GPT-4肆意挥刀下，量子人工智能还有多远？

正文共：3316字

预计阅读时间：9分钟

昨日凌晨，OpenAI发布了最新版本的自然语言处理模型GPT-4，瞬间引爆全球科技圈[1]。

今日14点，顺势而来的中国顶流科技公司百度也发布了中国版的ChatGPT——文心一言，不幸的是被GPT-4的发布抢了个彩头，更不幸的是和谷歌发布基于LaMDA的Bard一样，股价先跌为敬。

区别于ChatGPT的是，文心一言的今天并未开放给大众测试使用，而是以邀请测试码的方式对成功预约者开放。

从直接开放使用的程度来说，ChatGPT似乎更胜一筹。但是，从进步的速度来看，百度是神速的。

ChatGPT-4到底有多牛，数据说话:

从性能上看，与上一版本GPT-3.5相比，整体上碾压老版本。

在GPT-4的考试结果中，单从分数看，GPT-4到了可以申请哈佛、牛津、剑桥的水平。

在统一律师考试中，GPT-4可以超过90%的人类考试，而老版本仅超过10%。

GRE数学考试中，满分为170分，GPT-4能拿163分，超过80%的人类考生，老版本超过25%。

GRE语文考试中，满分为170分，GPT-4能拿169分，超过99%的人类考生，老版本超过63%。

除此之外，GPT-4 还大大优于现有的大型语言模型，以及大多数最先进的 (SOTA) 模型。

之前的GPT版本已经火遍全球，国内更是掀起一股GPT热潮，百度、字节跳动、腾讯等科技公司纷纷宣布，先后投入研发布局，包括今日的文心一言，在过去就开始摩拳擦掌。

在此之前，笔者也去测试过国产的生成式AI，如前段时间复旦大学发布的MOSS，当然体验和结局都不太及格。加上名字取得稍有碰瓷的迹象，且性能上肉眼有可见的差别。

相较于国外，国内起步较晚，在实际发布的产品对比中，稍存在一定差距。

无论是微软在Bing里集成人工智能，还是谷歌百度这样的巨星人工智能公司以跌股为敬的方式，都在说明人工智能技术对科技公司未来的期望值是如此之高。

而在人们惊叹GPT-4之余，是否思考量子人工智能下的GPT-Q（

来自ChatGPT之父对量子计算的9项投资

），又会带来什么想象力?而这一切又离我们有多远呢？

01. 什么是量子人工智能？

量子人工智能（Quantum Artificial Intelligence，简称 QAI），顾名思义是指利用量子计算机进行人工智能计算和建模的科学。

它利用量子力学的原理（

精，一文读懂量子计算

），如量子叠加态和量子纠缠态，以提高计算能力，从而使得解决复杂问题变得更加高效。

QAI 的历史最早可以追溯到 20 世纪 80 年代，当时科学家们开始研究如何利用量子计算技术来解决复杂的计算问题。

而后，伴随人工智能的发展，量子人工智能也自然而然出现在研究的细分领域里，因为计算和人工智能天然配对（客：近期A100显卡价格已接近10万一张）。

尽管人工智能在过去十年中取得了快速进展，但它仍未克服技术限制。而现在的研究者和开发者们期望借助量子计算的独特特性，来消除实现AGI（通用人工智能）的障碍。

量子计算可用于快速训练机器学习模型和创建优化算法。由量子计算提供的优化稳定的AI可以在短时间内完成多年分析，并推动技术进步。

神经形态认知模型、自适应机器学习或不确定性推理是当今人工智能面临的一些基本挑战。因此，量子人工智能是下一代人工智能最有可能的解决方案之一。

02. 量子人工智能如何工作？

在此，此处以谷歌的TensorFlow Quantum（TFQ）量子机器学习库为例，解析量子人工智能如何工作。

TFQ是一个开源的量子机器学习库，它是将量子建模和机器学习技术结合起来的工具套件之一。

TFQ的目标是提供必要的工具来控制和建模量子系统。

图｜TFQ工作原理（来源：谷歌）

解析上图工作原理：

1、将量子数据转换为量子数据集：量子数据可以表示为数字的多维数组，称为量子张量（Quantum tensors）。TensorFlow处理这些张量以创建进一步使用的数据集。

2、选择量子神经网络模型：基于对量子数据结构的了解，选择量子神经网络模型。目标是执行量子处理以提取隐藏在纠缠状态中的信息。

3、采样或均值：测量量子态从经典分布中提取样本形式的经典信息。这些值来自于该状态本身。TFQ提供了涉及步骤（1）和（2）的几次运行进行平均化的方法。

4、评估古典神经网络模型：由于现在将量子数据转换为经典数据，因此使用深度学习技术来学习数据之间的相关性。

评估成本函数、梯度和更新参数等其他步骤都是深度学习中传统步骤，而这些步骤确保创建有效用于无监督任务的模型。

03. 量子人工智能的可能性在哪里？

研究人员对量子人工智能的近期现实目标，主要是创造出比经典算法性能更好的量子算法，并将其投入实际应用，其中，可能性体现如下：

1、学习模型的量子算法：为经典学习模型的量子泛化开发量子算法。它可以为深度学习的训练过程提供可能的提速或其他改进。量子计算对经典机器学习的贡献可以通过快速呈现人工神经网络的权重的最优解集来实现。

2、决策问题的量子算法：经典决策问题是以决策树为基础进行制定。从某些点创建分支是到达解集合的一种方法。然而，当每个问题都太复杂无法通过不断将其分成两部分来解决时，这种方法效率会降低。基于哈密顿时间演化的量子算法可以比随机游走更快地解决由多个决策树表示的问题。

3、量子搜索：大多数搜索算法都是为经典计算设计的。在搜索问题上，经典计算胜过人类智能。另一方面，Grover 提出了他的 Grover 算法，并指出量子计算机可以比经典计算机更快地解决此类问题。由量子计算驱动人工智能可望成为近期应用（如加密）的突破口。

4、量子博弈论：经典博弈论是一个建模的过程，在人工智能应用中被广泛使用。这一理论在量子领域的延伸就是量子博弈论。它可以成为克服量子通信和实现量子人工智能的关键问题的一个有前途的工具。

这几个方面，中国的研究者以及量子计算机构都有涉及。

04. 谁在突破，点在何处，果有多远？

目前专注于量子人工智能领域的除了谷歌[2]，还有加拿大Xanadu.ai [3]等国外公司，国内的百度公司以及新初创企业如本源量子公司、图灵量子公司以及玻色量子等都在这方面投入了大量的精力，玻色量子正以用量子重新定义AI作为企业宣言。

其中百度量桨（Paddle Quantum）是基于百度飞桨（PaddlePaddle）研发的云量一体的量子机器学习平台[4], 支持量子神经网络的搭建与训练，提供量子化学、组合优化等功能；

本源量子则集成在量子云平台上，包括图像识别，手写数字识别，机器学习框架VQNet等[5]；

图灵量子则专注其人工智能光子处理器，具体硬件情况尚未对外发布测试[6]；

玻色量子则专注在被称为相干伊辛机（Coherent Ising Machine，CIM））[7]，是一种采用光量子的耗散式架构的量子计算系统。官方称这套系统区别超导或者离子阱系统，可以更加类似于人脑神经突触的工作模式，天然适合于形成超大规模的量子神经网络。

除此之外，还有众多的研究组和研究院都有这方面突破性的工作。

从量子公司所展现的技术应用方向，量子人工智能似乎将成为量子计算攻下的第一块高地。

而在GPT-4大规模应用之际，探讨量子人工智能问题，一方面是产业界需要有长足的准备，并不应该像GPT-3一样，大规模来时，国内才高调宣布大举进军，这容易囫囵吞枣，一地灰尘。

而谈及量子人工智能到底什么时候到来？

关键在于：量子计算机是种子，量子人工智能中的算法应用是水和阳光，开发出基于量子人工智能的应用才是最终的果。

所以，论其长远，决定在于大规模量子计算机的成败。

成功之日，量子人工智能或将再次掀起此刻正发生的全球波澜。

引用：

[1]https://openai.com/product/gpt-4

[2]https://www.quantumai.google/

[3]https://www.xanadu.ai/

[4]https://qml.baidu.com/

[5]https://originqc.com.cn/zh/ai.html 

[6]https://www.turingq.com/

[7]https://qboson.com/

声明：此文出于传递更多信息。若有错误或侵权，请联系