譯者 | 陳峻

審校 | 重樓

現(xiàn)如今，機(jī)器學(xué)習(xí)的速度比以往任何時(shí)候都快得多，也能夠解決那些曾被認(rèn)為完全無(wú)法解決的問(wèn)題。將來(lái)，在量子計(jì)算潛力的驅(qū)動(dòng)下，人工智能（AI）模型會(huì)越來(lái)越大、越來(lái)越強(qiáng)，甚至?xí)轿覀儗?duì)其訓(xùn)練的工具。

說(shuō)到模型訓(xùn)練，其計(jì)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(xùn)練所消耗的電力已與一個(gè)城市相當(dāng)。此外，據(jù)報(bào)道，OpenAI的GPT-3訓(xùn)練已消耗了1,287兆瓦時(shí)的電力，相當(dāng)于120個(gè)美國(guó)普通家庭的年能源消耗量。

而一種將量子計(jì)算應(yīng)用于擴(kuò)展機(jī)器學(xué)習(xí)的技術(shù)--量子擴(kuò)展（Quantum Scaling），則可以通過(guò)解決經(jīng)典AI系統(tǒng)日益增長(zhǎng)的局限性，實(shí)現(xiàn)更快的訓(xùn)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(kuò)展的基本概念，它在機(jī)器學(xué)習(xí)中的優(yōu)勢(shì)，以及我們將如何從中獲益。

什么是量子擴(kuò)展？

總的說(shuō)來(lái)，量子擴(kuò)展可以利用量子計(jì)算的原理，來(lái)克服AI訓(xùn)練中經(jīng)典系統(tǒng)的局限性。不同于依賴于0和1比特的經(jīng)典計(jì)算，量子計(jì)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(shí)存在多種狀態(tài)。這也使得量子系統(tǒng)能夠以指數(shù)級(jí)的速度處理某些任務(wù)的信息。

回到機(jī)器學(xué)習(xí)的話題，量子擴(kuò)展解決了如下關(guān)鍵挑戰(zhàn)：

• 算法優(yōu)化：量子算法通過(guò)量子近似來(lái)解決AI模型訓(xùn)練中的優(yōu)化問(wèn)題。其優(yōu)化算法（QAOA）可以更有效地執(zhí)行。
• 高維數(shù)據(jù)：量子系統(tǒng)擅長(zhǎng)處理龐大的特征空間，而這正是經(jīng)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(xùn)練的能源成本。傳統(tǒng)的硬件解決方案依賴于計(jì)算能力的大量輸入，這使得AI的進(jìn)步嚴(yán)重依賴環(huán)境和經(jīng)濟(jì)能力。而量子擴(kuò)展提供了一個(gè)潛在的解決方案，將AI訓(xùn)練轉(zhuǎn)變?yōu)楦沙掷m(xù)的范式。

因此，如果你把經(jīng)典計(jì)算想象成為一步一步登階梯的話，那么量子擴(kuò)展便是一部電梯。它跳過(guò)了繁瑣的步驟，能夠更快地達(dá)到新的高度。

量子擴(kuò)展的現(xiàn)狀

目前，量子擴(kuò)展仍處于起步階段。量子計(jì)算機(jī)又被稱為NISQ（Noisy Intermediate-Scale Quantum，噪聲中尺度量子）設(shè)備。其功率有限，容易出錯(cuò)。這些系統(tǒng)遠(yuǎn)不能直接訓(xùn)練大型AI模型，但它們提供了未來(lái)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(jīng)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(jīng)典模型，以便量子系統(tǒng)處理優(yōu)化等特定任務(wù)，而讓經(jīng)典系統(tǒng)管理更廣泛的訓(xùn)練循環(huán)。同時(shí)，PyTorch的靈活性能夠適應(yīng)量子研究，以確保開發(fā)人員隨著該領(lǐng)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(kuò)展的最實(shí)際應(yīng)用。通過(guò)結(jié)合經(jīng)典和量子系統(tǒng)的優(yōu)勢(shì)，它使得研究人員能夠嘗試具有量子增強(qiáng)的AI工作流程。詳情，請(qǐng)?jiān)L問(wèn)TensorFlow Quantum的官方GitHub頁(yè)面和PyTorch的Quantization Toolkit。

量子擴(kuò)展的未來(lái)

隨著量子硬件的改進(jìn)，量子擴(kuò)展的未來(lái)已變得更加清晰。在未來(lái)幾年中，那些具有數(shù)千個(gè)量子比特的糾錯(cuò)型量子計(jì)算機(jī)將能夠：

• 訓(xùn)練比GPT-4量級(jí)大得多的模型。
• 大幅減少AI開發(fā)所需的時(shí)間和精力。也就是說(shuō)，通過(guò)降低AI訓(xùn)練資源的密集度，量子擴(kuò)展將能夠以可持續(xù)性的方式，讓技術(shù)創(chuàng)新與環(huán)境責(zé)任保持一致。
• 解鎖藥物發(fā)現(xiàn)、氣候建模和高級(jí)機(jī)器人等領(lǐng)域的新應(yīng)用。

就像從CPU到GPU的過(guò)渡，徹底改變了機(jī)器學(xué)習(xí)那樣，量子擴(kuò)展的轉(zhuǎn)變也可能會(huì)引發(fā)下一個(gè)巨大的飛躍?？梢?，量子擴(kuò)展不僅會(huì)帶來(lái)更快的AI，而且會(huì)重新定義AI未來(lái)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(kuò)展典型十問(wèn)

1.什么是量子擴(kuò)展？

量子擴(kuò)展是指應(yīng)用量子計(jì)算，來(lái)提高機(jī)器學(xué)習(xí)模型的性能、可擴(kuò)展性和效率。它通過(guò)利用疊加和糾纏等量子原理，來(lái)解決能源消耗、優(yōu)化和處理高維數(shù)據(jù)等挑戰(zhàn)。

2.量子擴(kuò)展與經(jīng)典計(jì)算有何不同？

經(jīng)典計(jì)算依賴于0、1比特進(jìn)行計(jì)算，而量子計(jì)算使用量子比特。量子比特可以同時(shí)表示多種狀態(tài)。這使得量子系統(tǒng)能夠以指數(shù)級(jí)的速度，處理特定任務(wù)的信息?？梢哉f(shuō)，量子擴(kuò)展已成為人工智能和機(jī)器學(xué)習(xí)的顛覆者。

3.量子擴(kuò)展對(duì)機(jī)器學(xué)習(xí)為什么如此重要？

隨著機(jī)器學(xué)習(xí)模型的擴(kuò)大，經(jīng)典系統(tǒng)正在與計(jì)算瓶頸和能源效率作斗爭(zhēng)。量子擴(kuò)展通過(guò)加快優(yōu)化過(guò)程、高效處理高維數(shù)據(jù)、以及顯著降低能耗，來(lái)提供更好的解決方案。

4.量子擴(kuò)展在現(xiàn)實(shí)世界中有哪些應(yīng)用？

量子擴(kuò)展可以應(yīng)用于現(xiàn)實(shí)世界的各種領(lǐng)域，包括：

• 藥物發(fā)現(xiàn)：加速新藥的模擬。
• 氣候建模：增強(qiáng)對(duì)天氣和氣候變化的預(yù)測(cè)。
• 財(cái)務(wù)投資：優(yōu)化投資組合管理和風(fēng)險(xiǎn)分析。
• AI開發(fā)：以更低的成本訓(xùn)練更大、更高效的模型。

5.量子擴(kuò)展的現(xiàn)狀如何？

量子擴(kuò)展仍處于起步階段。目前的量子計(jì)算機(jī)，被稱為NISQ設(shè)備，其功率有限，容易出錯(cuò)。不過(guò)，TensorFlow Quantum和PyTorch等工具能夠讓研究人員探索混合了量子與經(jīng)典的工作流程。

6.量子擴(kuò)展如何影響能源效率？

傳統(tǒng)的機(jī)器學(xué)習(xí)模型需要大量的能量來(lái)訓(xùn)練，其電力消耗往往與一個(gè)城市相當(dāng)。而量子擴(kuò)展可以通過(guò)利用量子系統(tǒng)的固有效率，來(lái)減少此類能消，讓AI訓(xùn)練得以持續(xù)。

7.實(shí)現(xiàn)量子擴(kuò)展的挑戰(zhàn)有哪些？

典型挑戰(zhàn)包括：

• 硬件限制：量子計(jì)算機(jī)仍在發(fā)展中，并面臨著錯(cuò)誤率和量子比特有限等問(wèn)題。
• 算法差距：許多機(jī)器學(xué)習(xí)的量子算法仍是實(shí)驗(yàn)性的，尚不可擴(kuò)展。
• 集成：將量子和經(jīng)典系統(tǒng)結(jié)合到工作流程中仍有技術(shù)障礙。

8.量子擴(kuò)展與TensorFlow和PyTorch等工具有何關(guān)系？

TensorFlow Quantum和PyTorch等框架，使得開發(fā)人員能夠構(gòu)建和實(shí)驗(yàn)混合式的量子與經(jīng)典模型。這些工具可以充當(dāng)橋梁，協(xié)助研究人員將量子原理整合到現(xiàn)有的機(jī)器學(xué)習(xí)管道中。

9.量子擴(kuò)展何時(shí)會(huì)被廣泛采用？

量子擴(kuò)展的廣泛采用取決于量子硬件、糾錯(cuò)和可擴(kuò)展算法的進(jìn)步。專家預(yù)測(cè)，未來(lái)5-10年內(nèi)將取得重大進(jìn)展。

10.如何了解更多關(guān)于量子擴(kuò)展的信息？

欲了解更多信息，請(qǐng)查閱TensorFlow Quantum的GitHub存儲(chǔ)庫(kù)、IBM的量子計(jì)算頁(yè)面、以及谷歌的Quantum AI計(jì)劃等資源。

知識(shí)拓展

如果你對(duì)此話題感興趣，可以通過(guò)查閱如下資源的方式，來(lái)加深你對(duì)量子擴(kuò)展、機(jī)器學(xué)習(xí)和相關(guān)技術(shù)的理解：

• 《數(shù)字海洋GPU Droplets》--使用GPU Droplets進(jìn)行高性能的計(jì)算，托管你的大語(yǔ)言模型（LLM）和機(jī)器學(xué)習(xí)應(yīng)用程序。
• 《量子機(jī)器學(xué)習(xí)存儲(chǔ)庫(kù)》：與量子機(jī)器學(xué)習(xí)相關(guān)的資源、教程、研究論文和代碼等精選集合。
• 《量子計(jì)算學(xué)習(xí)資源》：為你提供學(xué)習(xí)量子計(jì)算的大量免費(fèi)材料列表，適合初學(xué)者和經(jīng)驗(yàn)豐富的研究人員。
• 《量子機(jī)器學(xué)習(xí)概述》：一篇關(guān)于量子機(jī)器學(xué)習(xí)、其應(yīng)用和未來(lái)前景的文章。
• 《量子計(jì)算課程》：與微軟和Alphabet X聯(lián)合制作的互動(dòng)課程，旨在全面介紹量子計(jì)算。
• 《Gorombo》：介紹Gorombo在定制軟件、數(shù)字店面和可擴(kuò)展解決方案方面為開發(fā)人員提供的產(chǎn)品。
• 《量子計(jì)算解釋》：一本適合初學(xué)者的指南，介紹量子計(jì)算及其對(duì)于技術(shù)的影響。
• 《人工智能的未來(lái)》：介紹了谷歌在量子人工智能方面的最新進(jìn)展。
• 《人工智能和可持續(xù)性》：通過(guò)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(gè)信息量豐富且有指導(dǎo)性的技術(shù)博客，可用于了解各種主題的最新技術(shù)趨勢(shì)。

小結(jié)

隨著TensorFlow Quantum和PyTorch等框架鋪平了技術(shù)道路，我們已處于量子革命的前夜。量子擴(kuò)展會(huì)通過(guò)克服經(jīng)典計(jì)算的局限性，終將釋放AI機(jī)器學(xué)習(xí)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(xiàng)目實(shí)施經(jīng)驗(yàn)，善于對(duì)內(nèi)外部資源與風(fēng)險(xiǎn)實(shí)施管控，專注傳播網(wǎng)絡(luò)與信息安全知識(shí)與經(jīng)驗(yàn)。

原文標(biāo)題：The Next Frontier in Machine Learning - Quantum Scaling，作者：Daniel T Sasser II