AI 进入新阶段

人工智能（AI）已迈入全新阶段，不再局限于构建更大模型或获取更多数据。如今的竞争聚焦于 速度、 效率 和 创新。企业正寻求兼具技术和经济优势的新工具，而 量子计算 正逐渐成为备受关注的选项之一。

量子 AI 是 量子计算 与 人工智能 的结合，为机器学习、优化和数据分析等复杂问题提供了新方法。尽管仍处于发展阶段，其潜力已吸引广泛关注。 SAS 2024年全球调研显示，超60%的企业领导者已开始探索或投资 量子 AI，但多数人坦言对其技术本质及应用场景尚不完全了解。

为何 AI 团队关注量子AI计算

训练大型 AI 模型 耗时、耗能且成本高昂，哪怕微小的效率提升也能带来显著节省。 量子计算 为某些问题的解决提供了比传统机器更高效率或精度的途径。

例如， 量子计算机 利用 叠加态（superposition）特性，可同时执行多项计算，非常适合搜索大范围空间或优化复杂系统。这与 机器学习 中的许多任务高度契合，如 特征选择、 模型调优 和 数据采样。

尽管当前 量子硬件 仍在发展，研究人员已开始探索将其与传统工具结合的 混合系统，使 AI 团队 能立即测试量子方法，而无需等待完全成熟的量子硬件。

量子AI 的本质与误区

量子 AI 并非要用量子版本替换现有 AI 系统，也不是在量子硬件上完整运行 深度学习模型。

相反，它聚焦于利用 量子算法 优化 AI 流程 的特定环节，如加速优化、改进特征选择或增强概率分布采样。在这些场景中， 量子计算机 不是取代现有工具，而是作为补充。

当前工作仍属实验阶段，多数案例依赖 量子-经典混合方法，量子与传统部分协作运行。但在特定用例中，这些系统已展现出成果。

当前开发中的应用

尽管 量子 AI 领域尚新，已在多个行业展开测试。以下基于真实工具和已发表研究的案例，反映了量子方法擅长的领域。

模型压缩与特征映射

AI 模型 日益庞大，训练成本高企。 量子技术 可帮助缩小模型规模和复杂性。 量子特征映射（quantum feature mapping）通过量子电路转换输入数据，帮助分离传统技术难以分类的数据点。

早在2021年， 《Nature Physics》 发表论文探讨了 量子核方法 如何改进 支持向量机（一种机器学习模型），在高维或稀疏数据集上表现优异，弥补了传统模型的短板。

金融领域的投资组合优化

银行和资产管理公司常利用 AI 管理投资组合和评估风险，涉及大量变量和约束。 量子近似优化算法（QAOA） 正被测试以更高效解决此类问题。

花旗创新实验室 与 AWS 近期研究了利用 QAOA 算法 进行投资组合优化，展示了量子计算解决现实问题的潜力，凸显了行业对其投资的增长。

药物发现与分子建模

药物开发依赖于预测分子间相互作用，传统 AI 模拟 存在局限。 量子计算 在量子层面建模化学系统更具优势。

IBM、 克利夫兰诊所 和 密歇根州立大学 的最新研究展示了利用当前量子计算机模拟复杂分子的新方法，为量子中心科学计算提供了可行路径。

供应链优化

供应链因规模和复杂性难以管理。 AI 可提供帮助，但路线规划和库存控制等任务优化难度大。 量子方法 正被探索以改进这些任务。

富士通 与 日本邮政 合作，优化东京的 最后一公里配送。传统算法难以应对交通拥堵和包裹量波动等动态变量， 量子 AI 则为物流核心环节的转型提供了可能。

挑战与局限

量子硬件 仍面临挑战。尽管技术进步迅速，当前设备对噪声敏感、难以扩展且长时计算不可靠。多数应用需在这些限制下运行，使用更短、更简单的量子电路。

量子软件 开发同样困难，需要物理学、数学和计算机科学的综合知识，具备此类技能的团队稀缺。

为降低门槛，新型工具正在开发，包括 高级编程框架 和 自动化电路设计系统，使 AI 开发者 无需编写底层量子代码即可测试量子方法。

AI 团队现可采取的行动

量子 AI 尚未准备好全面部署，但前瞻性团队可开始积累知识和系统，为未来做好准备。以下是三个建议：

1. 组建跨职能团队：联合 AI 专家 与优化和 量子计算 研究人员，探索新思路并储备未来能力。
2. 尝试混合工作流：聚焦量子组件可支持传统模型的特定问题，如特征选择、采样或约束优化。
3. 采用简化复杂性的工具：使用隐藏底层量子细节的平台和框架，专注应用而非硬件。

量子 AI 仍在发展，不是传统 AI 的捷径或替代品。然而，在当前模型短板或瓶颈领域，它展现了真实潜力。未来发展路径不是突然颠覆，而是稳步整合。

随着 量子硬件 改进和软件普及，早期采用者将更具优势。对于已在传统系统极限下工作的团队， 量子 AI 或将是下一个价值突破点。