量子机器学习为投入实际应用做好准备了吗？
银行机构通常会在客户使用银行卡时了解和跟踪他们的交易行为。例如某人去瑞典度假，他可以通过信用卡支付款项而不用携带现金。然而一旦别人盗用，发放信用卡的银行无法决定阻止实施的交易。毕竟，在刷卡记录中并没有什么证据表明是他人盗用。
银行的机器学习算法每天都会做出数十亿个此类决策。这在计算机科学中被称为“平均分类问题”，这些模型必须决定交易是否符合客户的正常购买行为。对于传统的机器学习算法来说，这个问题主要通过消费者的支付历史和与银行其他交互信息来画像解决，是一个计算密集且不完善的过程。
位列科技前沿的量子机器学习算法是否已经准备好投入这样的实际应用？行业专家对这一问题的答案存在分歧。
量子机器学习什么时候到来？
IBM杰出工程师、英国皇家工程院院士Richard Hopkins解释说，还有一种选择可能是使用量子机器学习算法。
他指出，传统机器学习模型需要大量时间和资源的训练来识别和权衡一笔交易的所有不同特征，以判断交易是否可疑。相比之下，量子机器学习模型利用量子比特的叠加来同时观察这些特征，因此有能力更快地找出解决非常困难的分类问题的答案。
在Hopkins看来，虽然量子机器学习领域目前仍处于实验阶段，但人们可能只需要5年时间就会看到量子机器学习算法在欺诈检测、药物研发和计算机视觉等各个领域的应用。
但并不是所有的专家都认同这个观点。量子初创公司Xanadu研究员、《量子计算机的机器学习》一书合著者Maria Schuld博士认为，从长远来看，量子机器学习无疑具有巨大的发展潜力，但实现量子计算的实际应用目前看起来还很遥远。
她说，“我们是科学家，通常为我们研究的科学进行商业论证。这样做并不是因为知道这将会奏效，而是希望能有一些令人兴奋的结果。”
量子机器学习还处于试验阶段
量子机器学习是一个相对较新的领域。虽然从上世纪90年代中期开始就有关于这一主题的研究论文公开发表，但在过去五六年，量子机器学习才真正开始吸引科学界的注意力。
Schuld介绍，量子机器学习有两个广泛的研究领域，一是使用量子计算机来加速传统的机器学习算法，例如吉布斯（Gibbs）采样器；另一个是使用量子计算机作为模型，特别是使用量子芯片本身作为基础，以类似于传统神经网络的方式训练模型。
即便如此，这一领域整体上仍处于高度实验性阶段。她解释说，虽然在某些情况下，机器学习算法可以证明比传统算法具有“量子优势”，但还需要一段时间才能憧憬它们在现实世界中的应用。
这一点被多个研究中关于量子机器学习的积极性所掩盖，这些研究通常是在单一的、狭窄的用例中获得了量子优势的前提下发表的。为此Schuld指出，“从学术角度来看，这很有趣，但对量子计算可能的应用并没有太多说明。毕竟，这些研究中解决的许多问题都是经过精心编码才能在量子计算机上工作。换句话说，他们只擅长通过一台量子计算机以非常具体的方式解决非常具体的问题。”
对于传统的机器学习技术来说，这并不是一个难题，其中许多技术都具有可推广到更多问题的优点。相反，量子机器学习研究人员仍然很难将一种方法适用于一系列任务。为此Schuld明确指出，现在还没有到利用量子芯片作为新的机器学习模型基础的时候。
量子机器学习需要在现实中证明自己
尽管量子计算研究人员一致认为，在特定情况下，量子机器学习的性能远远优于传统机器学习，但专家对前者的实际应用会多久出现存在分歧。
Hopkins承认，该领域仍然缺乏将问题映射到算法并生成解决方案的通用模板，这也是传统机器学习曾经面临的问题，但是一旦做到了，那么利用这项技术就变得非常容易。
“量子计算机允许用户基于更高维度数据集做出更好、更准确的决策。我们已经在理论上证明了这一点，在实验室里也证明了这一点，我们越来越接近于在现实中证明这一点。”他表示。
但是量子机器学习模型为此准备好了吗?？Schuld认为并没有。她表示，“在底层硬件改进之前，我们不知道是否会有量子机器学习算法能够解决大量实际问题。除非我们拥有了没有错误的机器，否则使用量子机器学习实际完成的任务是有限的。就实际应用而言，这有点令人遗憾。”
Hopkins对此虽不认同，但也承认人们不太可能很快就能看到一台量子计算机能够训练ChatGPT型模型。他说：“不可能在只有433个量子比特的量子计算机上实现这一点，但我们每年都在取得进展，以扩大可能进行的量子机器学习实验的数量。人们将逐渐看到量子机器学习模型变得更加通用。”