據外媒報道，谷歌和微軟即將公布量子計算技術里程碑式的突破。2017年4月，谷歌公布其實現“量子霸權”的路線圖，聲稱將利用49量子比特的模擬系統攻克傳統計算機無法解出的難題，并將于近期披露相關論文。微軟將其研發重點放在了“有效操縱”上，也將在近期公布重磅突破。

　　量子計算這一潛在的革命性技術，已經成為物理學家和計算機科學家長達35年的夢想。在不久的未來，這一領域將迎來重大進展。

　　據英國《金融時報》消息，在接下來幾周內，谷歌和微軟將分別宣布量子技術的兩項里程碑式的重大突破。但是，快速實現商業應用是另外一回事。

　　量子計算領域的一些領先企業表示，量子計算機利用量子力學的性質大大加快了計算速度，將在五年內實現重要的實際應用，這比以前想象的要快得多。

　　微軟將其研發重點放在“有效操縱”上

　　微軟量子團隊負責人托德?霍姆達爾（Todd Holmdahl）說，“我們有機會解決一系列以前無法解決的問題?！彼С治迥觐A測。“在傳統計算機上，這些問題用一輩子時間都無法解決。”

　　加拿大DWave公司7年前就開始銷售特定類型的量子計算機，不過真正的目標是一種通用計算機，可以被編程者用來處理當今計算機范圍之外的一系列任務。該技術的好處包括模擬分子運動、突破性藥物研究，使機器學習更加強大。

　　然而，從事這項技術的其他人則認為這太樂觀了。英特爾實驗室負責人邁克·梅伯里（Mike Mayberry）表示，在真正可行的技術出現之前，大型科技公司之間將會有一場“十年的競賽”。他說：“我們現在還處于‘玩具系統’時代”。

　　微軟和谷歌即將宣布的兩個里程碑將證明，最前沿的理論物理學如何迅速轉化為實際應用。

　　盡管12年前量子計算已經開始，但微軟尚未產生可以工作的量子位，即量子計算的基本元件。 Holmdahl先生說，目前已非常接近宣布“實現這一突破”。

　　這種聲明通常是通過科學期刊上的研究論文來完成的，也就是說他們在出版前必須經過同行評議。 Holmdahl先生說，對微軟來說，這也是“科學的重要時刻”。

　　微軟花費的時間超過了一些：IBM早在1998年宣布了首個可用的量子位，去年十二月份，已經與多家合作伙伴一起幫助開發技術的實際應用。但是微軟的量子位基于一種此前尚未得到證明的技術。如果這是正確的，那么軟件公司將很快超越那些在這個領域領先的人并獲得巨大的優勢。

　　微軟的設計解決了該技術最大的缺點之一。由于量子位很脆弱，因此量子計算機需要進行大量的錯誤修正。量子位只會在量子態停留很短暫的時間，因此結果很容易受影響。

　　微軟的答案是：一種能有效分割電子的量子位，從而將同樣的信息同時保存在多個地方。如果量子位的某個部分出現問題，那么其中包含的信息不會就此丟失，從而確保系統整體更穩定。

　　對于使用所謂拓撲量子位的計算機來說，內建的容錯機制帶來了巨大的優勢?；魻柲反鳡柋硎荆骸埃ú粔蚪训南到y）會產生大量錯誤，需要去解決。如果說他們需要1000到1萬個量子位，那么我們只需要1個，因為我們的錯誤修正比他們要好得多?！?/p>

　　然而，即使微軟確實達到了這個目標，創造首個可用的量子位只是第一步。Mayberry先生說，現在還不清楚哪一種競爭對手的量子比特技術最有效，因為制造商試圖將現在的基本系統擴展成全面的通用計算機。

　　谷歌：解決傳統計算機無法破解的極限難題

　　谷歌預期將公布的里程碑是首次展示用量子計算機解決對于傳統計算機來說是極限的問題。

　　當量子計算機超越最強大的傳統計算機之后，就將達到所謂的“量子霸權”。南加州大學量子計算專家、教授丹尼爾·利達（Daniel Lidar）表示，達到這個目標將有“非常重大的科學意義，這將是計算技術史上的首次，表明量子計算機已經跨過了這道門檻?！?/p>

　　在谷歌的計劃表中，他們計劃于2017年底達成“量子霸權”，并在去年年底展開了測試。這一測試的目標是證明，包含49個量子位的系統能解決超出任何傳統計算機能力的問題。谷歌沒有對最終結果置評，而結果是否成功也需要科學期刊的評審。

　　不過，IBM也在悄悄發力。通過對一臺超級計算機進行編程，IBM成功模擬了一臺包含50個量子位的量子計算機。這在以往是被認為不可能的。利達表示，隨著量子計算機和傳統計算機的設計者們你追我趕，這個領域內很可能會發生“真正的競賽”。

　　然而，即使谷歌在推動“量子霸權”方面獲得了成功（即專門設計傳統計算機無法解決的問題，讓量子計算機成功解決），利達和其他專家也認為，這項技術距離實際應用還有很長的距離。

　　即使來自微軟和谷歌的突破得到證實，在如何擴大規模，系統如何編程方面，相關公司仍然面臨巨大的挑戰。系統可能需要100萬個量子位，才能解決復雜的問題。

　　除了讓量子位在更長的時間里保持量子態以外，其他問題還包括如何設計在極低溫度下可工作的電子控制系統。梅貝里指出，繼續擴大規模非常困難。

　　不過，作為資深產品經理的霍爾姆戴爾認為，這與其他硬件挑戰沒有太大不同。霍爾姆戴爾在Xbox游戲機的開發中扮演了核心角色。他表示，微軟將設計和測試硬件版本迭代的時間縮短至2周，而在其他硬件領域，能快設計速迭代的公司將取得成功。

　　他表示：“現在的情況就是這樣。這有點類似太空探索。我們將很快派人登月?！?/p>

　　量子機器學習：“量子”在這個詞中沒有任何意義

　　90年代初，將量子物理與人工智能結合起來，尤其利用當年還顯得特立獨行的神經網絡技術，被認為無異于將油和水混合。

　　到今天，量子計算和人工智能的結合似乎已經成為世界上最自然的事情。神經網絡和其他機器學習系統已經成為21世紀最具顛覆性的技術。這些系統已經可以通過巨大的計算能力成為可能，所以科技公司不可避免地要尋找不僅僅是更大的計算機，而且是全新類型的計算機。

　　量子計算機在經過數十年的研究之后，幾乎有足夠的優勢來進行超越地球上任何其他計算機的計算。他們的殺手級應用程序通常被認為是大數據的因素，這也是現代加密的關鍵。加利福尼亞州伯克利市的量子計算機公司Rigetti Computing的物理學家約翰內斯·奧特巴赫（Johannes Otterbach）說：“量子計算的統計特性與機器學習之間有著天然的結合。”

　　如果有的話，鐘擺現在已經擺到另一個極端了。谷歌、微軟、IBM等科技巨頭紛紛投入到量子機器學習中?！皺C器學習”正在成為一個流行語，”莫斯科斯科爾科沃科技研究所量子物理學家Jacob Biamonte說。 “當你把機器學習和'量子'連在一起，它就成了一個超級流行詞?！?/p>

　　然而，“量子”這個詞在其中并沒有任何含義。雖然你可能認為量子機器學習系統應該是強大的，但它卻遭受了一種閉鎖綜合癥。它在量子狀態上運行，而不是在人類可讀的數據上運行，而兩者之間的轉換抵消了其優勢。這就像一個iPhone X，它有強大的配置，但運行就像你的舊手機一樣慢，因為你的網絡很糟糕。對于一些特殊情況，物理學家可以克服這種投入產出的瓶頸，但是這些情況是否出現在實際的機器學習任務中還是未知數。

　　量子神經元（Quantum Neurons）

　　無論是經典還是量子，神經網絡的主要工作都是要識別模型。 受人腦啟發，神經網絡是一個基本的計算單元網格——“神經元”，每個單元可以像開關設備一樣簡單。一個神經元監視多個其他神經元的輸出，就像進行投票一樣，如果有足夠多的神經元開啟，它就會開啟。 通常情況下，神經元是分層排列的。 初始圖層接受輸入（如圖像像素），中間圖層創建各種輸入組合（表示邊緣和幾何形狀等結構），最后一層產生輸出（圖像內容的高級描述）。

　　從經驗學習

　　至關重要的是，布線不是預先固定的，而是在一個反復試驗的過程中適應。該網絡可能會被輸入標有“小貓”或“小狗”的圖像。對于每個圖像，它分配一個標簽，檢查是否正確，如果不正確，則調整神經元連接。它的猜測一開始是隨機的，但隨后會變得更好；也許在識別一萬個樣本后，它能認識貓和狗。一個神經網絡可能有十億個連接，所有這些都需要調整。

　　在一臺經典的計算機上，所有這些連接都用一個巨大的數字矩陣表示，運行網絡意味著做矩陣代數。傳統上，這些矩陣操作被外包給GPU這類專用芯片。但是對于矩陣運算沒有什么能比量子計算機做得更好。麻省理工學院物理學家、量子計算先驅塞斯·勞埃德（Seth Lloyd）表示：“在量子計算機上，大型矩陣和大型矢量的操作速度呈指數級提高。”

　　勞埃德估計，60個量子位就足以對一年內人類產生的所有數據進行編碼，300個就可以傳送可觀測的宇宙的所有信息。（目前最大的量子計算機，由IBM，英特爾和谷歌建造，有50個量子比特。）

　　量子計算機在機器學習任務上的應用

　　2009年，谷歌曾領導的增強現實團隊的計算機科學家Hartmut Neven開始進行量子技術研究。他們展示了一臺早期的D-Wave機器如何處理機器學習任務。這是一個單層神經網絡，任務是將圖像分成兩類：“汽車”或“沒有汽車”，在20000個街道場景的數據庫中。這臺機器只有52個工作的量子位，對于處理一張圖像來說都太少了。（需要注意的是：D-Wave機器與2018年推出的最先進的50-qubit系統相比是完全不同的類型）。

　　去年，由加利福尼亞理工大學的粒子物理學家瑪麗亞·斯皮羅波魯（Maria Spiropulu）領導的一個小組將這個算法應用于一個實際的物理問題：將質子碰撞歸類為“希格斯玻色子”或“無希格斯玻色子”。他們使用基本粒子理論來預測哪些光子性質可能會出現Higgs轉瞬即逝的存在，比如超過某個閾值的動量。他們考慮了8個這樣的屬性和28個組合，共計36個候選信號，并且讓南加州大學的一個新型D-Wave找到最佳選擇。它確定了16個變量是有用的，三個變量是絕對最好的。量子機器比標準程序需要更少的數據來執行準確的識別。南加州大學的物理學家、Spiropulu的合作者之一Daniel Lidar說：“假設訓練集很小，那么量子方法確實比粒子物理學界使用的傳統方法具有更高的精度優勢?！?/p>

　　圖：加利福尼亞理工學院的物理學家Maria Spiropulu使用量子機器學習來發現希格斯玻色子。

　　量子智能

　　另一方面，即使是對現有技術的偶然改進，也會使科技公司感到高興。微軟量子計算研究員內森?維貝（Nathan Wiebe）說： “如果有一個足夠大，足夠快的量子計算機，我們可以徹底改變機器學習的各個領域?！痹谑褂眠@個系統的過程中，計算機科學家可能會解決機器學習理論難題。

　　Schuld也看到了軟件方面的創新空間。機器學習不僅僅是一堆計算。這是一個復雜的問題，有自己的特定結構。他說：“如果這樣的量子計算機可用，它使用什么機器學習模型？也許這是一個尚未發明的模型。”如果物理學家在機器學習問題中取得突破，他們需要做的不僅僅是將現有模型做成量子版本。

　　神經網絡和量子處理器有一個共同點：他們的工作之有效令人驚奇。幾十年來大多數人都對神經網絡持懷疑態度。同樣，量子物理學也長期被認為不可能用于計算，因為量子物理學的獨特作用對我們來說是隱藏的。從神經網絡的先例看來，它們的結合似乎也有可能。