近年来，人工智能（AI）取得了长足进步，其工具和算法可以分析数据、识别模式并做出预测，其准确性在几十年前是无法想象的。然而，问题来了：这些工具是否足够好，还是我们需要寻找更先进的技术，如量子计算？

　　现有人工智能工具的案例

　　人工智能工具在各个领域都证明了其价值，从医疗保健和金融到交通和娱乐。机器学习算法可以处理大量数据，随着时间的推移进行学习和改进。深度学习是机器学习的一个子集，它使神经网络得以开发，这些神经网络能够识别模式并高度准确地做出决策。这些工具成功地解决了复杂的问题，并且正在不断改进。

　　此外，这些人工智能工具是可访问和实用的。它们在经典计算机上运行，这些计算机广泛可用且相对实惠。今天，它们可以部署在现实世界的应用程序中，为企业和社会提供立竿见影的好处。由于人工智能模型非常好，也许不需要量子计算机的帮助。

　　量子飞跃：潜力和挑战

　　另一方面，量子计算经常被吹捧为人工智能的下一件大事。量子计算机可以同时处理大量可能性。这可能会加快人工智能算法，并更有效地处理更大的数据集，从而产生更强大的人工智能模型。

　　波士顿咨询集团最近的一项研究确定了生成、基础和水平人工智能中500亿至1000亿美元的量子机会的市场潜力，几乎影响了所有行业。据BCG称，在防止欺诈和洗钱以及汽车人工智能算法方面存在额外的数十亿美元机会。

　　然而，量子计算仍处于起步阶段。今天的量子计算机的量子比特数量有限，保持其量子状态，即相干性，是一项重大挑战。限制可以执行的计算的复杂性。

　　此外，量子计算机不仅仅是对经典计算机的升级；它们需要全新的算法。例如，经典的机器学习模型，如神经网络，通过根据输入数据调整参数（权重和偏差）进行训练，旨在最大限度地减少模型预测与实际输出之间的差异。复杂的模型有数百万或数十亿个参数，并通过一个称为梯度下降的过程进行调整——确定改变参数导致最小化差异的方向。然而，测量或估计量子计算机中的梯度非常困难。因此，试图在量子计算机上使用经典算法是失败的秘诀，需要新的算法。开发这些算法是一项复杂的任务，虽然很有希望，但仍处于早期阶段。例如，一种名为“储层计算”的新型机器学习算法似乎利用独特的量子属性在分类和预测应用中取得良好的结果。

　　量子计算和生成模型

　　量子计算机今天擅长的一个领域是产生随机性。在经典计算机中，随机数是使用算法或从一些外部随机性来源（如大气噪声）生成的，但这些数字并不是真正的随机的：如果您知道算法及其初始条件（种子），您可以预测算法将生成的所有数字。相比之下，由于量子力学的核心原理——叠加——量子计算机可以生成真正的随机数。叠加表明，量子位可以同时存在于多个状态中，当测量时，结果本质上是随机的。

　　生成建模是一种无监督的机器学习方案，可以从这种随机性中受益。量子计算机可以创建很难复制的统计相关性，使其成为此应用程序的理想选择。这种生成模型可用于许多问题，例如投资组合优化，其中生成模型试图复制算法发现的高性能投资组合，导致风险比经典算法发现的投资组合低得多。有人建议将类似的用途用于药物发现的分子生成，甚至用于工厂车间调度。

　　量子计算和人工智能的未来

　　尽管存在这些早期挑战，但量子计算对人工智能的潜力是巨大的。量子机器学习可以在更短的时间内对更大的数据集进行分类，而量子神经网络可以以经典神经网络无法处理的方式处理信息。

　　虽然现有的人工智能工具在当今许多应用中都功能强大且实用，但量子计算代表了一个新的前沿，有可能显著推进该领域。然而，通往实用量子计算的道路漫长，充满了挑战。量子计算机可能要过一段时间才能变得更强大，并准备好在人工智能中广泛使用。在此之前，重点可能是最大限度地发挥我们现有人工智能工具的能力，同时继续探索量子计算提供的令人兴奋的可能性。

　　关于作者：Yuval Boger是QuEra的首席营销官，QuEra是一家致力于量子计算商业化的公司。在他的职业生涯中，Boger曾担任量子计算软件、无线电源和虚拟现实等市场前沿科技公司的首席执行官和首席营销官。他的“Superposition Guy's Podcast”接待了量子计算、量子传感和量子通信领域的首席执行官和其他思想领袖，讨论影响量子生态系统的商业和技术方面。