量子AI 揭秘：解锁未来智能的颠覆性力量

量子AI 是 量子计算 与 人工智能 的结合，为机器学习、优化和数据分析等复杂问题提供了新方法。

AI 进入新阶段

人工智能（AI）已迈入全新阶段，不再局限于构建更大模型或获取更多数据。如今的竞争聚焦于速度、效率和创新。企业正寻求兼具技术和经济优势的新工具，而量子计算正逐渐成为备受关注的选项之一。

量子 AI是量子计算与人工智能的结合，为机器学习、优化和数据分析等复杂问题提供了新方法。尽管仍处于发展阶段，其潜力已吸引广泛关注。SAS2024年全球调研显示，超60%的企业领导者已开始探索或投资量子 AI，但多数人坦言对其技术本质及应用场景尚不完全了解。

为何 AI 团队关注量子AI计算

训练大型AI 模型耗时、耗能且成本高昂，哪怕微小的效率提升也能带来显著节省。量子计算为某些问题的解决提供了比传统机器更高效率或精度的途径。

例如，量子计算机利用叠加态（superposition）特性，可同时执行多项计算，非常适合搜索大范围空间或优化复杂系统。这与机器学习中的许多任务高度契合，如特征选择、模型调优和数据采样。

尽管当前量子硬件仍在发展，研究人员已开始探索将其与传统工具结合的混合系统，使AI 团队能立即测试量子方法，而无需等待完全成熟的量子硬件。

量子AI 的本质与误区

量子 AI并非要用量子版本替换现有AI 系统，也不是在量子硬件上完整运行深度学习模型。

相反，它聚焦于利用量子算法优化AI 流程的特定环节，如加速优化、改进特征选择或增强概率分布采样。在这些场景中，量子计算机不是取代现有工具，而是作为补充。

当前工作仍属实验阶段，多数案例依赖量子-经典混合方法，量子与传统部分协作运行。但在特定用例中，这些系统已展现出成果。

当前开发中的应用

尽管量子 AI领域尚新，已在多个行业展开测试。以下基于真实工具和已发表研究的案例，反映了量子方法擅长的领域。

模型压缩与特征映射

AI 模型日益庞大，训练成本高企。量子技术可帮助缩小模型规模和复杂性。量子特征映射（quantum feature mapping）通过量子电路转换输入数据，帮助分离传统技术难以分类的数据点。

早在2021年，《Nature Physics》发表论文探讨了量子核方法如何改进支持向量机（一种机器学习模型），在高维或稀疏数据集上表现优异，弥补了传统模型的短板。

金融领域的投资组合优化

银行和资产管理公司常利用AI管理投资组合和评估风险，涉及大量变量和约束。量子近似优化算法（QAOA）正被测试以更高效解决此类问题。

花旗创新实验室与AWS近期研究了利用QAOA 算法进行投资组合优化，展示了量子计算解决现实问题的潜力，凸显了行业对其投资的增长。

药物发现与分子建模

药物开发依赖于预测分子间相互作用，传统AI 模拟存在局限。量子计算在量子层面建模化学系统更具优势。

IBM、克利夫兰诊所和密歇根州立大学的最新研究展示了利用当前量子计算机模拟复杂分子的新方法，为量子中心科学计算提供了可行路径。

供应链优化

供应链因规模和复杂性难以管理。AI可提供帮助，但路线规划和库存控制等任务优化难度大。量子方法正被探索以改进这些任务。

富士通与日本邮政合作，优化东京的最后一公里配送。传统算法难以应对交通拥堵和包裹量波动等动态变量，量子 AI则为物流核心环节的转型提供了可能。

挑战与局限

量子硬件仍面临挑战。尽管技术进步迅速，当前设备对噪声敏感、难以扩展且长时计算不可靠。多数应用需在这些限制下运行，使用更短、更简单的量子电路。

量子软件开发同样困难，需要物理学、数学和计算机科学的综合知识，具备此类技能的团队稀缺。

为降低门槛，新型工具正在开发，包括高级编程框架和自动化电路设计系统，使AI 开发者无需编写底层量子代码即可测试量子方法。

AI 团队现可采取的行动

量子 AI尚未准备好全面部署，但前瞻性团队可开始积累知识和系统，为未来做好准备。以下是三个建议：

1. 组建跨职能团队：联合AI 专家与优化和量子计算研究人员，探索新思路并储备未来能力。
2. 尝试混合工作流：聚焦量子组件可支持传统模型的特定问题，如特征选择、采样或约束优化。
3. 采用简化复杂性的工具：使用隐藏底层量子细节的平台和框架，专注应用而非硬件。

量子 AI仍在发展，不是传统AI的捷径或替代品。然而，在当前模型短板或瓶颈领域，它展现了真实潜力。未来发展路径不是突然颠覆，而是稳步整合。

随着量子硬件改进和软件普及，早期采用者将更具优势。对于已在传统系统极限下工作的团队，量子 AI或将是下一个价值突破点。