為什么人工智能領(lǐng)域沒有創(chuàng)造出與人類智慧相當(dāng)?shù)臇|西?是因為問題“人工一般情報”還不是很清楚，還是因為我們只需要更快的計算機(jī)，特別是量子計算機(jī)?后一種觀點是充滿活力的研究領(lǐng)域，“量子機(jī)器學(xué)習(xí)”或QML的源泉。但有理由持懷疑態(tài)度。英國曼徹斯特的網(wǎng)絡(luò)安全公司NCC Group的工程負(fù)責(zé)人詹妮弗弗尼克說：“我們需要懷疑這一觀點，即量子能讓事情變得更快，從而使機(jī)器學(xué)習(xí)得以進(jìn)步。”

費爾尼克一周前在紐約的O'Reilly人工智能會議上發(fā)表了主題演講。她本周坐下來告訴ZDNet為什么她對量子和人工智能配對中出現(xiàn)的所有炒作持懷疑態(tài)度

“現(xiàn)在，如果我們看看QML的工作，人們正在嘗試諸如，我們可以構(gòu)建一個支持向量機(jī)(SVM)或Boltzmann機(jī)器 - 我們可以構(gòu)建這些現(xiàn)有的規(guī)范機(jī)器學(xué)習(xí)模型 - 在量子機(jī)器中， “觀察費爾尼克。她指的是20世紀(jì)80年代和90年代出現(xiàn)的兩種較舊的機(jī)器學(xué)習(xí)模型，在今天的深度學(xué)習(xí)系統(tǒng)之前。

網(wǎng)絡(luò)安全公司NCC集團(tuán)工程主管Jennifer Fernick表示，最近加速機(jī)器學(xué)習(xí)的量子工作“很酷”，“但不一定是人工智能的革命”

NCC集團(tuán)。

實際上，IBM最近的研究試圖表明，即使是今天的簡單量子系統(tǒng)，例如2-qubit模型，理論上也可以遠(yuǎn)遠(yuǎn)超出使用電子流可以計算的“經(jīng)典”計算機(jī)。

另外：

IBM的工作是最近在大型系統(tǒng)具有商業(yè)可行性之前找到量子計算用途的熱潮的一部分。這種趨勢被稱為“淺量子電路”，也稱為“噪聲中等規(guī)模量子器件”或“NISQ”。

然而，她反映，NISQ試圖加速淺層機(jī)器學(xué)習(xí)任務(wù)，例如SVM或玻爾茲曼機(jī)器，可能并沒有真正取得多大成就。

“如果基礎(chǔ)數(shù)學(xué)具有可通過量子利用的結(jié)構(gòu)，并且我們擁有正確的量子算法，那么量子計算可以使某些事情變得更快，”她說。“在我們加入這個潮流之前，我們需要問一下，真正的算法創(chuàng)新是什么?”

她說，就像費克里克作為安全專家一樣關(guān)注的密碼學(xué)領(lǐng)域之一，量子計算“顯然是值得的”。

量子計算機(jī)可以使得將給定數(shù)字“分解”成其組件素數(shù)的操作變得微不足道，其中經(jīng)典計算機(jī)將發(fā)現(xiàn)它是不可能的。

此外：

“對于機(jī)器學(xué)習(xí)，我覺得我們已經(jīng)用密碼分析轉(zhuǎn)化了同樣的熱情，但是甚至沒有理論證明我們會產(chǎn)生同樣的影響，”費爾尼克說。

費尼克的懷疑主義在相對年輕的計算復(fù)雜性理論領(lǐng)域中找到了靈感。特別是，她迷戀麻省理工學(xué)院的Scott Aaronson，他是電氣工程和計算機(jī)科學(xué)副教授。

費爾尼克認(rèn)為最有趣的數(shù)學(xué)家活著的亞倫森已經(jīng)指出，僅僅能夠加速AI中給定學(xué)習(xí)模型的計算可能不是人工一般智能的關(guān)鍵。模擬人類思維是一種需要指數(shù)計算時間的操作，還是不是?他問。如果是這樣的話，那么量子的加速可能真的是一個優(yōu)勢。

根據(jù)Aaronson的說法，模擬人類大腦是指數(shù)級難以計算的操作既不是“平凡真實”也不是“平凡虛假”。這意味著不清楚AGI是否是量子可以獲得的經(jīng)典計算中的“低效”操作。

相反，Arronson暗示事實上可能是在“多項式時間”中可以實現(xiàn)的事物正在發(fā)生的事情，這是一種要求比指數(shù)時間要求更低的計算形式。正如Aaronson在2011年的一篇論文中寫道，可以描述思想的軟件是“一個緊湊，高效的計算機(jī)程序”，“包括抽象概念的表示，學(xué)習(xí)和推理的能力，以及我們期望的各種其他內(nèi)部家具。在心中找到。“

另外：

這一觀察結(jié)果表明，正確的AGI可能在計算上不那么苛刻，而不是更多，符合Fernick的直覺。

“通常情況下，我們可能在AI中尋找的革命并不是我們可能已經(jīng)有效地解決的現(xiàn)有問題的一個小小的加速。”

諸如構(gòu)建量子SVM之類的事情“很酷，但不一定是人工智能的革命本身并不意味著我們會突然獲得更好的ML。”

費爾尼克自己的職業(yè)生涯受到了有效計算的問題的啟發(fā)。“我討厭計算機(jī)進(jìn)入我十幾歲的青少年，”她說，更喜歡神經(jīng)科學(xué)領(lǐng)域。當(dāng)她在多倫多大學(xué)攻讀計算機(jī)專業(yè)的課程時，情況發(fā)生了變化。

“我有一位出色的教授，黛安霍頓，”她回憶道。“在課堂的最后一天，當(dāng)她把文件拿走時，她對我說，'如果你繼續(xù)學(xué)習(xí)計算機(jī)科學(xué)，你可能會遇到一些話題，一個是有些東西以前無法計算的。宇宙的熱死亡。“

計算的復(fù)雜性可以追溯到計算機(jī)科學(xué)和人工智能的早期階段

“早期的AI從業(yè)者開始將他們正在做的事情與計算硬度聯(lián)系起來，”費爾尼克談到20世紀(jì)40年代和50年代關(guān)于象征邏輯的工作，因為它與認(rèn)知有關(guān)。

“在過去的幾十年里，計算機(jī)科學(xué)并沒有成為一個主題，”她說?，F(xiàn)在，“現(xiàn)在是時候開始再次問那些非常深刻的問題了，”費爾尼克說。

至于量子本身，費爾里克說，在人工智能或其他任何方面推斷它是否具有任何優(yōu)勢的地方，是由研究人員MH Devoret和RJ Schoelkopf撰寫的2013年期刊論文。他們提出了工程量子系統(tǒng)必須滿足的七個“里程碑”。

“這篇論文的核心見解 - 我發(fā)現(xiàn)最有趣的一點 - 就是我們所擁有的量子比特數(shù)，實際上不是100比110比特，而是七個里程碑中的哪一個，工程問題，我們有什么解決了?”費內(nèi)克說。

靠近七個里程碑堆棧的頂端，遠(yuǎn)離今天的NISQ領(lǐng)域，是量子算法，最終將推動使用量子比特的邏輯門。

費米克說，科學(xué)“仍處于量子算法的初期階段”。“認(rèn)為我們現(xiàn)在擁有的量子算法是我們將在20年后興奮的，這是非常天真的。”

那些尚未發(fā)現(xiàn)的算法可能是尋找量子AI增益的更好地方。

Muses Fernick，“以一種全新的方式利用這些量子物理屬性制作非常不同的算法會不會更有趣?”