这一周，
人工智能成为新闻热词，
AlphaGo对战世界围棋第一人柯洁，
掀起了人工智能与人类的一场智力巅峰对决。
但几乎不出人意料，
AlphaGo连胜两局。
聂卫平开玩笑道：
“柯洁想赢估计只能靠找到bug，
或者我们派小鱼儿去拔个电源什么的。”
看来在强大的机器面前，
人类想要胜利已是难如登天。
AlphaGo已经如此厉害了！
TA能否更上一层楼？
当智商超群的人工智能
邂逅运算超凡的量子计算，
将碰撞出怎样的火花？
带来一次怎样的历史变革？
人工智能的发展可能存在三个阶段：服务器时代、云计算时代、量子计算时代。
现阶段人工智能基本只能依靠集中处理的方式实现相关功能和应用，也就是通过云计算的方式。根据我们的判断，量子计算有望给人工智能带来的变革性变化在于小型化和移动化。当量子芯片中的量子比特数量达到一定数量后，计算能力将满足人工智能对运算能力的需求，人工智能将不再依赖于大型服务器集群。未来量子芯片小型化后，人工智能前端系统的快速实时处理便成为可能，比如车载智能系统、无人机智能系统等。
全球数据总量发展趋势（EB）
量子计算发展历史
2017年5 月3 日，中科院宣布首台光量子计算机在我国诞生，标志着我国量子计算已处于世界领先水平。人工智能产业的突破需要借助相关产业链的进一步完善，量子计算的超强算力有望加速人工智能的突破和商业化应用。
人工智能的爆发是近两年才开始的，主要原因是使用效果上取得了突破。人工智能是一门计算机技术，主要让计算机去替代人来完成部分工作。如今主流的技术主要是指使用深度学习等算法来实现替代人工，完成大量简单重复性劳动。
虽然人工智能概念的提出已有将近60年了，但之前的发展速度一直偏慢，主要原因是无论方法如何进步，实际使用效果依旧差强人意。从2015年起，人工智能迎来了真正的大爆发，这在很大程度上与GPU的广泛应用有关。
人工智能的高速发展将为各个产业带来翻天覆地的变化。目前很多商业领域已经采用人工智能，尤其在谷歌、百度这样的公司，在它们的搜索、推荐、广告等领域都已使用了类似机器学习的技术。
目前人工智能应用最为广泛的是在人脸识别领域。人脸识别引入人工智能技术后，识别率大幅提升，其中核心的突破是在算法层面。在人脸识别中，人工智能能做到97%的识别正确率，超过了人类95%的识别率，这意味着大规模商业应用具备了价值的基础，尤其是在安防领域、金融领域等，机器做得比人更好。
算法、数据和硬件算力组成了人工智能高速发展的三要素。人工智能的实现所需要具备的基础，第一个是优秀的人工智能算法，比如现在最流行的深度学习算法，就是近期人工智能领域中最大的突破之一，为人工智能的商业化带来了希望；第二个是被收集的大量数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素；第三个是大量高性能硬件组成的计算能力，以前的硬件算力并不能满足人工智能的需求，当GPU和人工智能结合后，人工智能才迎来了真正的高速发展。从目前情况看，以上三要素缺一不可。
为什么人工智能近两年才开始爆发？
主要是因为直到今日，人工智能的算法、数据和硬件才满足了人工智能的基本需求。
算法方面，以人脸识别为例，在2013年深度学习应用到人脸识别之前，各种方法的识别成功率只有不到93%，低于人眼的识别率，因此不具备商业价值。而随着算法的更新，深度学习使得人脸识别的成功率提升到了97%，这才为人脸识别的应用奠定了商业化基础。
第二，在数据方面，进入互联网时代后，出现了大数据的高速发展与积累，这为人工智能的训练学习过程奠定了良好的基础。比如，在AlphaGo的学习过程中，核心数据来自互联网的3000万例棋谱，而这些数据的积累是历经了十多年互联网行业的发展。所以直到今年，基于深度学习算法的AlphaGo才取得突破性进展。离开了这些棋谱数据的积累，机器战胜人是无法实现的。
第三点是硬件的算力。在二十年前，一个机器人，当时是用32个CPU，达到120MHz的速度。现在的人工智能系统使用的是成百上千个GPU来提升计算能力，这使得处理学习或者智能的能力得到比较大地增强。之前用CPU一个月才能出结果，然后再去调整参数，一年只能调整12次，也就是有12次迭代。GPU产生后，大幅提升了计算量，现在用GPU可以一天就出结果，这样可以迭代得更快，这是技术大幅发展的条件。
经典计算机的计算核心使用的是中央处理器，是一种基于半导体理论设计的电子芯片，用于串行运算。而在量子计算机中，它的计算核心是量子芯片，通过量子的叠加性带来了并行运算的能力，替代传统的电子芯片。可以看到，量子计算机与经典计算机的物理实现完全不同，如果在量子计算机中使用经典算法的话，那么量子芯片将和普通电子芯片发挥基本相同的功能，只能实现串行计算。这是由于设计经典算法时，其设计思想是基于串行运算而得到的，这是经典算法自身的局限性。为此，需要设计相应的量子人工智能算法，才能实现量子计算的超强算力，这种专门面向量子计算设计的人工智能算法被称为量子人工智能算法。
在很多应用领域，人工智能需要拥有快速处理数据、快速响应的能力。比如智能驾驶等应用场景，对于人工智能的反应速度要求很高。再比如手机上的人工智能系统，对于数据的处理能力要求非常高，在这些应用场景中，急需人工智能的硬件系统实现可移动化和快速响应能力。
随着人工智能对硬件计算能力的需求不断提升，人工智能从单机或者小型服务器模式，逐步转型为云计算模式。目前，随着人工智能应用的发展，单机或者小型服务器模式的劣势逐渐显现。一方面，这种模式可提供的算力到达了一个瓶颈阶段，已无法满足人工智能对算力的需求；另一方面，这种模式是一次性采购的，对于用户的资金压力较大，并且后期维护成本不低，需要自己搭建相应的软件环境。现阶段一种主要的解决方案是将人工智能应用或者服务放在云端，运用云计算平台提供更加优质廉价的人工智能服务，其主要的优点是可以按照实际需求来购买计算能力，随时满足现阶段的应用需求。另外，付费模式相对弹性，按照使用状况来逐次结算费用，减轻资金压力。
在摩尔定律近乎失效的情况下，基于现有的计算能力，在如此庞大的数据面前，人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的功能。而量子计算机的量子比特数量以指数形式增长，也就是每两年翻一番。又因为量子计算的特点，其计算能力是量子比特数量的指数级，这个增长速度将远远大于数据量的增长，为数据爆发时代的人工智能带来了强大的硬件基础。
量子计算时代为人工智能带来的颠覆，除了在计算能力方面，更重要的是极大地增加了应用场景。
现在的人工智能系统使用的是成百上千个GPU来提升计算能力，这使得处理学习或者智能的能力得到比较大地增强，然而这套系统也需要庞大的硬件机柜和相配套的硬件机房。较大型的人工智能硬件系统需要将近半个足球场的占地空间，这无疑是对人工智能发展的一个重要限制。随着大数据时代的不断进步，数据将呈现指数级增长，而基于CPU或者GPU云计算的数据中心将无法满足数据爆发的需求。
目前非通用型量子计算机已经实现了1000位量子比特，在特定算法上，计算效率比经典计算机要快一亿倍。也就是如果想要实现人工智能，原来需要一千台计算机，或者需要一万台计算机的规模，现在只要用一台量子计算机就可以了。而且这个量子计算机的计算能力完全能够满足人工智能对速度的要求，也就是人工智能将不再依赖于大型服务器集群，或者庞大的云计算中心。
目前量子计算较为成功的应用集中在大数据快速搜索，这主要是因为在这个应用领域中，诞生了优秀的量子计算算法，使得经典计算体系中无解或者趋近无解的问题，在量子计算的环境中，转化为了可解并且能快速求解的状态，使得这个领域成为目前量子计算的重要应用方向。
量子芯片的大数据处理能力将实现人工智能的移动化，主要的应用场景包括：车载智能系统、无人机的智能系统或者手机上的人工智能系统。
主要可行的方案有两种：第一是它们实时收集的大量信息和传感器数据，之后传输给云端的量子计算系统，在云端实现超短时间内的快速运算，然后再将结果反馈给相应移动端，实现对移动端的控制。这种方案的优势在于可以极大节省计算的时间，提高智能系统的响应速度。
另一种方案是通过自身携带的量子计算系统，可以在本地处理大量的数据，并且得到实时响应，指导汽车自动驾驶或者对手机终端反馈信息。这个系统的优势是不只节省了计算时间，还完全省去了上传和下传数据的时间。但是这种方案的不确定性在于量子芯片能否在日常环境中直接使用，比如不再要求超低温的环境等。总之，这些应用场景对于数据处理能力的要求非常高，而量子计算通过节省大量的计算时间，实现可移动化的人工智能系统，提供数据的快速响应能力。
量子计算也被称为AI co-processors （人工智能协处理器），非常适合人工智能AI及机器学习。
机器学习 machine learning 即授于计算机研究世界并不断从经验中学习的能力。它是人工智能领域的一个分支。
通常，我们编写的代码中的大部分都是相当静态的，即给定新数据，它仍将执行相同的计算，一遍又一遍，并作出相同的错误结果。
使用量子计算机器学习，系统可以设计程序，修改自己的代码，机器可以不断学习新的方法来处理它之前未遇到过的数据。
比如传统的计算机去无法识别它之前从未接触的新图像，因根据传统的计算架构，设计遵循非常严格的逻辑推理。而量子计算机的处理器就非常适合此类需要先质疑，后决策的高级任务！
形象点比喻，相当而言，传统计算是「一根筋」，而量子计算是「活脑筋」。
AI机器学习通常按已知的算法即监督学习法supervised learning algorithm进行的。下图所示谷歌AI实验室在2013年采用了512量子比特的系统，主要应用于帮助科学家建立更有效而精确的的AI模型，用于诸如从语音识别、网页搜索到（生物化学的）蛋白质折叠（模拟）。
原文发布时间为：2017-05-26
本文作者：流苏
本文来源：九州量子，如需转载请联系原作者。
