《量子计算与人工智能--量子计算：人工智能的洪荒》由会员分享，可在线阅读，更多相关《量子计算与人工智能--量子计算：人工智能的洪荒（20页珍藏版）》请在金锄头文库上搜索。
1、量子计算与人工智能 量子计算：人工智能的洪荒 在计算机与人工智能中曾提到，现阶段人工智能技术实现的主要载体是冯 诺依曼结构计算机。基于该结构的计算机在速度上已经远远超过人类大脑，比如11月13日新一期全球超级计算机强榜单日发布，中国超算“神威太湖之光”和“天河二号”连续第四次分列冠亚军，且中国超算上榜总数又一次反超美国，夺得第一，成为世界上运算最快的计算机，其浮点运算速度分别为每秒亿亿次和每秒亿亿次。 巴西神经学家苏扎娜-赫尔库拉诺-霍泽尔2012年的一项研究发现，事实上人类与狒狒拥有相同数量的神经元，都是860亿。其中只有一部分是发展完全的，其他的处于休眠状态或者很少使用的状态。发展完全的神
2、经元，平均大约每个神经元有1万-2万个突触。每一个神经元，从接受到信号，到被激发而发出信号，所需要的反应时间少于0.1秒，相当于每秒2.2E15次浮点运算。可见人脑与冯诺依曼结构计算机单纯在计算速度上相差悬殊。但是计算速度显然不是产生意识和智能的关键。因为人脑可以控制人全身六百来块骨骼肌在0.1秒内完成“伸手停下握手拿起移近侧翻喝水”的动作，而如果利用机械臂完成这对人类来说轻而易举的动作，则需要超级计算机的计算量，成本非常高。所以现在的机械臂也无法完成像人类手臂完成的那些精巧的工作。这样的例子比比皆是。因此，速度不是产生智能的关键因素。 由于现代计算机计算速度符合摩尔定律，即计算速度和晶体数量
3、每年翻一倍，因此现代计算机在芯片设计方面存在物理极限。由于人脑的结构与计算机结构完全不同，因此，类脑计算成为当前的一个研究热点，研究人员希望突破传统诺依曼结构计算机的限制，设计包括类脑计算机在内的各种新型计算架构。 目前，比较成功并商业化运行的有中国的寒武纪芯片。寒武纪芯片在结构上并不与人脑相似，而是一种复合机器学习算法需要的全新计算架构。11月6日，想要把“将阿尔法狗装进口袋里”的人工智能芯片公司寒武纪科技，发布了三款全新的智能处理器IP产品：面向低功耗场景视觉应用的寒武纪1H8、拥有更广泛通用性和更高性能的寒武纪1H16，以及面向智能驾驶领域的寒武纪1M。 美国IBM公司研究部门的科学家2
4、012年2月就宣布，IBM已最新开发出一款设备，可以达到“实用量子计算机”的最低标准。在今年11月17日，IBM宣布量子计算机取得重大突破，将此前发布的17量子位元的量子计算机提升至50量子位元。到2017年年底，客户就可以在线体验首款20量子位的IBM Q系统的计算能力。同样是IBM，在类脑计算方面也表现出色，在2016年发布TruNorth类脑计算机，其处理能力相当于 1600 万个神经元和 40 亿个神经键，消耗的能量只需 2.5 瓦。将低能耗的类脑处理器应用于深度学习无疑是未来大数据处理创新方法。但目前距离大规模商业化还有距离。 同样是IBM，2016年8月 IBM苏黎世研究院研究人员
5、利用相变存储材料，制造出首例随机兴奋人工神经元。经济学人评论，这是在人造大脑方面的又一突破。随机相变神经元集群与其他纳米计算材料结合在一起，能够成为下一代超密神经形态计算系统的关键。相关论文日前被自然纳米技术作为封面论文发表。 量子计算机拥有强大的计算能力，可以应用于需要强大计算性能的场景。一个50量子位的量子计算机1秒的计算能力相当于全世界所有的诺依曼结构计算机的计算力。 这是因为相比传统计算机只能存储和操作二进制位，量子计算机使用的则是量子比特（qubit），利用量子现象来同时表示多个数据，这使得以往只能进行一次运算的时间内可以实现并行的复杂运算。传统计算机一般只有两个状态：0或1，开或关
6、。而量子计算机所运用的是一种把 0 和 1 相结合而形成的复合状态，可以是1，也可以是0，或两者之间的某个不确定状态。因此量子计算机在结构上完全不同于传统的诺依曼结构计算机。 量子计算机将提供更强大的处理能力，用于特定类型的计算，使编程模式得以丰富，未来可以应用于医学、脑科学、药物发现和材料科学等领域，还能解决一些具体问题，如优化供应链，模拟亚原子水平下的化学反应等。但是，量子计算机依然无法形成我们所需要的人工智能，仍然需要特殊的编程技术才能解决问题。 目前，已经有不少前沿学者人类意识与量子力学方面提出了相关理论，意识与智能存在错综复杂的关系，但意识是人脑智能的基础，是毫无疑问的，只是这种基础
7、到底如何形成不得而知。而物理学上的量子力学提供了一种理论思路。 显然，目前无论是诺依曼结构计算机还是量子计算机，虽然速度已经非常快，但是在结构上与人脑完全不同。而目前的类脑计算机虽然结构上开始类脑，但在速度上还远远不及诺依曼计算机，更不用说量子计算机。而人脑之所以会有意识和智能产生，人脑860亿个神经元和突触之间构成的复杂的神经网络（本质上符合小世界等复杂网络原理）结构是有密切关系的。自然界有许多结构决定功能的例子，比如蛋白质的三维结构决定了蛋白质的功能是否正常。因此，我们可以假设，类脑结构计算机复杂到人脑的程度可能涌现意识或智能，那么，未来由仿脑神经元组成的类脑计算机不仅结构类脑且复杂到人脑
8、的程度（860亿个仿脑神经元组成的结构类脑计算机），且由类脑神经元组成的类脑结构计算机是基于量子位进行计算，这种类脑计算机不仅在计算速度上远超人脑，结构上高度相似，而且达到甚至超过人脑的复杂程度，其中就有可能涌现出机器意识，并由此形成机器智能。 这种机器智能与人类智能在感知和认知世界方面可能完全不同，这由现在的深度神经网络处理图像的机制可以推断。目前，深度学习在处理图像信息完成人脸识别等任务方面，对图像信息的处理和分析与人脑有相似之处，但不同点更多，且超出了人脑的理解范围；再比如Alphago，在围棋方面的机器智能已经另人类无法理解。 因为，完全有理由相信，一种结构类脑、复杂如脑、速度超脑的新
9、型量子计算机很可能是未来智能机器（人）的标配。这种未来超级计算机如果与人脑实现直接通讯，则人类瞬时变成超人，未来CYBORG不仅在身体器官方面电子化、机械化，更在大脑方面实现与超级计算机的直接通信甚至融合，人就进化成为超级智能机器。同时，这种类脑计算机由于有了意识和智能，与人脑融合，也就变成了类人生命，某种意义上，成为一种新人类物种。这也是当今许多国内外人工智能专家学者所喜闻乐见的未来，虽然霍金充满忧虑，但是来自各方面的技术进步和人类内心（本质上源于基因）对改造自身的愿望使得这一天的到来愈来愈近，这也可能是人类摆脱未来灭亡命运的唯一出路：2017年11月15日，来自184个国家和地区的1500
10、0多名科学家签署了世界科学家对人类正式警告：第二次通知，对环境破坏造成的未来危机再次提出警告。也许，未来需要勇敢的人工智能科学家与远见卓识的政治家一道担负起拯救世界的使命。量子计算：人工智能的洪荒本文转载自电子产业投资参考一、人工智能的瓶颈之一：数据庞大，算力有限 1、人工智能的突破为各个产业带来翻天覆地的变化人工智能的爆发是近两年才开始的，主要原因是使用效果上取得了突破。人工智能是一 门计算机技术，主要让计算机去去替代人来完成部分工作。现如今主流的技术主要是指使用深度学习等算法，来实现替代人工，完成大量简单重复性劳动。虽然人工智能的概 念提出已有将近 60 年了。但之前的发展速度一直偏慢。主
11、要原因是无论方法如何进步，实际使用效果依旧强差人意。从2015 年起，人工智能迎来了真正的大爆发，这很大 程度上与 GPU 的广泛应用有关。基于 GPU，很多人工智能的算法，尤其是深度学习 算法，实现了更快的处理速度，计算时间实现了数量级上的缩减。这也各类大数据的蓬勃发展密切相关，数据的快速积累为人工智能这台马达提供了充足的燃料。 人工智能、机器学习、深度学习关系人工智能的高速发展为各个产业带来翻天覆地的变化。目前很多商业领域已经采用人工 智能，尤其是在 Google、百度这样的公司，在他们的搜索、推荐、广告等领域都已使用了类似机器学习的技术，社交媒体营销，互联网广告，这都是几十亿几百亿的规模
12、。 在股票领域中，很多新的创业公司重点在智能投顾，或者辅助交易，股票本身就是个数 字，股票如何组合能够降低风险带来利润。目前应用最为广泛的是在人脸识别领域。人脸识别引入人工智能技术后，识别率大幅提升，其中核心的突破是在算法层面。人脸识 别中，人工智能能做到 97%的识别正确率，超过了人类 95%的识别率，这意味着大规模商业应用具备了价值的基础，尤其是安防领域、金融领域等，机器做的比人更好，就 可以大规模使用机器来提高效果。我们认为，人工智能最先涉及的领域包括但不限于： 安防、金融、教育、医疗、汽车等人工智能技术影响的产业 2、三驾马车：人工智能高速发展的基础是算法、数据和硬件算力 算法、数据和
13、硬件算力组成了人工智能高速发展的三要素。人工智能实现所需要具备的基础，第一个是优秀的人工智能算法，比如现在最流行的深度学习算法，就是近期人工 智能领域中最大的突破之一，为人工智能的商业化带来了希望；第二个是被收集的大量 数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素；第三个是大量高性能硬件组成的计算能力，以前的硬件算力并不能满足人工智能的需求，当 GPU 和人工 智能结合后，人工智能才迎来了真正的高速发展。 人工智能的三要素：算法、数据和硬件算力 三要素缺一不可。为什么人工智能到近两年才开始呈现爆发？主要是因为直到今日，人 工智能的算法、数据和硬件才满足了人工智能的基本需求。算法方
14、面，以人脸识别为例，在 2013 年深度学习应用到人脸识别之前，各种方法的识别成功率只有不到93%，低于 人眼的识别率 95%，因此不具备商业价值。而随着算法的更新，深度学习使得人脸识 别的成功率提升到了 97%。这才为人脸识别的应用奠定了商业化基础。第二，在数据方面，进入互联网时代后，才出现了大数据的高速发展与积累，这为人工智能的训练学 习过程奠定了良好的基础。比如，在 AlphaGo 的学习过程中，核心数据是来自互联网的 3000 万例棋谱，而这些数据的积累是历经了十多年互联网行业的发展。所以直到今 年，基于深度学习算法的 AlphaGo 才取得突破性进展。离开了这些棋谱数据的积累，机器战
15、胜人是无法实现的。第三点是硬件的算力。在二十年前，一个机器人，当时是用 32 个 CPU, 达到 120MHz 的速度。现在的人工智能系统使用的是成百上千个GPU 来 提升的计算能力。这使得处理学习或者智能的能力得到比较大的增强。之前用 CPU 一 个月才能出结果，然后再去调整参数，一年只能调整 12 次，也就是有12 次迭代。GPU 产生后大幅提升了计算量，现在用 GPU 可以一天就出结果，这样可以迭代的更快，这 是技术大幅发展的条件。3、木桶效应：现有瓶颈集中于大数据的爆发与硬件算力的有限 3.1、大数据迎来爆发式增长，现有算力无法匹配互联网时代下的大数据高速积累，现有计算能力无法匹配。全
16、球的数据总量正以飞快的速度增长。根据 IDC 的数字宇宙报告，全球所有信息数据中 90%产生于近几年，数据 总量正在以指数形式增长。从 2003 年的 5 EB，到 2013 年 4.4ZB，并将于2020 年达到 44 ZB。也就是说 2020 年每个人可以均摊到 5200GB 以上的数据量。并且，到 2020 年，将近 40%的信息都可能会被云提供商“触摸到”，约三分之一的数据，即超过13000EB 的数据将具有大数据价值。基于现有的计算能力，在如此庞大的数据面前， 人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的人工智能，因为数据量以及超出了内存和处理器的承载上限，这将极大限制人工智能的发
