学者之声丨清华大学邓东灵：量子人工智能将带来颠覆性的应用
清华大学交叉信息研究院助理教授邓东灵认为，量子人工智能就是用量子算法解决人工智能问题，或用人工智能来处理量子物理问题，量子人工智能将带来颠覆性的应用。
量子计算机正在迅猛发展
今年6月，美国通过“国家量子行动计划”法案，拟投入13亿美元、通过10年时间，加速美国的量子科学发展。除美国外，当前欧盟、澳大利亚、俄罗斯等在量子信息领域都做了大量前期部署工作。最近两年，申请欧盟研究委员会(ERC，European Research Council)的量子项目急剧增多，这主要得益于量子计算机的迅猛发展。我国在这方面的部署也已卓有成效，涌现出一批优秀的科研成果。
有了量子计算机以后，用量子计算机做人工智能会是什么情况？这是一片亟待开垦的领域。
我们先了解一下什么是量子计算以及它为什么可以加速。我国《淮南子·说林训》中有一则寓言：“杨子见逵路而哭之，为其可以南可以北。”大意是说，杨子听闻邻居的羊在道路分叉的地方走丢了，羊可能往南走也可以往北走，他不知道到底要往那边去寻找，难过得哭了。在量子世界里，情况就不一样了：杨子可以把所有的路径叠加(superposition)起来，同时寻找。得益于量子叠加原理，量子计算自然而然地有着并行计算的特点。
在经典的计算机里，存储信息都是一个个0和1的数字串，N个比特存储的信息只是一个数据。虽然有2的N次方种可能性，但只能存储其中一个数据，这是经典计算机的局限性。可是量子计算就不一样了，量子可以叠加。大家可能都听过薛定谔的猫，在这个假想的实验中，在一个盒子里放一只猫及少量的放射性物质。之后，放射性物质有50%的概率会衰变并释放毒气杀死这只猫，也有50%的概率不衰变而猫将活下来。在经典物理中，盒子里必将发生这两个结果之一，猫非死即活。而在量子世界里，如果不打开盒子，里面的猫将处于既可以活也可以死的叠加状态。
依赖量子的叠加原理做一个量子计算机的话，它同样需要0和1来编码信息，但量子计算机编码的时候0和1可以处在叠加态。叠加起来的话，N个量子比特可以把2的N次方的数据完全存下来，也就是量子计算机能够以指数的形式存储数据。而所谓的计算也就是信息的处理过程。在经典计算机中，如果用N个比特编码一个数据，那么每一次操作只对这一个数据进行了处理。而在量子计算中，N个量子比特可以编码2的N次方个数据，这样一次操作就对2的N次方个数据同时进行了操作，也即量子计算机可以并行地做指数多个操作，从而实现非常惊人的加速。
量子人工智能的研究现状
如果用量子计算机研究人工智能，我们未必需要一个完全发展好的通用量子计算机，有时可能只需要一个具有特定功能的量子模拟器就行了。如人工智能里面一些优化问题可以用量子退火机(quantum annealer)来解决。
目前学术界还没有对量子人工智能有明确定义。在我看来，这可以从数据和算法到底是量子的还是经典的来考虑，只要数据或算法有一个是量子的，就可以属于量子人工智能的范畴。据最开始狭义的理解，量子人工智能主要是用量子算法解决一些经典的人工智能问题，这样数据是经典的，但算法是量子的，但其实这只是一方面。另一方面也可以用人工智能解决复杂的量子问题。
量子的一些应用非常难，比如合成药品和处理各种化学反应，这些过程很难通过求解量子方程式来模拟，但我们可以用人工智能的方法来解决部分问题。再比如求解量子多体哈密顿量的基态能量问题，也可以借助人工智能的方法。最后还有一种情形，那就是算法是量子的，数据也是量子的，但这一领域目前还没有实质性进展。我的研究组准备在这个未开垦的交叉领域做一些探索，它包括量子信息和计算、凝聚态物理和机器学习等。
在用量子算法解决一些经典的人工智能问题方面，最近清华大学交叉信息研究院段路明教授课题组提出了量子生成模型，是量子学习算法理论方面的一个突破。他们证明了量子生成模型，相比于经典生成模型，在表示能力、预测能力、学习能力三个方面，都可以有指数加速。这是一个很强的结果，目前，我们正在准备做实验来实现这个算法。
最近，我们也做了一个量子对抗神经网络的实验。对抗神经网络是机器学习的前沿热点问题，在机器学习会议上，大概有多于一半的论文都在讨论生成式对抗网络(GAN，Generative Adversarial Networks)。今年几个研究组做了一些工作，理论上把生成式对抗网络推广到量子的情况，提出了量子生成对抗网络。这个模型也有可能做到指数级的加速。我与清华大学孙麓岩研究组及中科大邹长铃研究组合作，最先在实验上演示了量子对抗神经网络，表明从量子数据集中学习有用的信息是切实可行的。
在用机器学习、人工智能的方法解决量子多体问题方面，我们也做了一些工作，包括各种量子相的探测，量子相变的刻画等。还有就是用受限玻尔兹曼机表达量子态，这是2017年Matthias Troyer组在《科学》杂志上引入的想法。我们在这个方向做了很多工作，包括怎么用神经网络表达拓扑量子态，以及神经网络态的一些量子纠缠特性等。反过来讲，现在人工智能很强大，但是不能被理解，我们只是把它当成一个黑盒子。我们做这些研究也是想从物理的角度理解为什么人工智能非常强大有效。我们发现神经网络量子态的纠缠度可以非常大，意味着它可以不受纠缠的限制。从这个角度讲，它对于理解人工智能为什么有效提供了一个新的视角。
“量子霸权”&人才奇缺
展望未来，当下讨论比较多的是“量子霸权”。量子霸权是什么意思？如果我们有一个量子计算机，当完全可操控的量子比特达到70多个的时候，这时有一些问题，用经典计算机是完全没有办法解决的，哪怕使用神威·太湖之光超级计算机。只有量子计算机能解决这些问题，这就是量子霸权。最近两年，量子计算机飞速发展。
IBM在2015-2016年做出量子原型机时，才只有四五个量子比特，如今IBM 20个比特左右的量子计算机都可以在线使用了。而今年3月，谷歌宣布推出一款72个量子比特的通用量子计算机Bristlecone，并实现低于1%的错误率。Bristlecone有望实现量子霸权。
今后，我们可能会进入一个量子大数据时代，我们现在是经典大数据时代，今后量子仪器越用越多，我们也会积累越来越多的量子数据。到那时，人类如何从海量的量子数据中提取有用的信息？如何用量子大数据及量子算法来实现更强的人工智能？这些都是亟待研究的重要问题。现在大家说人工智能可能是第四次工业革命的原料，到了量子大数据时代，或许由量子人工智能引领的第五次工业革命就会到来。
至于人才稀缺的问题，我认为，传统人工智能的研究人才相比量子领域的还要多些。量子人工智能研究国内刚刚起步，人才基本没有，不是稀缺，而是奇缺。我希望国家要尽早规划相关人才的培养以及布局相关研究，因为我们相信，量子人工智能必定将带来颠覆性的应用。
邓东灵丨清华大学交叉信息研究院助理教授