍主要停留在理论层面。这些算法在量子模拟器上而非全尺寸量子计算机上进行测试。
量子增强型强化学习
量子增强型强化学习旨在探究量子计算能否通过试错，提升人工智能代理在环境中学习最优行动的能力。一个研究领域涉及利用量子态以表示决策空间，允许同时探索多条决策路径。然而，该领域仍处于高度实验阶段，相关理念主要在玩具环境或理论模型中进行测试。
AWS 如何支持您的量子计算和人工智能需求？
AWS 让更多的人能够使用传统的人工智能，包括开发者、数据科学家、业务分析师和学生。AWS 上的人工智能包括用于现成智能技术的预先训练的人工智能服务，以及可最大限度地提高性能并降低成本的人工智能基础设施。
- 我们的第一代量子芯片 Ocelot 使用可扩展架构，以加速现实世界量子计算应用程序的开发。它首次实现可用来构建具有商业可行性的可扩展量子计算机的可扩展架构，为未来量子人工智能实践奠定基础。
- Amazon Braket 是一项完全托管的服务，可帮助您开始探索量子计算。您可以通过它学习如何对量子计算机进行编程，并从头开始设计自己的量子算法。Amazon Braket 还提供完全托管的量子电路模拟器，让您能够在 AWS 托管的基础设施上运行算法，以验证和测试您的实施情况。
- Amazon Quantum Solutions Lab 合作项目是协作型研究计划，可让您与量子人工智能领域的顶尖专家展开合作。该计划可帮助您研究和确定组织中最有发展潜力的量子计算应用程序，以及为“量子就绪”时代做好准备。
立即创建免费账户，开始使用 AWS 上的量子计算和人工智能。