在当下AI的黄金时代，人们对量子计算的兴趣开始激增，因为它有可能提供前所未有的计算能力。

为此，处于技术前沿的研究人员和公司正在努力研究如何将这两者相结合。下面让我们探讨一下为何量子AI如此强大，以及为什么实现这种潜力需要先克服重大的技术和财务障碍。

量子AI如何运作？

量子AI（QAI）整合了量子计算和AI，建立在量子力学原理的基础上，例如叠加、纠缠和并行性。与在经典计算机上运行的AI不同，AI使用熟悉的二进制计算的1和0，量子AI通过量子比特（量子计算的基本单位）来处理和存储数据。量子比特可以通过0和1的叠加在多种状态下存在。

通过将量子力学原理整合到AI中，量子AI理论上可以利用AI的“智能”与高速、无错误的量子计算相结合。

量子驱动的AI在量子神经网络（QNN）中实现。传统的神经网络模仿人类大脑的生物神经元来处理数据。但是，与这些建立在感知子（生物神经元模型）上的神经网络不同，量子神经网络使用量子比特运行。支持者表示，这种新型神经网络在大数据集上训练AI方面可能比传统神经网络更有优势。有些大公司和量子计算提供商已经在使用QNN，尽管它们存在重大差异，但QNN使用与传统神经网络相同的神经网络架构。

量子AI算法通过该架构的不同层中的量子比特运行。在输入层中，量子计算机将数据编码为量子比特，量子比特处理在所谓的隐藏层进行。在输出层，量子比特被测量并用于错误检测和控制，AI可以使用高速计算来纠正错误。在最后阶段，AI解释量子处理的结果，以提供有助于决策的见解。

AI也被用于设计量子电路，量子电路在量子AI中处理量子比特。

量子AI的好处

量子AI的目的是构建先进的机器学习（ML）模型，并改进现有的模型。它的能力有望超越经典计算机上的AI。然而，量子AI正处于早期发展阶段，这更像是一项很有前景的技术，而不是很快会发生的现实。

理论上和实际观察到的好处包括以下：

• 大规模的并行。数据中心依赖于并行处理，并行处理在处理器和加速器之间分配任务。得益于叠加，量子AI可以同时近似多个计算。这意味着，从理论上讲，量子AI可以为单个问题提取很多解决方案，并提供更快的算法训练、建模、优化和模拟。
• 最先进的计算。在传统的神经网络中，N个经典位代表N个状态。相比之下，N量子比特代表2n个状态（指数级增长），并且，量子力学原理（例如纠缠和叠加）在量子数据上运行。这与传统神经网络的方法完全不同，可能会产生新的解决问题和计算模式。
• 网络欺诈检测。根据量子力学中所谓的无克隆定理，一个任意的未知量子状态是无法复制的。这意味着，如果窃听者试图复制量子比特，其状态就会崩溃，消除任何数据操纵的机会。量子AI也可用于实现量子加密协议，以帮助保护敏感的商业信息免受基于量子的网络威胁。

• 速度提升。在神经网络中，由传统半导体驱动的经典计算通常需要几周或几个月才能处理大型数据集，例如大型语言模型（LLM）、高维数据和大数据。而QNN可以加快大规模数据处理、复杂模拟和冗长的计算，这些计算使现有神经网络陷入困境。有些组织已经部署Grover算法，这是一种量子算法，可以加快对非结构化数据的搜索。
• 高保真度。由于经典位可以轻松复制，生成式AI算法倾向于输出重复的结果，其他工具的结果是相似的，因为模型是相同的。量子驱动的生成式AI有望提供既准确又独特的结果，这可能会带来新的发现和更好的预测。
• 突破晶体管瓶颈。摩尔定律设定的预期，即计算能力每两年翻一番，这给半导体行业带来压力，他们不得不生产更小的AI芯片。但量子隧道等问题（限制小型电子设备，例如硅晶体管），表明传统计算机将很快无法以这种速度扩展。量子计算和量子AI等新技术可能是半导体行业继续保持增长趋势的最佳选择。

量子AI面临的挑战

量子纠缠（量子AI的基础）是爱因斯坦所谓的“远处的幽灵行动”。这意味着量子AI的实际部署将受到准确性问题和缺乏硬件稳定性的阻碍。换句话说，量子计算本身在软件和硬件层面都容易出错。

量子AI的其他挑战包括以下内容：

• 令人失望的结果。量子比特是脆弱的，并且容易受到量子计算机产生的噪音、退相干和热量的影响。这些问题会导致AI幻觉和错误，这就更加需要QNN输出阶段的错误检测和更正。错误量子信息输入到大型数据集会产生错误的结果，这反过来又导致大量的资源消耗。减少量子纠错的开销仍然是一个实际挑战。
• 难以处理。当有人试图测量量子比特的未知状态时，量子比特会坍缩。这种行为对安全性有利，但不利于企业AI应用程序的日常使用和可扩展性。
• 缺乏量子算法。现在的量子计算依赖于经典计算网络和协议来执行功能，并减少错误。这是因为大多数量子算法只在量子计算机中理论化，而不是在量子计算机中实现。量子AI仍在使用传统方法来执行AI操作，这意味着其高速运行的潜力也仅存在于理论。
• 并发问题和费用增加。量子运算依靠超导元素（例如约瑟夫森结）来产生和控制量子比特。因此，量子计算应用需要极低温度的低温环境以及专业硬件，而专业硬件需要专业知识和巨额资金投资。为量子技术构建可扩展硬件仍然是重大挑战，这使得小型企业很难部署量子计算机。
• 安全问题。量子计算的标准正在缓慢发展。缺乏量子AI标准化、互操作性和教育可能会导致危险的结果，AI诈骗正在增加。如果量子AI成为新常态，量子AI网络诈骗也可能增加。

面向企业的量子AI用例

由于高预算、很少用例和难以部署等原因，只有少量企业在使用量子计算。尽管如此，量子AI理论上能够解决现有技术无法解决的业务问题。

对于企业而言，量子AI的潜在应用包括以下内容：

• 生成式AI。量子AI可以缩短训练时间，并提高LLM和大型AI模型的自然语言处理能力。有些供应商已经发布生成量子AI（GenQAI）产品。由于无克隆定理，与当今的GenAI工具相比，GenQAI可以提供独特且非重复的结果。
• 医学研究。研究人员正在广泛部署AI和机器学习模型，以调查危险疾病的原因，并通过发明新药来找到治疗方法。量子驱动的AI可以通过多并行性执行更快的场景测试、特征提取和化学反应模拟，从而提高预测药物反应的能力。
• 财务建模。量子AI可以进行大规模优化，高速分析财务数据集，并改善模式识别。企业可以用它来更好地预测即将到来的趋势、贸易数据、财务预测、风险管理和财务建模。
• 天气预报。量子AI可以分析环境数据，以确定气候变化的原因，并帮助制定可操作的策略。先进的模拟可以加快可再生能源系统新材料的开发。
• 跨行业合作。量子AI可能会通过改善预测决策来帮助建筑、制造业、采矿、能源和农业等各个行业。例如，制造业可以用它来迭代优化供应链流程。这些行业与量子和IT公司之间的合作可能会帮助实现部署。
• 网络安全。量子AI预计将对黑客具有高度抵抗力，但由于其复杂、高速的处理，它擅长解决第三方安全问题。企业可以使用量子AI和量子加密协议来开发安全加密，以防止恶意黑客，其中一些黑客可以在攻击中使用破解加密的量子计算机。
• 汽车行业。汽车和卡车制造商依靠量子AI来提高现有和即将推出的自动驾驶汽车的质量。研究人员提出在IoT传感器中部署量子AI和机器学习算法，可用于场景测试、无碰撞导航、节能驾驶和交通控制优化。

量子AI：理论与现实

当AI被添加到量子计算中时，人们对量子产业的兴趣成倍增加。然而，现实的应用很少，因为量子AI仍处于开发和测试阶段。

量子计算机因比超级计算机更快地解决问题而成为新闻，但最近的发现显示，量子AI还没有准备好运行大规模的AI模型。它只能运行冗长的计算，还不能处理ML和AI算法需要处理的大量数据。因此，有些专家表示，量子AI将需要15到20年才能那样进入主流，像AI一样。

量子AI的未来

量子AI有可能解决经典计算机甚至超级计算机都无法解决的问题。在未来二十年里，量子技术，包括量子AI，预计将彻底改变医学、金融、汽车、工程、网络安全和其他行业。

但充满希望的未来并不能改变当前等现实，即量子AI尚未在现实世界中大规模部署。

当今所有的量子技术都由大型组织在本地运行。如果研究人员能够开发合适、具有成本效益的硬件并验证高效的量子AI算法，量子AI就可以牢固地建立，并成为下一个伟大、广泛使用的计算技术，能够实现前所未有的规模和处理能力，从而带来新的发现。