譯者 | 陳峻

審校 | 重樓

現如今，機器學習的速度比以往任何時候都快得多，也能夠解決那些曾被認為完全無法解決的問題。將來，在量子計算潛力的驅動下，人工智能（AI）模型會越來越大、越來越強，甚至會超越我們對其訓練的工具。

說到模型訓練，其計算和能源的消耗成本日趨高啟。GPT-4及其繼任者的大規(guī)模訓練所消耗的電力已與一個城市相當。此外，據報道，OpenAI的GPT-3訓練已消耗了1,287兆瓦時的電力，相當于120個美國普通家庭的年能源消耗量。

而一種將量子計算應用于擴展機器學習的技術--量子擴展（Quantum Scaling），則可以通過解決經典AI系統(tǒng)日益增長的局限性，實現更快的訓練、更少的能源消耗、以及能力上的飛躍。本文將和你探討量子擴展的基本概念，它在機器學習中的優(yōu)勢，以及我們將如何從中獲益。

什么是量子擴展？

總的說來，量子擴展可以利用量子計算的原理，來克服AI訓練中經典系統(tǒng)的局限性。不同于依賴于0和1比特的經典計算，量子計算引入了量子比特（Qubit）的概念。而基于疊加的概念，量子比特可以同時存在多種狀態(tài)。這也使得量子系統(tǒng)能夠以指數級的速度處理某些任務的信息。

回到機器學習的話題，量子擴展解決了如下關鍵挑戰(zhàn)：

• 算法優(yōu)化：量子算法通過量子近似來解決AI模型訓練中的優(yōu)化問題。其優(yōu)化算法（QAOA）可以更有效地執(zhí)行。
• 高維數據：量子系統(tǒng)擅長處理龐大的特征空間，而這正是經典系統(tǒng)的瓶頸。
• 能源效率：量子系統(tǒng)可以大幅降低大規(guī)模人工智能訓練的能源成本。傳統(tǒng)的硬件解決方案依賴于計算能力的大量輸入，這使得AI的進步嚴重依賴環(huán)境和經濟能力。而量子擴展提供了一個潛在的解決方案，將AI訓練轉變?yōu)楦沙掷m(xù)的范式。

因此，如果你把經典計算想象成為一步一步登階梯的話，那么量子擴展便是一部電梯。它跳過了繁瑣的步驟，能夠更快地達到新的高度。

量子擴展的現狀

目前，量子擴展仍處于起步階段。量子計算機又被稱為NISQ（Noisy Intermediate-Scale Quantum，噪聲中尺度量子）設備。其功率有限，容易出錯。這些系統(tǒng)遠不能直接訓練大型AI模型，但它們提供了未來的可能性。

而TensorFlow Quantum和PyTorch等框架正在彌合此類局限，為研究人員提供了探索量子經典集成的工具。其中，TensorFlow Quantum允許開發(fā)人員嘗試混合量子與經典模型，以便量子系統(tǒng)處理優(yōu)化等特定任務，而讓經典系統(tǒng)管理更廣泛的訓練循環(huán)。同時，PyTorch的靈活性能夠適應量子研究，以確保開發(fā)人員隨著該領域的發(fā)展，擁有多樣化的工具。

目前，混合系統(tǒng)代表了量子擴展的最實際應用。通過結合經典和量子系統(tǒng)的優(yōu)勢，它使得研究人員能夠嘗試具有量子增強的AI工作流程。詳情，請訪問TensorFlow Quantum的官方GitHub頁面和PyTorch的Quantization Toolkit。

量子擴展的未來

隨著量子硬件的改進，量子擴展的未來已變得更加清晰。在未來幾年中，那些具有數千個量子比特的糾錯型量子計算機將能夠：

• 訓練比GPT-4量級大得多的模型。
• 大幅減少AI開發(fā)所需的時間和精力。也就是說，通過降低AI訓練資源的密集度，量子擴展將能夠以可持續(xù)性的方式，讓技術創(chuàng)新與環(huán)境責任保持一致。
• 解鎖藥物發(fā)現、氣候建模和高級機器人等領域的新應用。

就像從CPU到GPU的過渡，徹底改變了機器學習那樣，量子擴展的轉變也可能會引發(fā)下一個巨大的飛躍?？梢?，量子擴展不僅會帶來更快的AI，而且會重新定義AI未來的可能性。而TensorFlow和PyTorch等框架的繼續(xù)發(fā)展，將能夠確保開發(fā)人員充分利用量子系統(tǒng)的潛力。

量子擴展典型十問

1.什么是量子擴展？

量子擴展是指應用量子計算，來提高機器學習模型的性能、可擴展性和效率。它通過利用疊加和糾纏等量子原理，來解決能源消耗、優(yōu)化和處理高維數據等挑戰(zhàn)。

2.量子擴展與經典計算有何不同？

經典計算依賴于0、1比特進行計算，而量子計算使用量子比特。量子比特可以同時表示多種狀態(tài)。這使得量子系統(tǒng)能夠以指數級的速度，處理特定任務的信息。可以說，量子擴展已成為人工智能和機器學習的顛覆者。

3.量子擴展對機器學習為什么如此重要？

隨著機器學習模型的擴大，經典系統(tǒng)正在與計算瓶頸和能源效率作斗爭。量子擴展通過加快優(yōu)化過程、高效處理高維數據、以及顯著降低能耗，來提供更好的解決方案。

4.量子擴展在現實世界中有哪些應用？

量子擴展可以應用于現實世界的各種領域，包括：

• 藥物發(fā)現：加速新藥的模擬。
• 氣候建模：增強對天氣和氣候變化的預測。
• 財務投資：優(yōu)化投資組合管理和風險分析。
• AI開發(fā)：以更低的成本訓練更大、更高效的模型。

5.量子擴展的現狀如何？

量子擴展仍處于起步階段。目前的量子計算機，被稱為NISQ設備，其功率有限，容易出錯。不過，TensorFlow Quantum和PyTorch等工具能夠讓研究人員探索混合了量子與經典的工作流程。

6.量子擴展如何影響能源效率？

傳統(tǒng)的機器學習模型需要大量的能量來訓練，其電力消耗往往與一個城市相當。而量子擴展可以通過利用量子系統(tǒng)的固有效率，來減少此類能消，讓AI訓練得以持續(xù)。

7.實現量子擴展的挑戰(zhàn)有哪些？

典型挑戰(zhàn)包括：

• 硬件限制：量子計算機仍在發(fā)展中，并面臨著錯誤率和量子比特有限等問題。
• 算法差距：許多機器學習的量子算法仍是實驗性的，尚不可擴展。
• 集成：將量子和經典系統(tǒng)結合到工作流程中仍有技術障礙。

8.量子擴展與TensorFlow和PyTorch等工具有何關系？

TensorFlow Quantum和PyTorch等框架，使得開發(fā)人員能夠構建和實驗混合式的量子與經典模型。這些工具可以充當橋梁，協(xié)助研究人員將量子原理整合到現有的機器學習管道中。

9.量子擴展何時會被廣泛采用？

量子擴展的廣泛采用取決于量子硬件、糾錯和可擴展算法的進步。專家預測，未來5-10年內將取得重大進展。

10.如何了解更多關于量子擴展的信息？

欲了解更多信息，請查閱TensorFlow Quantum的GitHub存儲庫、IBM的量子計算頁面、以及谷歌的Quantum AI計劃等資源。

知識拓展

如果你對此話題感興趣，可以通過查閱如下資源的方式，來加深你對量子擴展、機器學習和相關技術的理解：

• 《數字海洋GPU Droplets》--使用GPU Droplets進行高性能的計算，托管你的大語言模型（LLM）和機器學習應用程序。
• 《量子機器學習存儲庫》：與量子機器學習相關的資源、教程、研究論文和代碼等精選集合。
• 《量子計算學習資源》：為你提供學習量子計算的大量免費材料列表，適合初學者和經驗豐富的研究人員。
• 《量子機器學習概述》：一篇關于量子機器學習、其應用和未來前景的文章。
• 《量子計算課程》：與微軟和Alphabet X聯合制作的互動課程，旨在全面介紹量子計算。
• 《Gorombo》：介紹Gorombo在定制軟件、數字店面和可擴展解決方案方面為開發(fā)人員提供的產品。
• 《量子計算解釋》：一本適合初學者的指南，介紹量子計算及其對于技術的影響。
• 《人工智能的未來》：介紹了谷歌在量子人工智能方面的最新進展。
• 《人工智能和可持續(xù)性》：通過有見地的文章，討論了人工智能如何影響環(huán)境和可持續(xù)性。
• 《Dan Sasser的博客》：一個信息量豐富且有指導性的技術博客，可用于了解各種主題的最新技術趨勢。

小結

隨著TensorFlow Quantum和PyTorch等框架鋪平了技術道路，我們已處于量子革命的前夜。量子擴展會通過克服經典計算的局限性，終將釋放AI機器學習前所未有的能力。

譯者介紹

陳峻（Julian Chen），51CTO社區(qū)編輯，具有十多年的IT項目實施經驗，善于對內外部資源與風險實施管控，專注傳播網絡與信息安全知識與經驗。

原文標題：The Next Frontier in Machine Learning - Quantum Scaling，作者：Daniel T Sasser II