来源：学术头条

如果把机器学习和量子计算机放在一起，会碰撞出什么火花？这个组合有个挺酷的名字——量子机器学习（quantum machine learning）。你可以把它想象成科技界的“复仇者联盟”：一群各自领域里的超级英雄被集结起来，组成了一个梦幻团队。但话说回来，无论是漫画还是电影，光有人设还不够，关键还得看剧情怎么走。

如果量子计算机真能造出足够大的规模，借助亚原子世界的那些奇妙属性，它有望在某些问题上比普通数字电子技术高效得多。这些年，研究人员一直在琢磨：机器学习算不算这类问题？毕竟，机器学习这种AI形式，本质上就是让计算机从数据中找模式，然后学会用这些规则去推理新情况。

眼下，这两股潮流都在加速狂奔。一边是ChatGPT这样的AI系统火爆出圈——它靠机器学习对话模式，能像真人一样聊天；另一边是量子计算机的规模和能力也在飞速增长。那么问题来了：当它们真的联手，能搞出点实用的东西吗？

兴趣正不断增长

不少科技公司已经在押注量子机器学习的潜力，从Google、IBM这些老牌巨头，到加州伯克利的Rigetti、马里兰大学学院公园的IonQ等初创企业，都在积极布局。学术界当然也不甘落后。欧洲核子研究中心（CERN）早就用机器学习在大型强子对撞机产生的海量数据里寻找特定亚原子粒子的痕迹。而CERN的量子计算与机器学习研究小组负责人、物理学家索菲亚·瓦莱科萨（Sofia Vallecorsa）直言：“我们的想法就是用量子计算机来加速或改进传统机器学习模型。”

不过，一个核心问题至今没有定论：量子机器学习到底在哪些场景下能真正胜过传统机器学习？理论上看，量子计算机在某些特定任务上——比如模拟分子结构、分解大整数的质因数——能实现远远超越经典计算机的加速，甚至把原本需要亿万年才能算完的任务压缩到可接受的时间范围。但机器学习领域里，这样的证据还远远不够。还有另一种观点：即便速度不占优，量子机器学习或许能找到经典计算机压根发现不了的数据模式。南非德班的物理学家玛丽亚·舒尔德（Maria Schuld）在加拿大量子计算公司Xanadu工作，她形容研究人员对量子机器学习的态度在两个极端之间摇摆不定：一边是热情高涨，一边又越来越不甘心——因为短期内的应用前景实在太渺茫了。

于是，一些研究者开始把目光转向了那些本质上就是量子的现象。麻省理工学院（MIT）物理学家阿拉姆·哈罗（Aram Harrow）认为，在所有量子机器学习的提议应用中，这个领域才是“量子优势相当明显的地盘”。

量子算法能奏效吗？

过去二十年里，研究人员开发了大量理论上能让机器学习更高效的量子算法。2008年的一项开创性研究中，哈罗与MIT物理学家塞斯·劳埃德（Seth Lloyd）和艾维纳坦·哈西迪姆（A vinatan Hassidim）共同提出了一种量子算法，能在求解大型线性方程组上比经典计算机快得多——而线性方程组恰恰是机器学习的核心挑战之一。

但量子算法并非总能兑现承诺。2018年就出了个典型例子：计算机科学家尤因·唐（Ewin Tang）发现了一种方法，能击败2016年设计的一种量子机器学习算法。那个量子算法原本用于推荐系统——就是电商网站和Netflix根据你的购买或观影历史给你推东西的那种——而且当时声称比任何已知经典算法都快得多。结果呢？当时才18岁的本科生唐，愣是写出一个几乎同样快的算法，却能在经典计算机上跑。唐的导师、德克萨斯大学奥斯汀分校量子计算研究员斯科特·阿伦森（Scott Aaronson）评价说，量子推荐算法是少数几个确实在实际问题中提供显著速度提升的例子，唐的工作“让实际机器学习问题中的量子速度指数级提升的目标，比以前更加遥不可及”。唐自己则说，她对任何关于机器学习中量子速度大幅提升的说法，仍然“相当怀疑”。

还有一个更大的潜在问题：经典数据跟量子计算其实没那么搭。大致来说，一个典型的量子计算应用要经过三个步骤：第一步，初始化——把量子计算机的各个存储单元（也就是量子比特）置于一种集体纠缠的量子态；第二步，执行一系列操作——相当于经典比特的逻辑运算的量子版本；第三步，读出结果——比如测量某个量子比特的状态，来判断机器内部一个电子是顺时针转还是逆时针转。

就像“最细的吸管”

哈罗、哈西迪姆和劳埃德他们提出的算法，目标是加速上面这个“第二步”。但在很多应用里，第一步和第三步可能慢得离谱，把加速优势全抵消了。初始化阶段需要把“经典”数据加载到量子计算机上，转换成量子态——这个过程通常效率极低。而读出的阶段，因为量子物理本质上是概率性的，常常带随机性，所以量子计算机必须把三个步骤重复很多遍，取平均值才能得出最终答案。

华盛顿大学西雅图分校的量子计算研究员内森·维贝（Nathan Wiebe）在十月份的一个量子机器学习研讨会上打了个比方：“我们只能从最细的吸管里吸信息。”一旦量子化的数据处理成了最终的量子态，把答案取出来也可能花很长时间。舒尔德表示：“你随便问一个研究员，量子计算机擅长什么应用，答案很可能是：‘大概……不是经典数据’。”目前为止，没有真正理由相信经典数据需要量子效应。不过瓦莱科萨和其他人指出，评估量子算法不能只看速度。有迹象表明，量子人工智能系统或许能识别出经典算法会遗漏的数据模式。德国采伊滕DESY粒子物理实验室的物理学家卡尔·詹森（Karl Jansen）解释说，这可能是因为量子纠缠在量子比特之间建立了相关性，从而也在数据点之间建立相关性，“我们希望能检测到经典算法很难发现的相关性。”

但阿伦森持不同意见。他认为，量子计算机遵循已知的物理定律，所以它们的运作和量子算法的结果，完全可以用一台普通计算机在足够时间内预测出来。“因此唯一值得关心的问题是，量子计算机是否比完美的经典模拟更快，”阿伦森说。

根本性量子变革

还有一种思路：干脆绕开转换经典数据这个障碍，直接在本就是量子的数据上用量子机器学习算法。

在整个量子物理学史上，测量量子现象一直是用一台生活在宏观经典世界里的仪器去读取数值。但现在出现了一个新想法——利用一种叫“量子传感”的新兴技术，通过纯粹的量子仪器来测量系统的量子属性。把这些量子态直接加载到量子计算机的量子比特上，然后用量子机器学习来识别模式，可以完全避开经典系统。MIT物理学家、Google研究员黄新元（Hsin-Yuan Huang）表示，在机器学习方面，这可能比把量子测量结果收集成经典数据点的系统更有优势，“我们的世界本质上是量子力学的。如果你有一台可以学习的量子机器，它可能会更强大。”

黄和他的合作者在Google的一台Sycamore量子计算机上做了一个原理验证实验。他们把一部分量子比特用来模拟一种抽象材料的行为，然后用处理器的另一部分来接收这些量子位的信息，并通过量子机器学习进行分析。结果发现，这种技术比经典的测量和数据分析快得多。

它是一种超导体吗？

黄表示，完全在量子世界里进行数据收集和分析，能让物理学家解决那些只能通过经典测量方法间接回答的问题。比如，某一种材料是否处于特殊的量子态，从而成为超导体（能以几乎为零的电阻导电）？经典实验要求物理学家间接证明超导性——比如测试材料对磁场的反应。

粒子物理学家也在研究用量子传感技术处理未来粒子对撞机产生的数据，比如DESY的LUXE实验（让电子和光子对撞）。詹森说，尽管这个想法至少还要等十年才能实现。相距遥远的天文观测站也可能用量子传感器收集数据，再通过未来的“量子互联网”传输到中央实验室，由量子计算机处理。人们希望，这样能拍出前所未有清晰度的图像。如果这类量子传感应用被证明成功，那么量子机器学习就能在这些实验的测量结果和分析得出的量子数据中发挥作用。

最终，量子计算机到底能不能给机器学习带来优势，恐怕不是靠数学证明，而是靠实验说了算。“我们不能期待所有东西都像理论计算机科学那样被证明，”哈罗说。阿伦森也表示：“我当然认为量子机器学习仍然值得研究。”舒尔德说得更直白：“我们需要在不受证明速度提升的限制下进行研究，至少目前是这样。”