10000次模拟165项实验，混合量子系统首次展现“超

现在正是深度强化学习（Reinforcement Learning,RL）的巅峰时刻。不论是加持，模拟人类脑神经，还是超越医生的医疗诊断，击败人类的围棋比赛。

虽然这种强大的还并不足以与人类与生俱来的灵活与敏捷相媲美，但不可否认它是未来更高级智能机器的敲门砖。

只不过，它不能停止前进。因为这些算法背后的概念基于试错，一个强化学习的AI代理只有在其做出正确的决定，并得到奖励后，才能真正完成它的学习过程。

而对于复杂的问题，AI代理需要不断的试错才能做出正确的决定，而这背后的时间代价过高。即便它趋于实用化，我们仍有自己这一关需要克服，因为人类无法完全满足人工智能机器的巨大能源需求。

图1｜AI代理与环境（来源Wikimedia Commons）

简单来说，我们现在遇到的问题就是，训练人工智能需要耗费大量人力物力，我们目前使用的许多系统都是在大规模GPU网络、超级计算机上训练的，训练过程需要耗用难以想象的巨大能量。

人工智能之所以如此擅长图像识别/，是因为它基本上只是反复做同样的事情，每次只进行微调，直到把事情做对。

这并不是运行几次模拟就足够的，要训练出一个强大的人工智能系统，可能需要数百甚至数千小时。不仅如此，训练开支可以说是巨额。

如果人工智能就是人类未来，以目前的能耗模式，未来也许根本就不存在。

于是乎，解决方案来了量子计算。一个由维也纳大学、麻省理工学院、因斯布鲁克大学、莱顿大学等地科学家组成的国际研究团队，于近日发表了研究报告，展示了混合人工智能系统的“量子加速”[3]。

研究团队的侧重点是将量子和经典计算相结合，他们没有完全使用量子力学原理构建该强化学习系统，而是通过一种更为实用的混合办法，该混合型人工智能可以筛选出几种不同的问题解决方法。

论文中提到，对于实际应用来说，关键问题是AI代理的学习速度。尽管已经有很多研究使用量子力学来加速AI代理的决策过程，但尚未证明可以缩短学习时间。

论文中提出了一个强化学习实验，在该实验中，通过使用量子通信信道与环境，加速AI的学习过程。实验进一步表明，将这一方案与经典通信相结合，可以对加速予以评估，并允许对学习进度进行优化控制。

图2｜ 学习代理示意图（来源Nature）

在使用10000个AI代理并经过165项实验后，研究团队从实际实验数据中发现，在挑战更复杂的问题时，混合量子系统显示出明显的优势。

实验中，团队将经典系统与加入特殊量子芯片的混合量子系统进行对比。所谓特殊，是指团队使用的量子芯片基于纳米光子，称为纳米光子处理器的可编程芯片。简言之，它们用光来代替电。

图3｜实验装置（来源Nature）

实验结果显示，加入量子计算的强化学习人工智能，要比没有加入量子计算的快60%以上。论文作者表示，该实验展示了添加量子计算可以加速AI代理的实际学习过程。

这种混合型人工智能一旦规模化，就会对现实世界问题产生影响，例如构建一个高效的量子互联网，因为可以轻而易举地将该装置整合到未来的大规模量子通信网络中。

在那之前，团队仍然还有许多工作要做，因为此次的实验并不是最终目标，更像是一个小规模的模型。一旦明确如何将该技术应用到更大的实际问题上，它就能发挥作用。

封面

The Next Web

引用

[1]https://singularityhub./2021/03/16/quantum-puting-and-reinforcement-learning-are-joining-forces-to-make-faster-ai/

[2]https://thenexteb./neural/2021/03/17/quantum-puters-save-us-artificial-intelligence-green/