近年来，量计人工智能 (AI) 取得了长足的算和进步，其工具和算法不但可以分析数据、人工识别模式并做出预测 ，飞跃而且其分析的还遥准确性也得到了大幅的提升 。然而 ，梦想问题出现了：人工智能技术虽然足够好 ，量计但是算和对于算力提出了更高的要求。因此，人工我们需要寻求更加先进的飞跃技术 ，例如量子计算，模板下载还遥以此来提高算力。梦想

一、量计人工智能正在创造价值

人工智能已经在医疗保健、算和金融、人工交通和娱乐等各个领域证明了它们存在的价值 。机器学习算法可以处理大量数据，并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 ，它使得神经网络能够识别模式并高精度地做出决策。不难发现 ，人工智能已经成功地解决了很多复杂的问题 ，云计算并且正在不断演进。

此外，随着技术的发展，人工智能已经易于各个行业和领域使用且。它们能够在传统计算机上运行 。由于这些计算机得到了广泛使用，并且价格相对便宜，因此可以非常方便的让用户部署各种应用程序  ，为企业和社会带来直接利益。既然人工智能如此优秀 ，也许就不需要量子计算机的帮助了
。

二
、量子飞跃 ：潜力与挑战

量子计算经常被吹捧为人工智能的香港云服务器下一个重大事件 。量子计算机可以同时处理大量的数据和应用，能够加速人工智能算法并更有效地处理更大的数据集，从而产生更加强大的人工智能模型 。

波士顿咨询集团最近的一项研究发现
，生成式人工智能 、基础人工智能和横向人工智能领域的量子市场潜力为 50B 至 100B 美元，几乎影响所有行业 。据 BCG 称 ，人工智能将能够防止欺诈和洗钱，并且推动智能汽车的高防服务器发展，还将存在数十亿美元的机会。

然而
，目前的量子计算仍处于起步阶段。当今
，量子计算机的量子位数量有限，维持其量子状态（称为相干性）是一项重大挑战 ，这也限制了可以执行计算的复杂性。

此外 ，由于量子计算机并不是传统计算机的服务器租用升级，因此它们需要全新的算法 。例如 ，传统的机器学习模型（例如神经网络）是通过根据输入数据调整参数（权重和偏差）来进行训练的 ，旨在最小化模型预测与实际输出之间的差异。复杂的模型具有数百万或数十亿个参数，并通过梯度下降的过程进行调整，以此来确定改变参数导致最小化的差异。源码库

然而 ，测量或估算量子计算机中的梯度异常困难，尝试在量子计算机上使用传统算法注定会失败 。因此 ，采用量子计算机就需要全新的算法 。虽然量子计算的前景广阔，但由于开发这些算法是一项复杂工作，因此目前仍处于早期阶段。据悉 ，一种称为“储层计算”的新型机器学习算法，正在利用独特的量子特性
，在分类和预测应用中取得良好结果 。

三、量子计算和生成模型

目前，量子计算机所擅长的领域之一是生成随机数。

在传统计算机中 ，随机数是使用算法或从某些外部随机源（如大气噪声）生成的，这些数字并不是真正随机的：如果我们知道算法及其初始条件 ，就可以预测所有算法将生成的数字。相比之下 ，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，一个量子比特可以同时存在于多种状态 ，并且在测量时，结果本质上是随机的
。

生成建模是一种无监督机器学习方案，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，使其成为该应用的理想选择。这种生成模型可用于解决许多问题，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
，从而杜绝投资组合的风险，因此相比传统算法发现的风险低得多。实际上，类似的用途已被建议用于药物发现的分子生成，甚至工厂车间的调度。

四、量子计算和人工智能的未来

尽管存在很多挑战，量子计算在人工智能领域的潜力仍然巨大。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传统神经网络无法做到的方式处理信息。

虽然现有的人工智能对于当今的许多应用来说功能强大且实用，但量子计算代表了一个新领域，有可能推进该领域的发展 。然而 ，由于量子计算仍然处于早期阶段，因此使用用量子计算的道路是漫长且充满挑战的。量子计算机可能还需要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 。在那之前 ，企业的重点是最大限度地发挥现有人工智能的优势，同时继续探索量子计算提供的令人兴奋的可能性。

原文标题：Quantum Computing and AI: A Leap Forward or a Distant Dream?

原文作者 ：Yuval Boger