人类正在人工智能 (AI) 和量子计算 (QC) 方面取得进步。这两种技术一直是科幻小说和媒体猜测的来源。电影制作人利用围绕这些想法的不确定性和新颖性，将它们转变成迷人的未来世界。

　　通过这种方式，电影制作人多年来一直警告人类与这些进步相关的危险。Matrix、Ex Machina 和 iRobot 是众多电影中的三部，它们对我们实现 AI 奇点会发生什么发出了强烈的警告。我们是否应该害怕人工智能一直是道德和科学争论的根源，而这些电影导演所播下的疑问肯定对技术前沿没有公平。

　　因此，公众是否支持这项研究——或者是否应该限制发展——自然悬在主流科学家的头上。

　　尽管如此，QC 和 AI 都有可能帮助应对现代社会面临的重大挑战，包括更好地了解神经科学和经济。此外，研究人员正在探索将这两个领域结合起来形成一种混合物的可能性，该混合物能够更有效地作为帮助我们了解宇宙的工具。

　　虽然人工智能革命始于 1940 年代和 50 年代，而量子计算直到 1980 年代才由 Richard Feynman 提出，但威奇托州立大学教授 Elizabeth Behrman 直到 1990 年代才正式考虑它们的组合。今天，根据威奇托州立大学的消息，她在量子计算方面的专业知识，加上同事詹姆斯·斯特克博士在人工智能方面的研究，已经在朝着完全融合这些领域的方向迈出了一大步(包括2008 年的这篇论文)。

　　人工智能是如何工作的?

　　让我们简要介绍一下定义人工智能的齿轮和齿轮。当由(永远有用的)互联网定义时，人工智能通常被称为模仿人类智能，迎合了艾伦图灵提出的著名问题：“机器能够思考吗?”

　　已经以多种方式解决了这样的问题，其多样性源于各种现有的意识模型。一方面，评估人工智能系统的能力范围。狭义的 AI 专注于一组特定的功能(取决于要完成的任务含义)，而通用人工智能 (AGI) 更接近于一般人类思维的能力。

　　为了反映人类思维的动态特性，许多人工智能系统都包含了机器学习，这是人工智能封装的一个子主题。机器被输入数据并利用某些统计技术来学习如何更好地为每个后续数据集生成输出。

　　机器学习也可以分为三个主要子类别：无监督学习、强化学习和监督学习。

　　对于无监督学习，输入的数据没有标记，让机器自行确定数据中的任何模式。另一方面，强化学习更适合在各种环境中做出一系列决策。它的适应能力更多地集中在不熟悉情况的可能性上。

　　监督学习在创建人工智能系统时特别有用。数据被分类以创建机器的各种“训练制度”。在某些情况下，这可能仅仅是适合猫(“喵喵叫、扁平脸、毛球”)或狗(“吠叫、鼻子”)的描述之间的区别。

　　监督学习算法接受一些输入(某种类型的数据)并将输入映射到输出。例如，考虑一种旨在分析图像并输出对象名称的算法。图像被分解成一系列像素。然后检测它们的对应值(“颜色”)，识别图像中的主要成分(边缘和特征)并将其放入图像其余部分的上下文中。

　　从那里，该算法将这些不同的组件结合起来，并最终命名图像中的对象。这有几层识别和处理——称为深度学习。随着时间的推移，机器会尝试加强输入、特征和输出之间的联系，以更好地实现其预期目标。

　　人工智能遇上量子计算

　　量子计算结合了叠加、量子隧穿和纠缠的特性，以允许另一种处理方法。这有可能在计算速度上超越经典计算机(在某些情况下)，使其成为技术前沿的一个非凡领域。

　　自然地，AI 和 QC 的结合产生了终极超级英雄。例如，量子计算机能够很好地表示神经网络，或许更接近于揭示人类大脑如何工作的内部运作方式。

　　除了大脑中的神经生理活动之外，还存在哲学方法。心理学中的这对学科说明了许多相互作用的层次，以决定个人的行为、自我意识和认知。

　　根据埃里克·埃里克森的发展阶段——描述认知优先级——人类发展是动态的。反过来，这使得智力和个性的问题变得更加复杂。

　　虽然实现一台能够通过图灵测试并模拟人类的完美机器(或者，甚至只是一个与人类助理一样灵敏的数字助理)是极其复杂的，但 QML 和基于量子的 AI 的进入使得这样的事情更有可能。例如，模式识别可用于对大脑内的特定中心进行分组，并将它们分配给相应的认知任务。

　　此外，功能性量子计算机的强大功能可以让经典机器学习算法在预期时间的一小部分内更有效地实施。考虑到机器学习过程的复杂性，考虑到额外的数据层和维度，这一点变得更加重要。

　　在旨在做出决策的算法中，可能的解决方案通常使用决策树进行映射。随着问题复杂性的增加，执行一系列随机游走(就像经典计算机可能的那样)变得非常低效。相比之下，量子算法能够更快地表示决策树中的各种决策分支。

　　人工智能和量子计算的未来

　　在考虑人工智能和量子计算的发展方向时，我们应该认识到应该达到的几个里程碑。

　　随着量子计算的普遍发展，研究人员希望开发出不易出错的系统(例如，由于环境对敏感系统的影响，或退相干)。当然，值得承认的是，量子霸权，尤其是在人工智能算法领域，仍然是一个悬而未决的问题。

　　如今，研究人员正在寻求将量子机器学习应用于各种规模的问题，从纳米粒子的行为建模到利用先进的模式识别和分析探索空间。它甚至可以在未来药物的开发中发挥作用，其中一些涉及例如蛋白质的操作。考虑一个程序如何预测例如氨基酸序列的折叠。

　　仅对 100 个氨基酸序列的建模估计需要 10127 年才能找到最终形式(根据 Subhash Kak 在他的论文Active Agents, Intelligence, and Quantum Computing中)——一个 NP 完全问题的例子(几乎不可能解决在适用的时间内)——但 QML 可以解决这个问题。

　　简而言之，AI 和 QC 的结合——以及机器学习和 QC 的子集组合——为更接近于宇宙复杂性的数据建模和处理打开了大门。人工智能世界的接管与否，这肯定会超越与 Siri 或 Alexa 的简单对话，超越技术前沿。同时，如果这项技术朝着正确的方向发展，量子机器学习将具有巨大的潜力。

　　责任编辑：张华