量子那些事儿 关注
手机版

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

  1. 云栖社区>
  2. 量子那些事儿>
  3. 博客>
  4. 正文

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

雪花又一年 2018-05-17 16:12:59 浏览1538 评论0

摘要: 【新智元导读】上周六,清华大学“人工智能前沿与产业趋势”系列讲座的第四讲开讲。本讲将由阿里云量子技术首席量子科学家施尧耘亲临现场,与清华大学海峡研究院大数据AI中心专家委员、百度七剑客之一、酷我音乐创始人雷鸣老师、清华大学姚期智讲座教授段路明教授、昆仲资本创始管理合伙人王钧老师共同参与,深度探讨人工智能时代量子计算的技术产业和投资的趋势与机遇。

【新智元导读】上周六,清华大学“人工智能前沿与产业趋势”系列讲座的第四讲开讲。本讲将由阿里云量子技术首席量子科学家施尧耘亲临现场,与清华大学海峡研究院大数据AI中心专家委员、百度七剑客之一、酷我音乐创始人雷鸣老师、清华大学姚期智讲座教授段路明教授、昆仲资本创始管理合伙人王钧老师共同参与,深度探讨人工智能时代量子计算的技术产业和投资的趋势与机遇。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

雷鸣首先讲了AI的基础设施(硬件和平台技术)。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

雷鸣(天使投资人 百度创始七剑客之一 酷我音乐创始人 清华大学海峡研究院大数据AI中心 专家委员)

硬件方面,现在有GPU、TPU,FPGA是介于AISC芯片和GPU、TPU中间的芯片。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

现在正迅速崛起的是AISC芯片,它是把视觉、语言等一些特定的应用场景和技术的方法固化在芯片上,达到运算能力的提升和降低功耗的目的。

现在还有一个方向是神经网络芯片,这个领域的进展目前还没有到应用的层级。

此外还有可能要到商业化阶段的光计算,现在MIT、英国一些教授做的光计算公司正融资,用光来加速AI计算,理论上比GPU能有上百倍的提升。

另外一个就是今天要讲的量子计算。

量子计算:一旦在通用计算上实现突破的话,将会把计算提升到另外一个新的层次。

以上是硬件部分。

平台部分,包括TensorFlow、Caffe以及Amazon、谷歌等AI云计算平台。

以下是硬件的应用发展情况:

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

英伟达依靠GPU引领,在产业应用上起到领导作用;谷歌、英特尔等不断发起挑战,一定程度上已经应用了。特别是谷歌TPU,它部署在云里,做很多运算的时候,很多应用的单位数据训练成本可能比GPU更便宜。

另外,ASIC也是发展非常快的领域。

我们知道,除了通用芯片CPU,很多厂商比如ARM在端上有高性能、专用芯片市场,这个对应的是ASIC。国内一些做人脸识别、语音等特定数据处理的话,都开始使用ASIC解决方案。国内一些芯片企业,特别是创业企业,大部分是ASIC解决方案。

未来,光计算和量子计算,目前还没有商业落地的东西推出来。未来一旦实现突破,是不可估量的。

AI计算软件基础设施发展情况:

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

开源AI计算平台竞争激烈,全球排名的互联网企业、技术企业,几乎都有内部的AI开放平台,并且开放给大家使用。

AI云端化正在推进。云计算市场现在增长非常快,包括Amazon、谷歌、微软、阿里等都在做。

云本身就有数据,如果说把AI的功能直接加在云里面,是不是会更加有机地结合?未来ToB的解决方案上到底是云和AI一体化,还是云是云、AI是AI?可能我们还得去看将来发展过程,但现在来看,AI和云直接结合也是非常有可能的,或者说这两种方案都并存,就看在使用的时候对于算法的要求和定制性强度,所以,我个人认为,AI+云将来会成为标配。

AI工具型创业公司。提供多种AI工具(和AI云有竞争)。

AI服务型创业公司。主要ToB,帮助企业用AI解决实际问题。

创业公司做toB解决方案的话,最大的挑战就是刚才讲的这些AI+云的服务商。很多B端企业会用公共和私有云来去存储数据,使用应用服务。

这个时候,如果有第三方(创业公司)来提供服务,但它的集成度、效率不如巨头的话,那么B端企业会有权衡(优先选巨头)。只有一些有特殊需求的B端企业才会找创业公司做一些特殊定制服务。

AI的ToB创业有很多机会,但是也要深度思考。巨头具备AI和云、芯片等一体化解决方案,创业公司跟巨头之间会有博弈。

下面把时间交给施尧耘教授。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

施尧耘 阿里云首席量子科学家

施尧耘教授演讲主题:《量子计算》

什么是量子计算?

量子计算=利用量子物理非经典性质的计算,这是有别于经典计算的最不同之处。

首先回顾计算的历史。

我们的祖先发明最早的计算(器)——算盘,到上世纪40-60年代,出现基于Vacuum tube的计算机,50年代出现了Transistor,现在的技术是基于在70年代出现的VLSI。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

讲计算历史的目的是想强调,这么多不一样的计算,本质上没有区别,它们都等同于图灵机。

这里说一下图灵机。

图灵机是很抽象也很简单的数学模型。在30年代的时候,问什么是计算时,回答会有不同的模型,图灵机是其中一个。

经典的计算机都等价于图灵机,从步骤上面来讲是没有区别的。

到了70年代,人们对计算的复杂度感兴趣,并发现所有的计算模型当时都能被图灵机有效模拟。因此人们得出的结论:图灵机可以很快地模拟一切计算。

因此,得出一个结论:

Strong Church-Turing Thesis:图灵机可以很快的模拟一切计算机。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

到了80年代的时候,有几个人独立提出了量子计算的思想,比较有名的有理查德·费曼(Richard Phillips Feynman)。

费曼在一次演讲里面提到,模拟量子系统在经典计算机中很难实现,最好得用量子计算机。

模拟量子系统现在仍然是量子计算最主要的动机。

比如材料科学和西药发现,这两个产业研究方法都用到了模拟量子系统,这两个领域也是未来有可能应用的场景。

1994年,Peter Shor一篇论文里提出素数分解和自然对数的量子算法。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

当输入规模很大时候,经典算法的步骤的数太大,没法在有意义的时间内算完。Peter Shor发现,如果有量子计算机,步骤数可以大大减少,从而有望在实际中算出来。

为什么这两个算法很重要?因为可以破解两个广泛使用的公钥密码系统RSA和Deffie-Hellman。

量子计算的出现,直接让Strong Church-Turing Thesis受到挑战,因为目前我们不知道如何用经典计算机很快的模拟量子计算。

量子计算=终极计算(之一),具体的量子计算是什么?

经典比特是0或1。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

随机比特是0和1的概率分布。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

量子比特是0和1的线性组合,但是系数可以是正的,也可以是负的。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

经典比特是直线段上的一点,量子比特状态是圆上的点。

N个经典比特有2的N次方种可能;N个随机比特是2的N次方个可能的概率分布;N个量子比特是这些经典状态的长度为1的线性组合。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

量子操作是保持长度的线性变换。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

量子信息存储在向量里面,从量子信息得到经典信息的过程叫测量,下面介绍一个简单的测量,叫投影测量。

做投影测量的时候,相当于把当前向量(绿色)分解到基向量的几个方向(红色)。我们会观察到一个随机的基向量对应的结果,对应的概率是该投影长度平方。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

几何告诉我们,当前向量长度的平方等于所有分向量长度平方的和。

这是我们规定表示量子态的向量长度为1,因为对应的所有的概率加起来,等于原来向量的长度,应该是1。

刚讲过存储、基本操作、测量读取等,这些放在一起就得到量子计算的基本模型——电路模型。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

图中每条线对应一个量子比特,初始化为经典的0、1输入,接着我们会选择某几个量子比特去做对应的线性空间上面的保持长度的线性变换。这就是一个基本的“量子门”(quantum gate)。

算法就是由电路表达的,电路表达了算法。到运算完最后一个基本操作以后,我们会测量这些量子比特。

为什么量子计算比经典计算要快?

下面对确定性算法、随机算法、量子算法进行比较。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

确定性算法是“One Way Street”,下一步的算法是固定的;随机算法会进行分叉,类似于抛硬币,但如果一个节点(向量)出现错误,则后续产生的节点无意义(图中红色点)。

随机算法相当于在计算时候抛硬币,根据不同结果选择路径,随机算法可以进入很多不一样的路径,整个算法犯错的概率是错误节点的概率加起来。每个概率都是非负的数,错误累加。

量子算法跟随机算法很像,它可以有很多不同路径,但最后的节点的权重可以是正可以是负,正+负可以是0. 图中红色的向量对应错误的基向量。他们量叠加起来信号反而很小,互相取消,而绿色的的出正确结果的向量叠加起来信号互相加强。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

我教了十几年理论,忽然发现一个问题:猫和狗的大脑为什么不能做通用计算?为什么不能像图灵机一样做加减乘除开根号?

我认为答案在进化论:它们进化过程中没有这个需求。

推动技术发展的也是需求。量子计算的驱动力是什么呢?

量子计算的驱动力=物理模拟+破解密码+AI/大数据

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

AI/大数据已经成为继物理模拟(1981年提出)和破解密码(1994年提出)之后的最新的驱动力。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

机器学习的驱动力=数据+算力,而量子AI将以算力提升AI。

这个提升至少有两个路径,一是用量子的算法来加速AI常用的计算,比如Gibbs取样、解线性方程等。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

另一个路径是运用经典模型无法以类似资源实现的量子模型量子模型。

全栈量子计算分为4个层面。最底层的是量子处理器(极致的量子物理实验)。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

目前,量子处理器有三类,第一类是超导来实现量子计算,必须在低温状态下实现,IBM、Google、Intel等都在这个领域。

另一种是拓扑量子计算,微软在这个方向做研究。不久前,微软研究人员宣布发现天使粒子——马约拉纳费米子(Majorana fermion)存在的有力证据。

另外一条是离子阱,Amazon投资的公司目前使用这一类的研究方法。

底层的处理器之上是量子软件、算法和应用层面。

软件层:C#是微软,QASM是IBM

算法层:量子算法设计的基本原则我们知之甚少;大部分研究工作是组合拳。当然,想打漂亮的组合拳也很难。

应用层:材料、量子化学、机器学习、优化组合等。

最后,施尧耘说,量子计算研究的是极限计算,实现的是极限物理,量子计算有巨大潜力,量子计算终将实现。

接下来是段路明教授分享的《量子计算与人工智能》。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

段路明 (美国密歇根大学费米讲席教授 清华大学姚期智讲座教授 美国物理学会会士)

段教授先介绍了量子计算机应用的几个领域:

  • 信息安全(公钥体系等)

  • 量子模拟(新材料、分子药品等模拟)

  • 量子优化(系统优化等)

  • 量子人工智能

对于量子人工智能,首先得益于人工智能的发展。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

量子计算机将提供自动并行、量子计算硬件与量子学习算法结合有可能提供指数加速。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

前几年,NASA与谷歌成立联合量子人工智能实验室,微软也成立量子AI研究中心。

为什么量子机器学习能实现大规模加速?现在直观的技术包括量子傅里叶变换和通过量子相位估计的指数快速矩阵运算。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

在算法上,也有一些直观的突破。其中包括MIT提出的量子支持向量机/主成分分析,它不是深度学习算法,是比较古典的算法,但在某些特定条件下,有可能实现量子指数加速。

另外,我们也在算法上做了一些研究,包括量子识别分析。

刚讲到,在某些特定条件下,有可能实现指数加速。什么是特定情况?

如果量子RAM(random access memory)可以实现,能够将大数据转化输入成量子态,从而在提取的过程中要实现指数加速,实现并行量子访问。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

量子RAM实现过程中有很多节点,这些节点被称为“量子路由器”(Quantum Router),量子路由器的物理实现是非常困难的事情。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

我们的方法是使用量子生成模型,包括经典的生成模型等。

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

所有的这些模型原则上是量子模型的特例,为什么会走向量子模型,因为量子模型会让基于生成模型的机器学习算法更加强大,在一些情况下达到指数加速。

量子计算机的实现途径包括:

  • 超导量子计算机

  • 离子量子计算机

  • 金刚石白旋量子计算

  • 量子点量子计算

  • 原子量子计算

  • 光子量子计算

  • 拓扑量子计算

超导系统与离子系统目前在量子计算的一些技术指标上比较领先。

量子计算机要实现的话,现在是什么发展阶段?

阶段一(目前阶段)

实现2-20个量子比特的相干控制和量子逻辑门操作,逻辑门保真度95%-99%。

阶段二(Logic qubit/ Quantum supremacy, 下五年)

实现30-100个量子比特的精确控制与量子计算,在特定问题上超过最强经典计算机的模拟能力。

阶段三(量子革命,大约十五年)

实现一百万个以上量子比特的容错量子计算,量子计算机在各领域广泛而深刻的应用。

最后,总结一下,量子计算处于突破性发展阶段,被称为二次量子革命,但是要实现实用化量子计算机,需要人才、技术的积累和资金等资源。

段路明教授演讲结束后,进入圆桌对话环节。参与的嘉宾有:

  • 清华大学海峡研究院大数据AI中心专家委员雷鸣

  • 阿里量子技术首席科学家施尧耘

  • 昆仲资本创始管理合伙人王钧

  • 清华大学交叉信息研究院教授段路明

  • 加州大学-圣塔芭芭拉分校(UCSB)教授谢源

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

王钧(昆仲资本创始管理合伙人)

施尧耘:量子计算终将实现;段路明:大规模量子计算还任重道远

谢源(加州大学圣塔芭芭拉分校电气和计算机工程系教授 宾夕法尼亚州立大学计算机科学与工程系兼职教授)

雷鸣:中美之间有一些摩擦,硬件上面临一些挑战。在硬件发展上,芯片往前走跟美国差距有多大?哪种路径适合中国?

谢源:芯片事件给中国的科技节一个信号:虽然有很大进步,出现了世界级公司,但是在一些关键领域有一定差距,比如CPU、GPU上,从设计到工艺上有差距,但不是没机会。

人工智能的三大要素A(AI)B(大数据)C(计算),相互之间的作用,C是很重要的,英伟达的股价上涨,AI起到很大作用。在AI硬件方向上,中国出了一大批的初创公司,比如寒武纪的云端机器学习处理器,这些公司在世界上可以说排到比较前面,所以说AI给我们带来新的机会

虽然在硬件上有差距,但希望中国利用新的机会能赶上来。

雷鸣:AI工具或软件平台这一领域,往后怎么发展?创业公司还有机会吗?会不会被大公司垄断?

王钧:初创公司很大程度上是国家意志,投资人做不是特别顺利,因为从纯VC回报率上,半导体回报率并不好,因为这个行业这不是简单的事儿。但是这一两年有变化,国家队进来了。把握好的话,会有很好的机会。我觉得是比较新的趋势,如果做大的平台没有大规模资本和优势的话,我们VC圈也不够投。

不过,现在VC圈有个新游戏叫“隔轮回本”。比如说,假如段老师要做量子计算机,资本先支持3000万,如果之后新的投资人进来了,我们可以在融资几轮之后再把本收回来。

总的来说,现在做量子计算这样的基础平台类投资,跟消费互联网或AI应用的领域不一样,做消费互联网就是要有产品、流量、转化率;做AI应用就是要看解没解决痛点,但是做基础平台类的投资门槛就高了。

雷鸣:想问施尧耘和段路明老师,量子计算现在创业的话,感觉早了点,但是这是未来的技术,你们能不能给同学们一些建议,如何为下一个伟大的事情做准备?

段路明:我刚才讲的15年实现大规模量子计算,并不意味着短期内不会出现特定领域的应用,包括材料、AI等领域,可能性是存在的。谷歌、英特尔等公司都在做,这是大家要关注的。

施尧耘:我建议做的第一件事就是参加段老师刚才广告的暑期班。我觉得没有人能够非常准确的预期未来。我当时去做量子计算,从来没有想过20年后能做什么,完全是出于自己的兴趣去做。同学们该做什么?首先是学习。最终还是要对量子计算感到Exciting。

十年、十五年是很快的时间。我大概在十几年前做了一篇怎么样用经典计算机模拟量子电路的文章,IBM、谷歌最近做得用经典计算机模拟量子计算机的算法,都是基于我当时文章提出的模型。昨天(4日)我们阿里云量子实验室贴出来的文章也是基于这个模拟框架,经过进一步优化和用上阿里巴巴的支撑双十一的计算平台,我们的模拟器可以模拟谷歌3月份宣布未来要做的处理器。我完全由于兴趣做的事,没想到会有这么大的影响。

我想说的是,如果你能够爱上量子计算,你能够做成功的机会是很大的。

谢源:现在做量子计算创业还是有可能的吗?

段路明:现在是潮流,但是潮流有高潮就有低潮,任何技术起步的话,都有高低起伏,但至少目前是非常好的阶段。

施尧耘:很高兴能看到有很多创业公司出现。加速整个领域的前进,帮我们分担风险。现在创业绝对有可能弯道超车。如果学界能够承担探索新的比特设计,新的纠错容错原理的话,对工业界是非常好的。因为工业界是工程化、大规模投入人力,有可能往前走会撞墙。希望国家能够支持众多独立团队,去探索各种可能,对整个领域,整个社会来讲,会有很大的收益。

雷鸣:我简单总结一下。第一,我们在量子计算领域,未来是方向,但是创业应该从现在开始。第二,喜不喜欢、擅不擅长、是不是未来这三件事要同时考虑。我毕业时候去百度,当时百度还是小公司,同学们都去了IBM这种大公司,很多人不愿意到百度。如果那时候加入百度,机会还是非常好的。所以,选择非常重要,一定要对未来的趋势有把握。


原文发布时间为:2018-09-29
本文作者:新智元
本文来源:今日头条,如需转载请联系原作者。

用云栖社区APP,舒服~

【云栖快讯】诚邀你用自己的技术能力来用心回答每一个问题,通过回答传承技术知识、经验、心得,问答专家期待你加入!  详情请点击

网友评论

雪花又一年
文章1320篇 | 关注29
关注
阿里云流计算(Aliyun StreamCompute)是运行在阿里云平台上的流式大数据分析... 查看详情
快速、完全托管的TB/PB级数据仓库解决方案,向用户提供了完善的数据导入方案以及多种经典的分... 查看详情
一种适用于大规模并行批处理作业的分布式云服务。可支持海量作业并发规模,系统自动完成资源管理,... 查看详情
为您提供简单高效、处理能力可弹性伸缩的计算服务,帮助您快速构建更稳定、安全的应用,提升运维效... 查看详情
阿里云9.10会员日

阿里云9.10会员日