什麼是量子 AI？
量子人工智慧或量子 AI 是指使用量子技術來執行 AI 系統。AI 模型需要龐大的運算能力和基礎設施資源才能高效執行。量子 AI 旨在用量子運算資源取代基礎 AI 基礎設施，以便 AI 模型更加快速且經濟高效地處理資料。由於量子運算具有指數級的處理速度，該領域預想 AI 將進一步發展並增強其能力。雖然具備無限的可能性，但值得注意的是，量子 AI 仍處於研究階段，AI 工作負載仍然需要傳統的運算資源才能運作。
經典 AI 和量子 AI 之間有何區別？
經典 (或目前的) AI 使用基於二進位位元的經典運算資源或可以用數學方式表示為 0 或 1 的資訊單元。在物理層面，二進位位元可以視為電子脈衝。從簡單計算器到進階電腦的每個運算裝置都基於這種二進位邏輯執行。這些系統以線性、逐步的方式處理資料。因此，分析關聯音訊、視訊和非結構化文字資料的大型資料集等經典 AI 任務需要更多的時間和運算能力。
相比之下，量子 AI 使用基於量子位元的量子運算資源。在物理層面，量子位元基於原子及其電子，而量子力學原理管控它們的運作。與經典位元不同，由於稱為疊加的物理概念，量子位元可以同時置於 0、1 或兩者的狀態。它們也可能產生糾纏，即一個量子位元的狀態與另一個量子位元的狀態直接相關，甚至跨越一定的距離。
藉助量子位元，量子電腦能夠同時處理數百萬個操作。理論上，在量子運算資源上執行的量子 AI 可以解決經典 AI 無法處理的複雜問題。
為什麼量子 AI 研究很重要？
量子 AI 研究旨在幫助 AI 模型發揮其全部潛能。AI 模型是經過訓練的系統，用於執行通常需要人類智慧的任務，例如識別影像、翻譯語言或預測未來趨勢。這些模型從大型資料集中學習模式，並使用該學習結果來做出決策或產生輸出。AI 模型有兩個主要類別：
- 預測模型分析現有資料，以預測未來的結果。例如，預測股票價格或客戶行為。
- 生成式模型根據他們的學習結果建立新內容，例如產生逼真的影像、文字或音樂。
由於支援它們的經典電腦的局限性，這兩種 AI 模型在大規模分析資料的能力方面都受到限制。量子 AI 研究旨在克服這些限制，以增強 AI 可以為社會帶來的優勢。
量子 AI 有哪些潛在優勢？
量子運算和人工智慧的結合有望帶來以下優勢。
降低 AI 訓練成本
訓練 AI 模型 (尤其是具有數十億參數的生成式基礎模型) 涉及透過複雜的神經網路輸入大量資料。這些網路執行數百萬次數學運算，以調整內部權重並最佳化準確度。此過程不僅運算繁重，而且耗費大量能源。較大的模型通常需要分散式運算設定，這會增加複雜性和成本。
量子 AI 模型理論上將在單一量子處理器上平行執行數百萬次運算。這就可避免目前 AI 所需的分散式運算設定。多處理器設定將大規模訓練 AI 模型，以完成當今難以想象的任務。這可以顯著降低訓練尖端 AI 模型的成本和環境影響。
提高 AI 預測準確度
量子運算能夠大規模執行複雜的概率模擬和最佳化任務，從而改善 AI 輸出品質。由於硬體限制，經典系統可能會簡化假設或忽略某些變數。相比之下，量子 AI 可以解釋這些變數，在股票交易、信用評分和供應鏈預測等高風險環境中提供更細緻、更準確的預測。
例如，量子 AI 可以轉變金融部門的風險評估和投資組合最佳化。在精細層面分析市場資料並同時考量無數的變數，可以提供為投資者帶來顯著優勢的洞見。量子 AI 甚至能夠一定程度上準確地預測市場趨勢，使得當今最出色的演算法看起來都像是有根據的猜測。
進階科學研究
量子 AI 可以大幅加速推進醫學、氣候、材料科學和其他需要處理大量資料的研究。例如，量子 AI 能夠以前所未有的準確度模擬複雜的化學反應，從而有可能帶來藥物開發和疾病治療領域的突破性進展。透過建模原子層級相互作用或分析行星規模資料集，科學家可能會發現目前超出我們運算能力範圍的內容。
啟用新的 AI 演算法
量子 AI 不僅是加速現有的 AI 程序，還為設計智慧系統的全新方式開啟了大門。目前的 AI 模型圍繞經典運算的限制進行建置。隨著研究人員專門為量子電腦開發演算法，AI 系統能夠以根本不同的方式來處理學習、推理或模式識別。
例如，量子神經網路和量子增強的強化學習是早期的概念，嘗試重新思考機器如何在具有多種可能結果的環境中「學習」。這些創新有朝一日可能會使 AI 系統在經典 AI 仍然難以應對的領域表現良好，例如長期規劃或資訊不完整情況下的即時決策。
量子 AI 如何運作？
量子 AI 將量子力學原理與現有機器學習和 AI 概念整合，以此探索全新的方法。傳統的 AI 使用在經典位元上執行的線性代數和最佳化技術。但是，量子 AI 模型使用在量子位元上運作的量子演算法。這些演算法以根本不同的方式利用疊加和糾纏等量子力學原理。然而，這些方法仍處於研究階段，主要在模擬器或小規模量子處理器上進行測試。下面提供一些研究工作的範例。
量子最佳化演算法
這些演算法對於解決組合最佳化問題非常有用，其目標是從許多可能的組態中找到最佳組合。由於複雜性呈指數級增長，經典演算法難以解決此類問題。在 AI 領域中，正在探索將這些演算法作為解決最佳化子任務的工具，例如選取最佳模型參數或在強化學習環境中最小化成本函數。
量子分類器
量子分類器是運用量子運算原理來解決分類問題的演算法。它們根據學習的模式為資料指派標籤。例如，正在探索將變分量子分類器 (VQC) 作為非線性決策中的概念證明。到目前為止，VQC 已在小規模資料集和具有有限量子位元計數的量子硬體上得到驗證，主要是用於在受控條件下將其效能與經典分類器進行對比測試。
量子神經網路
量子神經網路 (QNN) 旨在使用量子位元相互作用模仿經典神經網路的結構。量子神經網路正用於探索量子電路是否可以近似於複雜函數並學習識別資料中的模式。有些實驗性設計嘗試將量子電路用作混合模型中的層，其中部分網路在經典處理器上執行，其他部分則在量子裝置上執行。由於目前的硬體限制，QNN 在很大程度上仍處於理論階段。它們在量子模擬器而非全尺寸量子電腦上進行測試。
量子增強的強化學習
量子增強的強化學習研究量子運算是否可以改善 AI 代理程式如何透過反覆試驗在環境中學習最佳動作。一個研究領域涉及使用量子態來表示決策空間，從而允許同時探索多條決策路徑。然而，該領域具有高度實驗性，並且主要在玩具環境或理論模型中測試想法。
AWS 如何支援您的量子運算和 AI 要求？
AWS 讓經典 AI 可供更多人使用 – 從建置者、資料科學家到商業分析師和學生。AI on AWS 包括預先訓練的 AI 服務，適用於現成的智慧與 AI 基礎設施，以最大限度地提高效能和降低成本。
- Ocelot 是我們的第一代量子晶片，使用可擴展的架構來加速真實量子運算應用程式的開發。它首次實現可擴展架構，用於在實務中建置可擴展、具有商業可行性的量子電腦，為未來的量子 AI 提供支援。
- Amazon Braket 是一項全受管服務，可協助您開始使用量子運算。您可以使用該服務學習如何程式設計量子電腦並從頭開始設計自己的量子演算法。Amazon Braket 也提供全受管量子電路模擬器，讓您能夠在 AWS 受管基礎設施上執行演算法，以驗證和測試實作。
- Amazon Quantum Solutions Lab 參與是協作研究計劃，可讓您與量子 AI 領域的領先專家合作。這些計劃可協助您研究和識別組織最有發展潛力的量子運算應用程式，並協助您做好量子準備。
立即建立免費帳戶，開始在 AWS 上使用量子運算和人工智慧模。