量子计算和人工智能都是变革性技术，人工智能很可能需要量子计算才能取得重大进展。人工智能虽然用经典计算机产生功能性应用，但受限于经典计算机的计算能力。量子计算可以为人工智能提供计算提升，使其能够解决更复杂的问题和AGI（通用人工智能）。
什么是量子人工智能？
量子人工智能是使用量子计算来计算机器学习算法。得益于量子计算的计算优势，量子人工智能可以帮助实现经典计算机无法实现的结果。
什么是量子计算？
量子力学是一种基于不同于日常生活中观察到的原理的通用模型。用量子计算来处理数据，需要建立数据的量子模型。混合量子经典模型对于量子计算的纠错和量子计算机的正确运行也是必要的。
- 量子数据：量子数据可以被视为包含在用于计算机化的量子比特中的数据包。然而，观察和存储量子数据具有挑战性，因为叠加 和纠缠等特性使其有价值。此外，量子数据是嘈杂的，需要在正确分析和解释这些数据的阶段应用机器学习。
- 混合量子经典模型：仅在使用量子处理器生成量子数据时，极有可能获得无意义的数据。因此，在传统计算机中常用的CPU和GPU等快速数据处理机制的驱动下，出现了一种混合模型。
- 量子算法：算法是导致问题解决的一系列步骤。为了在设备上执行这些步骤，必须使用设备设计的特定指令集。与经典计算相比，量子计算引入了不同的指令集，这些指令集基于完全不同的执行理念。量子算法的目的是利用叠加和纠缠等量子效应来更快地获得解决方案。
它为什么如此重要？
尽管人工智能在过去十年中取得了长足的进步，但尚未克服技术限制。借助量子计算的独特特性，可以消除实现 AGI（通用人工智能）的障碍。量子计算可用于机器学习模型的快速训练和创建优化算法。量子计算提供的优化和稳定的人工智能可以在短时间内完成多年的分析，并引领技术进步。神经形态认知模型、自适应机器学习或不确定性推理是当今人工智能面临的一些基本挑战。量子人工智能是下一代人工智能最有可能的解决方案之一。
量子人工智能是如何工作的？
最近，谷歌与滑铁卢大学、 X和 大众汽车公司合作推出了TensorFlow Quantum（TFQ）：一个用于量子机器学习的开源库 。TFQ 的目的是提供必要的工具来控制和模拟自然或人工量子系统。TFQ 是一套结合了量子建模和机器学习技术的工具的一个例子。
资料来源：谷歌
- 将量子数据转换为量子数据集：量子数据可以表示为一个多维数字数组，称为量子张量。TensorFlow 处理这些张量以表示创建数据集以供进一步使用。
- 选择量子神经网络模型：基于对量子数据结构的了解，选择量子神经网络模型。目的是执行量子处理，以提取隐藏在纠缠状态中的信息。
- 样本或平均值：量子态的测量以样本形式从经典分布中提取经典信息。这些值是从量子态本身获得的。TFQ 提供了对涉及步骤 (1) 和 (2) 的多次运行进行平均的方法。
- 评估经典神经网络模型——由于现在将量子数据转换为经典数据，因此使用深度学习技术来学习数据之间的相关性。
评估成本函数、梯度和更新参数的其他步骤是深度学习的经典步骤。这些步骤可确保为无监督任务创建有效模型。
在人工智能中应用量子计算的可能性有哪些？
研究人员对量子人工智能的近期现实目标是创建性能优于经典算法的量子算法并将其付诸实践。
- 用于学习的量子算法：开发用于经典学习模型的量子泛化的量子算法。它可以在深度学习训练过程中提供可能的加速或其他改进。量子计算对经典机器学习的贡献可以通过快速呈现人工神经网络权重的最优解集来实现。
- 决策问题的量子算法：经典决策问题是根据决策树制定的。达到解决方案集的一种方法是从某些点创建分支。但是，当每个问题都过于复杂而无法通过不断地一分为二来解决时，这种方法的效率就会降低。基于哈密顿时间演化的量子算法可以比随机游走更快地解决由多个决策树表示的问题。
- 量子搜索：大多数搜索算法都是为经典计算而设计的。经典计算在搜索问题上的表现优于人类。另一方面，Lov Grover 提供了他的 Grover 算法，并表示量子计算机可以比经典计算机更快地解决这个问题。由量子计算驱动的人工智能有望用于加密等近期应用。
- 量子博弈论：经典博弈论是一种在人工智能应用中广泛使用的建模过程。该理论向量子场的延伸就是量子博弈论。它可以成为克服量子通信和量子人工智能实施中的关键问题的有前途的工具。
量子人工智能的关键里程碑是什么？
尽管量子 AI 是一项不成熟的技术，但量子计算方面的改进增加了量子 AI 的潜力。然而，量子人工智能产业需要关键的里程碑才能成为更成熟的技术。这些里程碑可以概括为：
- 不易出错且功能更强大的量子计算系统
- 广泛采用的开源建模和训练框架
- 庞大而熟练的开发者生态系统
- 令人信服的人工智能应用程序，其量子计算优于经典计算
这些关键步骤将使量子人工智能能够进一步发展。（by Cem Dilmegani）
