量子計算未必會改變人工智慧：量子的水很渾，需要先沉澱

量子計算與人工智慧的結合,可能造就更強大的AI是一個美好的願景。但目前不應過分的炒作與追捧：量子的水很渾，需要先沉澱。

無論是弱人工智慧還是強人工智慧，採用量子計算都不是什麼好的方案。因為量子疊加的計算方式在人工智慧的解決方案中用處不大。例如強智能領域中神經網絡類所需要的超大規模並行計算環境，如果選用量子計算的話，昂貴的量子計算節點數和低效的數據傳輸都是硬傷。智能較弱領域倒是問題不大，可能比較適合搜尋引擎類的應用，其他方面很難說，什麼時候量子計算機能完美運行通用指令集的時候，可能會好些，現在僅憑藉幾個超高效的運算指令是很難有大作為的。

量子計算機仍處於開發的早期階段，但是它們代表了一種全新的信息處理方式。在傳統計算機中，數據被編碼為一和零的二進位狀態。一臺量子計算機使用量子位，其中多個狀態可以相互疊加。將來，大規模量子計算機將能夠比任何經典計算方法更快地解決一些問題。他們還將能夠解決傳統計算機甚至無法嘗試解決的實際問題，例如解密複雜的密碼系統，或模擬粒子加速器中原子和粒子的行為。那麼，量子計算機會改變機器學習嗎？

量子計算肯定會對機器學習產生一定的影響，但我們尚不知道它的大小。如果有人告訴您量子計算會極大的改變機器學習，那麼該人要麼不知道他們在說什麼，要麼是在刻意誤導您。

更詳細地講，已知的量子算法幾乎可以肯定會比我們傳統算法做得更好，可以做到指數級的加速，但是需要注意的是，這些加速是針對諸如素數分解和量子模擬之類的任務的，與機器學習沒有明顯的關係。

然後是在過去的十年中，經過Harrow，Hassidim和Lloyd的突破，開發出了「量子機器學習算法」，它們確實解決了諸如聚類，分類，支持向量機等問題。但是這些算法通常需要一堆工作條件：例如，數據條件良好；可以以量子疊加的方式（例如，使用「量子RAM」）對其進行訪問，或者即時進行計算；並且人們真正關心的數據的性質實際上可以通過測量所得的量子態來估計。我們還不知道這些條件將如何在實際應用中體現-同樣重要的是，我們沒有強有力的證據證明不可能有性能與量子算法類似的經典隨機採樣算法。

假設可能的量子計算機算法對於解決識別問題以及可能解決的問題（可能變成旅行商問題）似乎很有用，量子計算機對解決這些問題的作用要比目前的計算機好，這是推測性的，因為我們尚未構建出能夠真正解決一系列此類問題的量子計算機。

即使您可以構建這樣的量子計算機，並且可以對它進行編程以比目前的算法更好地進行識別，但它仍會缺少關鍵元素，從而無法將識別結果轉化為更好的語音或視覺識別器。

無論如何，這是一個快速發展的研究領域！請在5到10年後再檢查一次；我們可能會了解更多。:-)

量子計算與人工智慧的結合,可能造就更強大的AI是一個美好的願景。但目前不應過分的炒作與追捧：量子的水很渾，需要先沉澱。