生活健康报移动版

　　“量子机器学习的更多应用还须等到可以实现大规模量子信息存储，以及有成熟的量子计算机出现才行。”韩正甫说，但事实上，量子计算机的概念1980年代提出，投入研发20年，迄今还没有一台真正走出实验室。

　　刘激扬也表示，量子计算机是真正实现量子机器学习算法实用化的重要硬件基础，要想将量子机器学习算法应用于实际的数据分析和处理任务中，需要将数据转化为量子态，上传至计算机中，进行存储、处理并导出，这就需要研制出具有成百上千超导量子比特的量子计算机，“在通用量子计算机建造成功之前，量子机器学习算法则很难在实际应用中展现出其数据处理方面的强大能力。”

　　张胜誉分析道，由于硬件资源的受限，量子机器学习的验证和发展确实有很多瓶颈。“理论上可以进行更多量子加速的研究，实践上也可以结合硬件不停推进对物理化学中基本问题的理解。”他认为，这个领域最终的突破，可能需要理论和硬件手拉手往前走。

　　在刘激扬看来，量子机器学习还缺乏完备的理论框架及实际验证。“由于量子机器学习只能在量子状态下进行，而当前由经典信息到量子信息的转换研究较少，还有很多问题未解决。”

　　“我们还不能从基础理论角度来阐述量子机器学习算法的优势。”刘激扬说，目前仍不能证明某个量子机器算法的性能比所有的经典机器学习算法都好， 因为没有找到同样复杂度的经典算法，但这并不代表这样的经典算法不存在，所以还有待进一步研究证明。

　　但是，在业界大佬们看来，量子机器学习是个充满无限遐想的领域。“深度学习带来的变化已经远超十年前的估计，量子计算机对量子多体系统的模拟会给我们带来哪些颠覆性的认识，量子与机器学习结合会对我们自身和自然界的理解和改变带来哪些影响，这里有非常大的想象空间。”张胜誉说。

　　张胜誉介绍道，腾讯一直持续关注量子机器学习的方向。“我们团队和法国的合作者Iordanis Kerenidis一起设计了第一个可证明有加速的神经网络量子算法，团队在机器学习对量子物理和量子化学的理解上也在不停向前探索。我们希望能在这个令人期待的领域中作出一些踏实的贡献。”

　　在机器学习领域深耕多年的国双，也一直关注着量子机器学习等相关领域的最新动态。刘激扬说，目前，该公司的产业人工智能平台搭载包括机器学习、知识图谱、自然语言处理等人工智能技术与算法，在数字营销、司法大数据、工业互联网等领域都积累了丰富的实践经验及成功案例，切实的帮助客户提升生产运营效率。

　　“除了持续推动‘AI+行业解决方案’服务模式落地外，我们会跟进量子机器学习的进展并积极部署，思索如何将这些新兴技术融入国双独有的产业人工智能平台，致力落实用技术改变产业，为客户实现智能化转型而努力。”刘激扬说。

　　本报记者 操秀英