90年代初，當衛(wèi)奇塔州立大學(Wichita State University)的物理學教授Elizabeth Behrman開始結(jié)合量子物理學和人工智能（主要是當時備受爭議的神經(jīng)網(wǎng)絡(luò)技術(shù)）時，大多數(shù)人認為這兩門學科就像油和水一樣，根本沒辦法結(jié)合?！爱敃r我連發(fā)表論文都很困難。神經(jīng)網(wǎng)絡(luò)學術(shù)期刊問我‘量子力學是什么’，而物理學期刊則會問‘神經(jīng)網(wǎng)絡(luò)是什么玩意’。”她回憶道。

如今，這兩門學科的結(jié)合似乎再自然不過了。神經(jīng)網(wǎng)絡(luò)和其他機器學習系統(tǒng)成為了21世紀影響最大的技術(shù)。這些系統(tǒng)不僅在一些大部分人不擅長的任務(wù)（例如：圍棋和數(shù)據(jù)挖掘）上打敗了人類，而且還在大腦的某些本職工作（例如：面部識別、語言翻譯）上超越了人類。這些系統(tǒng)的實現(xiàn)依賴于龐大的計算能力，因此科技公司要尋找的計算機不僅要更大，而且還要更先進。

在經(jīng)歷了數(shù)十年的研究后，量子計算機現(xiàn)在的計算能力已經(jīng)超越了其他所有計算機。人們常認為，量子計算機的殺手級應(yīng)用可以對大數(shù)進行因數(shù)分解——這對現(xiàn)代加密技術(shù)至關(guān)重要。但是實現(xiàn)這一點至少還要再等十年。不過，當前基本的量子處理器已經(jīng)可以滿足機器學習的計算需求。量子計算機在一個步驟之內(nèi)可以處理大量的數(shù)據(jù)，找出傳統(tǒng)計算機無法識別出的微妙模式，在遇到不完整或不確定數(shù)據(jù)時也不會卡住?！傲孔佑嬎愫蜋C器學習固有的統(tǒng)計學性質(zhì)之間存在著一種天然的結(jié)合。” Rigetti Computing的物理學家Johannes Otterbach表示。（Rigetti Computin是一家位于加州伯克利的量子計算機公司。）

如果有什么不同的話，那就是當前的趨勢已經(jīng)走向另一極端。谷歌、微軟、IBM等科技巨頭正在往量子機器學習上猛砸錢，多倫多大學還成立了一個量子機器學習創(chuàng)業(yè)孵化器?！啊畽C器學習’現(xiàn)在正成為一個潮詞。在 ‘機器學習’加上‘量子’，它就變成了一個超級潮詞?！蹦箍扑箍茽柨莆挚萍紝W院（Skolkovo Institute of Science and Technology）的量子物理學家Jacob Biamonte稱。

然而，“量子”一詞在此處沒有任何意義。你可能能會認為量子機器學習系統(tǒng)應(yīng)該很強大，但是這種系統(tǒng)實際上卻像是患有某種閉鎖綜合癥。量子機器學習系統(tǒng)處理的是量子態(tài)，而不是人類可以理解的數(shù)據(jù)，量子態(tài)和數(shù)據(jù)的相互轉(zhuǎn)換會使系統(tǒng)原有的優(yōu)勢消失。就像是，iPhone X原本的參數(shù)和性能都很強，但是如果網(wǎng)絡(luò)信號太差的話，它就會和老式手機一樣慢。在一些特殊情況中，物理學家可以克服輸入輸出障礙，但是這些情況是否存在于現(xiàn)實機器學習任務(wù)中？答案仍然是未知的。“我們現(xiàn)在還沒有明確的答案。一直以來，人們往往對這些算法是否能提高計算速度并不關(guān)心?！钡驴怂_斯州大學奧斯汀分校計算機科學家Scott Aaronson表示。

量子神經(jīng)元

無論是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，還是量子神經(jīng)網(wǎng)絡(luò)，它們的主要任務(wù)都是識別模式。受人類大腦的啟發(fā)，神經(jīng)網(wǎng)絡(luò)由基本的計算單元（即“神經(jīng)元”）構(gòu)成。每個神經(jīng)元都可以看作為是一個開關(guān)設(shè)備。一個神經(jīng)元可以監(jiān)測多個其他神經(jīng)元的輸出，就像是投票選舉一樣，如果足夠多的神經(jīng)元處于激活狀態(tài)，這個神經(jīng)元就會被激活。通常，神經(jīng)元的排列呈層狀。初始層（initial layer）導入輸入（例如圖像像素），中間層生成不同組合形式的輸入（代表邊、幾何形狀等結(jié)構(gòu)），最后一層生成輸出（對圖像內(nèi)容的高級描述）。

需要注意的是，神經(jīng)元之間的連接需要經(jīng)過反復試驗進行調(diào)整，不是預(yù)先確定的。例如，給神經(jīng)網(wǎng)絡(luò)輸入帶有“小貓”或“小狗”標簽的圖像。網(wǎng)絡(luò)會給每一張圖像分配一個標簽，檢查是否匹配正確，如果不正確就調(diào)整神經(jīng)元連接。剛開始時網(wǎng)絡(luò)的預(yù)測是隨機生成的，但是其準確度會越來越高；在經(jīng)過10000個實例的訓練之后，網(wǎng)絡(luò)將能識別圖像中的寵物。正規(guī)的神經(jīng)網(wǎng)絡(luò)可能擁有10億個神經(jīng)元連接，所有連接都需要進行調(diào)整。

傳統(tǒng)計算機計算單元的所有連接都用龐大的數(shù)字矩陣表示，運行神經(jīng)網(wǎng)絡(luò)就是在計算矩陣代數(shù)。傳統(tǒng)的方法是，用一個專門的芯片（例如：圖像處理器）來完成這些矩陣運算。而在完成矩陣運算上，量子計算機是不可匹敵的?！傲孔佑嬎銠C運算大型矩陣和向量的速度快很多?！甭槭±砉ご髮W（MIT）物理學家、量子計算先驅(qū)Seth Lloyd稱。

在進行運算時，量子計算機可以利用量子系統(tǒng)的指數(shù)屬性。量子系統(tǒng)的大部分信息儲存能力并不是靠單個數(shù)據(jù)單元——qubit（對應(yīng)于傳統(tǒng)計算機中的bit）實現(xiàn)的，而是靠這些qubit的共同屬性實現(xiàn)的。兩個qubit帶有四個連接狀態(tài)：開/開、關(guān)/關(guān)、開/關(guān)、關(guān)/開。每個連接狀態(tài)都分配有一個特定的權(quán)重或“幅值”，代表一個神經(jīng)元。三個qubit可以代表八個神經(jīng)元。四個qubit可以代表16個神經(jīng)元。機器的運算能力呈指數(shù)增長。實際上，整個系統(tǒng)處處都分布有神經(jīng)元。當處理4個qubit的狀態(tài)時，計算機一步可以處理16個數(shù)字，而傳統(tǒng)的計算機只能一步只能處理一個。

Lloyd估計，60個qubit的計算機可以編碼的數(shù)據(jù)量相當于人類一年生成的所有數(shù)據(jù)，300個qubit的計算機可以編碼可觀測宇宙中的傳統(tǒng)信息內(nèi)容。（IBM、英特爾和谷歌共同研發(fā)的量子計算機是當前最大的量子計算機，大約有50個qubit）。不過前提是假設(shè)每個幅值（amplitude）對應(yīng)于一個傳統(tǒng)的bit。Aaronson表示：事實上，幅值是連續(xù)的數(shù)值（復雜的數(shù)字）。為獲得可信的試驗準確度，可以儲存15 bit的信息。

但是，量子計算機的信息儲存能力并不能加快它的運算速度。如何能夠使用qubit才是關(guān)鍵。2008年，Lloyd、MIT物理學家Aram Harrow和以色列巴伊蘭大學(Bar-Ilan University)計算機科學家Avinatan Hassidim展示了如何用量子計算機完成矩陣求逆的關(guān)鍵代數(shù)運算。他們將整個運算分解為一系列可以在量子計算機上執(zhí)行的邏輯運算。他們的算法適用于很多種機器學習算法。而且，需要完成的運算步驟少于因數(shù)分解一個大數(shù)所要完成的步驟。量子計算機可以在受到噪聲影響前，迅速完成分類任務(wù)?！霸谕耆ㄓ们胰蒎e的量子計算機到來之前，量子計算可以提供量子優(yōu)勢。” IBM的 Thomas J. Watson 研究中心的Kristan Temme表示。

讓系統(tǒng)本身解決問題

目前為止，我們只在4 qubit的計算機上實現(xiàn)了基于量子矩陣代數(shù)的機器學習。量子機器學習在實驗上取得的大部分成功都采用了一種不同的方法：量子系統(tǒng)不只是模仿網(wǎng)絡(luò)，它本身就是網(wǎng)絡(luò)。每個qubit代表一個神經(jīng)元。雖然這種方法無法讓計算機利用指數(shù)屬性所帶來的優(yōu)勢，但是它可以讓計算機利用量子物理學的其他特性。

位于溫哥華附近的D-Wave Systems公司制造的量子處理器擁有2000個qubit，是目前最大的量子處理器。它和大多數(shù)人觀念中的計算機不同：它的主要任務(wù)是尋找數(shù)據(jù)的內(nèi)部一致性，而不是對輸入數(shù)據(jù)執(zhí)行一系列的運算，得出輸出。每個qubit都是一個超導電回路，其作用相當于一個向上、向下或向上與向下（疊加）的小電磁體。讓qubit通過磁力相互作用，這樣就可以將它們“連”在一起。

D-Wave Systems公司制造的用于機器學習應(yīng)用的處理器

在運行系統(tǒng)時，必須先施加一個水平的磁場，這個磁場可以將qubit預(yù)置為向上和向下的均等疊加——等同于空白狀態(tài)。輸入數(shù)據(jù)的方法有好幾種。在某些情況中，你可以將某一層qubit固定在預(yù)期的輸入值；不過多數(shù)情況下，應(yīng)將輸入導入到qubit的相互作用的范圍內(nèi)。然后讓qubit相互作用。某些qubit朝同一方向排列，某些qubit朝相反方向排列，在水平磁場的作用下，它們會翻轉(zhuǎn)到它們選擇的方向。通過這樣做，這些qubit可以觸發(fā)其他qubit進行翻轉(zhuǎn)。由于很多qubit都沒對準方向，剛開始時會發(fā)生很多翻轉(zhuǎn)。等到翻轉(zhuǎn)停止后，你可以關(guān)閉水平磁場，將qubit鎖定在固定位置。此時，qubit處于朝上和朝下的疊加狀態(tài)，這種狀態(tài)可以確保輸出與輸入相對應(yīng)。

關(guān)鍵在于，Qubit最終的排列方式很難預(yù)測出來。通過完成自然出現(xiàn)的任務(wù)，系統(tǒng)可以解決普通計算機難以解決的問題?！拔覀儾恍枰褂盟惴ā＿@種系統(tǒng)與常規(guī)的編程完全不同。系統(tǒng)本身可以解決問題?！?東京工業(yè)大學的物理學家Hidetoshi Nishimori解釋道。D-Wave計算機的工作原理就是由Hidetoshi Nishimori提出的。

qubit的翻轉(zhuǎn)是由量子隧穿效應(yīng)（quantum tunneling）驅(qū)動的。這種效應(yīng)是一種自然趨勢，量子系統(tǒng)必須要選出最佳配置，不能退而求其次。你可以構(gòu)建一個工作原理相似的傳統(tǒng)網(wǎng)絡(luò)，采用隨機晃動，而不是通過隧穿效應(yīng)來讓bit翻轉(zhuǎn)。在某些任務(wù)中，這樣的網(wǎng)絡(luò)表現(xiàn)更好。但是有趣的是，在處理機器學習中出現(xiàn)的問題時，量子網(wǎng)絡(luò)實現(xiàn)最佳結(jié)果的速度似乎更快。

D-Wave計算機也有缺陷。在當前的配置下，D-Wave計算機的噪聲非常大，它只能執(zhí)行有限的操作。而機器學習算法本質(zhì)上是具有容噪能力的，它們可以理解混亂的現(xiàn)實環(huán)境，在干擾性背景中從區(qū)分小貓和小狗。“神經(jīng)網(wǎng)絡(luò)對噪聲有很強的魯棒性?！?Behrman稱。

Hartmut Neven是谷歌的一名計算機科學家，他開創(chuàng)了增強現(xiàn)實技術(shù)，是谷歌Google Glass項目的聯(lián)合創(chuàng)始人。后來，他領(lǐng)導一個團隊開始研究量子信息處理。2009年，這個團隊證明了一臺初期的D-Wave 計算機可以很好地完成一個機器學習任務(wù)。他們將這臺計算機用作為一個單層神經(jīng)網(wǎng)絡(luò)，在20000張街景圖數(shù)據(jù)庫中將圖像分類為兩個類別：“汽車”和“非汽車”（請記住：這臺D-Wave計算機與2018年上線的50-qubit系統(tǒng)屬于完全不同的機型。）。Neven的團隊結(jié)合使用D-Wave 計算機與傳統(tǒng)的計算機，他們分析了圖像的各種統(tǒng)計參數(shù)（quantities），然后計算這些參數(shù)對圖像中汽車的敏感度——通常不是很敏感，但至少比拋硬幣（猜正反面）要好。這些參數(shù)的某些組合可以準確地識別出汽車，但是無法識別出具體車型——這是神經(jīng)網(wǎng)絡(luò)的任務(wù)。

這個團隊為每個參數(shù)都分配了一個qubit。如果qubit的值穩(wěn)定在1，則將相應(yīng)的參數(shù)標記為有用；如果qubit的值穩(wěn)定在0，則不用標記。Qubit的磁力相互作用可以編碼問題的要求，例如：只包含區(qū)分作用最強的參數(shù)，以確保參數(shù)的最終選擇盡可能簡單明了。試驗的結(jié)論是，D-Wave計算機可以識別出汽車。

去年，加州理工學院粒子物理學家Maria Spiropulu和南加州大學物理學家Daniel Lidar領(lǐng)導的一個團隊將算法應(yīng)用到粒子物理學問題中：將質(zhì)子碰撞分類為“希格斯玻色子(Higgs boson)”和“非希格斯玻色子”。這個團隊將研究對象選擇為生成質(zhì)子的碰撞，他們使用基本的粒子理論來預(yù)測哪些粒子屬性可能會表征希格斯粒子的短暫存在，例如：超出動量的某些閾值。他們考慮了8種粒子屬性和28種屬性組合，一共是36種候選信號然后讓南加州大學的新型量子計算機找出最佳選擇。該計算機識別出16個有用的變量，3個最佳變量。該量子計算機在執(zhí)行準確的分類任務(wù)時比標準流程所需的數(shù)據(jù)量要少?！霸谟柧毤^小的條件下，量子計算方法的準確度要比高能物理學中的傳統(tǒng)方法高?！盠idar表示。

加州理工學院物理學家Maria Spiropulu使用量子機器學習尋找希格斯玻色子。

去年12月，Rigetti 證明了一種使用通用19 qubits量子計算機自動分類對象的方法。大致上，研究人員向計算機輸入了一系列的城市名稱以及它們之間的距離，然后讓計算機將這些城市分類為兩個地理區(qū)域。這個問題的困難之處在于，一座城市屬于哪個地理區(qū)域取決于系統(tǒng)對其他城市的分類，因此必須一下子解決整個系統(tǒng)。

Rigetti的團隊為每個城市分配了一個qubit，表明這個城市屬于哪個類別。通過qubit之間的相互作用（在Rigetti的系統(tǒng)中，這種相互作用是電作用力，而不是磁作用力），每一對qubit都盡量要選取相反的值——這樣做可以將它們的能量降到最小。顯然，對于任何qubit數(shù)超過2個的系統(tǒng)而言，某些qubit對只能被分配到相同的類別中?？拷某鞘懈菀妆环峙涞酵活悇e中，因為相比距離較遠的城市，鄰近城市被分配到同一類別中的能量損耗要小。

為了將系統(tǒng)的能量降至最低，Rigetti的團隊采用了一種在某些方面類似于D-Wave量子退火的方法。他們先將qubit預(yù)置為所有可能簇分配（cluster assignment）的疊加狀態(tài)。然后讓qubit進行短暫的相互作用，使qubit偏向于假設(shè)相同或相反的值。接著他們應(yīng)用了一種模擬水平磁場的機制，在qubit傾斜時使它們可以翻轉(zhuǎn)，以使系統(tǒng)更接近于最低能量狀態(tài)。最后，他們重復執(zhí)行了這個兩步驟流程——相互作用與翻轉(zhuǎn)，直到系統(tǒng)的能量降至最低，這樣城市就被分類為兩個不同的區(qū)域。

這些分類任務(wù)是有用的，但很直接。機器學習的尖端是生成模型，這種模型不僅可以識別小貓小狗，還可以生成新的原始模型——從來不存在的動物，但它們和真實動物一樣可愛。這種模型甚至還可以自己分辨“小貓”和“小狗”的類別，或者修復缺少尾巴或爪子的圖像?！霸跈C器學習中，這些方法非常強大且有用，但是應(yīng)用起來十分困難。” D-Wave的首席科學家Mohammad Amin表示。量子計算如果能被應(yīng)用到生成式模型中，一定會大受歡迎。

D-Wave和其他研究團隊已經(jīng)開始著手解決這個難題。訓練生成式模型，也就是調(diào)整qubit之間的（磁或電）相互作用，以使網(wǎng)絡(luò)能復制某些實例數(shù)據(jù)。為了實現(xiàn)這一點，我們可以結(jié)合使用神經(jīng)網(wǎng)絡(luò)和普通的計算機。神經(jīng)網(wǎng)絡(luò)負責困難的任務(wù)——理解選定的相互作用對最終的網(wǎng)絡(luò)配置有什么意義，然后計算機使用這個信息來調(diào)整qubit之間的相互作用。去年，NASA量子人工智能實驗室（NASA’s Quantum Artificial Intelligence Lab）的研究人員Alejandro Perdomo-Ortiz和他的團隊在一篇論文中，用一個D-Wave系統(tǒng)處理手寫數(shù)字的圖像。結(jié)果，該系統(tǒng)識別出10個類別，并為0至9這10個數(shù)字各分配了一個類別，而且還生成了自己的手寫體數(shù)字。

量子計算機的瓶頸

令人失望的是，如果你無法將數(shù)據(jù)載入到處理器中，你的處理器再強大也無濟于事。在矩陣代數(shù)算法中，一個簡單的運算就可以處理一個由16個數(shù)字構(gòu)成的矩陣，但是載入這個矩陣卻需要進行16個運算。“人們完全沒有重視量子態(tài)制備——將傳統(tǒng)的數(shù)據(jù)載入到量子狀態(tài)中我認為這一步是最重要的一步?！绷孔佑嬎愠鮿?chuàng)公司Xanadu的研究人員Maria Schuld表示。她是最早獲得量子機器學習博士學位的人員之一。當我們把機器學習系統(tǒng)布置到實體機器中時，常常陷入兩難的境地：如何將一個問題嵌入到qubit網(wǎng)絡(luò)中；讓qubit以正確的方式相互作用。

當載入數(shù)據(jù)之后，你需要將數(shù)據(jù)存儲起來，并確保量子系統(tǒng)在與數(shù)據(jù)相互交互時不影響正在進行的計算。Lloyd和他的團隊提出了一個使用光子的量子RAM，但是目前還沒有超傳導qubit或囚禁離子（trapped ions）的類似裝置——用在先進量子計算機中的技術(shù)。“除了構(gòu)建量子計算機本身之外，這是一個額外的技術(shù)難題。從我和一些實驗主義者的談話中，我發(fā)現(xiàn)他們對待這些難題的態(tài)度是畏懼的。因為他們不知道如果開始構(gòu)建這樣的量子計算機?！?Aaronson表示。

最后還有一個問題：如何導出數(shù)據(jù)？這意味著檢測計算機的量子狀態(tài)，一次檢測不僅只能一次返回一個隨機抽取的數(shù)字，而且還會使整個狀態(tài)崩潰，在你還沒來得及收回數(shù)據(jù)之前，其他的數(shù)據(jù)就已被清除。你只能再次一遍又一遍地執(zhí)行算法，以收回所有信息。

不過并不是沒有希望。在某些問題中，你可以利用量子干涉（quantum interference）。也就是說，你可以設(shè)計運算過程，使錯誤的答案自行消除，并鞏固正確的答案。這樣，當檢測量子狀態(tài)時，計算機就會給出你想要的數(shù)值，而不是隨機數(shù)值。但是只有少數(shù)算法（例如蠻力搜索算法brute-force search）可以很好地利用量子干涉，而且速度是適中的。

在某些任務(wù)中，研究人員發(fā)現(xiàn)了輸入和輸出數(shù)據(jù)的快捷方法。2015年，Lloyd、加拿大滑鐵盧大學的Silvano Garnerone和南加州大學的Paolo Zanardi證明了：在某些類別的統(tǒng)計分析中，不需要輸入或存儲整個數(shù)據(jù)集。同樣，當幾個關(guān)鍵數(shù)值就可以滿足需求時，不需要讀取所有數(shù)據(jù)。例如，科技公司根據(jù)龐大的消費者習慣數(shù)據(jù)，利用機器學習來矩陣為用戶建議節(jié)目或者商品?！癗etflix或亞馬遜（Amazon）并不需要獲取到處生成的矩陣，它們要做的只是為用戶生成建議?！?Aaronson稱。

所有這些引出了這樣一個問題：如果量子計算機只在某些特殊任務(wù)中表現(xiàn)優(yōu)秀，傳統(tǒng)的計算機是否也能勝任這些任務(wù)？這是量子計算領(lǐng)域的一個還未解決的大問題。畢竟普通的計算機也十分強大。處理大型數(shù)據(jù)集的常用方法——隨機采用，在本質(zhì)上與量子計算機十分類似，即：無論系統(tǒng)內(nèi)部進行何種運算，最終返回的結(jié)果都是隨機的。Schuld稱：“我研究出來的很多算法常常讓我感到‘它們太棒了，我們這下可以提升運算速度了’。不過我為了好玩又編寫了一個在傳統(tǒng)計算機上運行的抽樣算法，我發(fā)現(xiàn)用抽樣算法也可以實現(xiàn)相同的效果。”

如果回顧量子機器學習目前為止的成果，你會發(fā)現(xiàn)它們都帶有星號。以D-Wave計算機為例：當分類汽車圖像和希格斯粒子時，D-Wave計算機的速度并不比傳統(tǒng)的計算機快?！拔覀冊谶@篇論文中沒有談到的一個問題是量子加速?！?Google DeepMind團隊的計算機科學家Alex Mott表示。他曾經(jīng)是Higgs研究團隊的一員。矩陣代數(shù)方法（例如Harrow-Hassidim-Lloyd算法）只有在矩陣為稀疏矩陣（多數(shù)元素為零）時才會實現(xiàn)量子加速?！霸跈C器學習中稀疏數(shù)據(jù)集是否真的有趣？從沒有人問過這個問題?！?Schuld表示。

量子智能

話說回來，現(xiàn)有的方法偶爾有什么進展，科技公司們就會感到十分高興。“我們看到的這些優(yōu)勢都不算大；它們雖然不是指數(shù)性的，但是至少是二次的”微軟研究院（Microsoft Research）的量子計算研究院Nathan Wiebe稱?！叭绻孔佑嬎銠C足夠大、足夠快，我們就可以徹底改變機器學習的許多領(lǐng)域?！痹趹?yīng)用這些系統(tǒng)的過程中，計算機科學家可以解決一些理論性難題——這些系統(tǒng)是否在本質(zhì)上更快，原因是什么。

Schuld還看到了量子計算在軟件方面的創(chuàng)新空間。機器學習不僅僅是計算問題，而且還是很多問題交纏在一起，每個問題都有自己特殊的結(jié)構(gòu)。“人們編寫的算法被從使機器學習變得有趣和美麗的事物中移除。這就是為什么我開始探索其他方法和思考的原因：如果有了量子計算機（小型的），它可以運行什么機器學習模型？也許這樣的模型還沒有發(fā)明出來?！?Schuld說。如果物理學家想要讓機器學習專家刮目相看，除了構(gòu)建現(xiàn)有模型的量子版模型外，他們要探索別的突破。

許多神經(jīng)科學家現(xiàn)在認為人類思維的結(jié)構(gòu)反映了身體的要求，實際上機器學習系統(tǒng)也囊括萬千。這些系統(tǒng)所處理的圖像、語言和大多數(shù)其他數(shù)據(jù)都來自于真實世界，這些數(shù)據(jù)反映了世界的種種特征。同樣，量子機器學習系統(tǒng)也是包羅萬象的，它所反映的世界要遠遠大于我們的世界。毫無疑問，量子機器學習系統(tǒng)將在處理量子數(shù)據(jù)上大放光彩。當數(shù)據(jù)不是圖像，而是物理學或化學實驗的產(chǎn)物時，量子計算機將會大顯神通。如果解決了數(shù)據(jù)輸入問題，傳統(tǒng)的計算機就將會被完全淘汰。

第一批量子機器學習系統(tǒng)可以為后來的系統(tǒng)的設(shè)計提供幫助，這就形成了一個很好的自我參考循環(huán)?！拔覀兛梢允褂眠@樣系統(tǒng)來構(gòu)建量子計算機。在某些調(diào)試任務(wù)中，這是我們唯一的方法?！?Wiebe說。也許這些系統(tǒng)甚至可以糾正我們的錯誤。且不談人類大腦是否是量子計算機——這是一個備受爭議的問題，大腦有時候的行為讓人感覺它就是量子計算機。眾所周知，人類的行為離不開情境；現(xiàn)有的選擇決定了我們的偏好，這其實和我們的邏輯相悖。從這個角度看，我們確實像是量子粒子?！叭祟悊枂栴}的方式以及對順序的重視，都是量子數(shù)據(jù)集中非常典型的特性?！?Perdomo-Ortiz說。這樣看來，量子機器學習系統(tǒng)可以幫助我們研究人類認知偏見。

神經(jīng)網(wǎng)絡(luò)和量子處理器有一個共同點：那就是它們竟然能實現(xiàn)。訓練神經(jīng)網(wǎng)絡(luò)絕不是想當然能做到的，過去幾十年間，大多數(shù)人都對是否能做到持質(zhì)疑態(tài)度。同樣，量子物理學是否能被用在計算上也不好說，因為我們對量子物理學獨特的能力還知之甚少。但是神經(jīng)網(wǎng)絡(luò)和量子處理器都已實現(xiàn)，雖然并不是總能實現(xiàn)，但是還是超出了我們的預(yù)期?？紤]到這一點，量子物理學和神經(jīng)網(wǎng)絡(luò)的結(jié)合也很可能會在未來大放異彩。