「量子计算，寒冬将至了？」
本周五，AI 先驱 Yann LeCun 的一番言论引发了人们的讨论。
这位 AI 领域的著名学者表示，量子计算正在进入一个艰难时刻。与此同时，很多科技领域专家认为，目前的量子计算技术进步很多趋向于炒作，距离实际应用仍然很遥远。
对此，很多人同样持有悲观态度。
让我们看看 IEEE 的这篇文章是怎么说的：
量子计算机革命可能比许多人想象的更遥远、更有限。
一直以来，量子计算机都被期许为一种能够解决广泛问题的强大工具，可应用的方向包括金融建模、优化物流和加速机器学习。量子计算公司往往会提出一些雄心勃勃的规划，称机器可能会在短短几年内对现实世界产生巨大影响。但如今，对该技术不切实际的期望遭到越来越多的抵制。
LeCun—— 量子比特，没那么神奇
图灵奖得主、Meta 人工智能研究负责人 Yann LeCun 最近给量子计算机的前景泼了一盆冷水。
在庆祝 Meta 基础人工智能研究团队成立 10 周年的媒体活动上，LeCun 表示量子计算这项技术是「一个令人着迷的科学话题」，但他不太相信「会真正制造出真正有用的量子计算机」。
虽然 LeCun 并不是量子计算领域的专家，但该领域的领军人物也发出了类似的警告。亚马逊网络服务量子硬件负责人 Oskar Painter 表示，目前该行业存在「大量炒作」，「很难从完全不切实际的情况中筛选出乐观的观点」。
有观点认为将信息传播到许多物理量子比特上，可以创建更强大的「逻辑量子比特」，但这可能需要每个逻辑量子比特多达 1000 个物理量子比特。一些人甚至认为量子纠错根本上就是不可能的。
总之，Oskar Painter 表示：以所需的规模和速度实现这些计划仍然是遥远的目标。他还指出：「考虑到实现能够在数千个量子比特上运行数十亿个门的容错量子计算机所面临的技术挑战，很难给出一个时间线，但我估计至少需要十年。」
微软 —— 量子计算，非常消耗算力
不仅仅是时间的问题。今年 5 月，微软量子计算领导者 Matthias Troyer 在《Communications of the ACM》上合著发表了一篇论文，表明量子计算机可以提供的有意义应用数量比人们想象的要有限。
「我们发现过去十年来人们提出的许多想法都行不通，并且我们发现原因非常简单」，Matthias Troyer 说道。
量子计算机主要的前景是能够比传统计算机更快地解决问题，但有关具体能快多少，人们的思考却各不相同。Troyer 表示，在两种应用中，量子算法似乎可以提供指数级的加速。一是对大数进行因式分解，这使得解除互联网所依赖的公钥加密成为可能。另一个是模拟量子系统，它可以在化学和材料科学中获得应用。
量子算法已经被提出来解决一系列其他问题，包括优化、药物设计和流体动力学。但研究中声称的计算加速并不总是成功 —— 有时相当于二次增益，这意味着量子算法解决问题所需的时间是其经典算法所用时间的平方根。Troyer 表示，这些增益很快就会因为量子计算所需的大量计算消耗所抵消。操作量子比特比开关晶体管要复杂得多，因此速度要慢几个数量级。
这意味着，对于较小的问题，经典计算机总是会更快，而量子计算机获得领先的点取决于经典算法的复杂性扩展的速度。
Troyer 和他的同事将单块英伟达 A100 GPU 与虚构的未来容错量子计算机进行了比较，该计算机具有一万个「逻辑量子比特」，并且 gate 时间比当今的设备快得多。
研究人员发现，具有二次加速的量子算法必须运行几个世纪，甚至几千年，才能在大到有用的问题上超越经典算法。
另一个重大障碍是数据带宽。量子比特缓慢的运行速度从根本上限制了量子计算机输入和输出经典数据的速度。Troyer 表示，即使在乐观的未来场景中，这也可能比传统计算机慢数千或数百万倍。这意味着在可预见的未来，像机器学习或搜索数据库这样的数据密集型应用程序几乎肯定是遥不可及的。
Troyer 表示，当前的结论是量子计算机只能以指数级速度真正解决小数据问题。「其余的都是美丽的理论，但并不实用，」他补充道。
Troyer 表示，这篇论文并没有对量子计算研究社区产生太大影响，但许多微软客户很高兴能够了解量子计算的实际应用。他说，他们已经看到许多公司缩小甚至关闭了量子计算团队，包括金融和生命科学领域的公司。
应用范围可能有限
本月早些时候，来自量子计算初创公司 QuEra 和哈佛大学的研究人员证明他们可以使用 280 个量子比特处理器生成 48 个逻辑量子比特，远远超过之前的实验所能达到的水平。
QuEra CMO Yuval Boger 强调该实验是实验室演示，但该结果已促使一些人重新评估容错量子计算的时间尺度。
但与此同时，他也注意到一些公司悄悄地将资源从量子计算转移出去的趋势。他认为这在一定程度上是由于大型语言模型出现以来人们对人工智能的兴趣日益浓厚所致。
即使在量子计算机看起来最有前途的领域，其应用范围也可能比最初希望的要窄。例如，近年来的研究论文表明，量子化学中只有有限数量的问题可能受益于量子加速。
德国制药巨头默克集团数字创新全球主管 Philipp Harbach 表示，同样重要的是要记住，许多公司已经拥有在经典硬件上运行的成熟且高效的量子化学工作流程。
他表示：「在公众看来，量子计算机似乎能够实现目前无法实现的目标，这是不准确的。首先，它将加速现有任务的速度，而不是引入完全颠覆性的新应用领域。所以我们正在评估这里的差异。」
Harbach 的团队大约六年来一直在研究量子计算与制药等工作的相关性。虽然 NISQ 设备可能用于解决某些高度专业化的问题，但他们得出的结论是，在实现容错之前，量子计算不会对工业产生重大影响。Harbach 表示，即便如此，这种影响的变革性实际上取决于公司正在开发的具体用例和产品。
量子计算机擅长为经典计算机难以解决的大规模问题提供准确的解决方案。这对于某些应用非常有用，例如设计新催化剂。但在默克的实践中，人们感兴趣的大多数化学问题都涉及快速筛选大量候选分子。
「量子化学中的大多数问题都不会呈指数级扩展，近似值就足够了，」Harbach 表示。「它们是易于解决的问题，你只需要通过增加系统规模来使它们更快。」
尽管如此，微软的 Troyer 表示，我们仍然有理由对量子计算感到乐观 —— 即使量子计算机只能解决化学和材料科学等领域的有限问题，其影响仍然可能改变游戏规则。「我们谈论的是石器时代、青铜时代、铁器时代和硅时代之间的代际区别，所以材料对人类有着巨大的影响，」他说道。
Troyer 认为，提出一些怀疑的目的不是为了减少人们对该领域的兴趣，而是为了确保研究人员专注于量子计算最有前途、最有可能产生影响的应用。
或许在 Yann LeCun 的推特下，有人的一条回应可以支持这样的说法。
谷歌市场负责人 Guillaume Roques 表示：如今大语言模型的基础 —— 神经网络的首次实现是由 Marvin Minsky 和 Dean Edmond（当时是哈佛大学的学生）于 1950 年提出的。
在 1957 年，Frank Rosenblatt 创建了感知器，这是一种以软件形式实现的单层神经网络，返回二进制结果（0 或 1）作为输出。不幸的是，多层网络直到几十年后才会出现，因为人工智能在研究方面经历了一个漫长的「冬天」，因为感知器受到了 Minsky 的批评，而且 James Lighthill 关于人工智能的非常悲观的报告把有关人工智能的很多研究多「埋葬」了几年。
因此，希望量子计算不会迎来冬天，这样我们就能看到它对我们一生的影响……
