实现AI环保目标的关键量子计算

　　经过全世界科研人员的不懈努力，人工智能终于走进了另一个死胡同。虽然AI技术在实用性层面获得了突破性进展，但其耗费的巨量电能同样令人咋舌，迫使我们寻求一条更具可持续性的前进道路。
　　按照目前的增长速度，如果我们要继续投入恐怖的能源进行超大规模系统（例如GPT3）训练，人类生活的这类蓝色星球必将不堪重负。问题在于：简单来讲，AI训练所需要的时间与能源太过夸张。外行人可能以为，AI模型开发就是电影里那种人坐在电脑前、盯着一行行代码的场景。但实际上，我们如今使用的大部分系统都需要由大型GPU网络、超级计算机或者二者共同参与才能训练完成，其间耗费的能源恐怕超越了很多朋友的想象。
　　AI之所以擅长处理种种工作，包括图像识别或自然语言处理，本质在于其模型会一遍又一遍尝试相同的任务、且每次只做出微小的调整，直到得出理想的结果。因此，训练一套强大的AI系统往往需要数百甚至几千个小时的周期。
　　有专家估计，GPT3（由OpenAI创建的自然语言处理系统）的训练成本约为460万美元。但这还只是一次性训练，事实上极少有强大的AI系统能够在一波训练中就达成目标。实际上，在GPT3生成自然顺畅的自然语言表达之前，估计其总训练成本至少高达数亿美元。
　　GPT3只是最典型的案例；与标准计算模型相比，还存在无数耗费巨额能源的不知名AI系统。
　　如果说AI真的代表未来，那么至少就目前的情况看，这也必然是与环保背道而驰的未来。
　　解决方案：量子计算。
　　由来自维也纳大学、麻省理工学院、奥地利以及纽约的科学家们组成的国际研究团队最近发表成果，证明混合人工智能系统中实现量子加速的可能性。
　　换句话说：他们设法利用量子力学，为AI模型同时找出多个有效解。当然，这种尝试必然会加快整个训练过程。
　　根据该团队的论文：
　　实际应用中的关键问题，在于代理能够实现怎样的学习速度。尽管各种研究已经尝试利用量子计算加快代理的决策过程，但结果尚无法证明学习时间的显著缩短。
　　在这里，我们提出一项强化学习实验，其中使用环境中的量子通信通道加快代理的学习过程。结果进一步表明，将这种情况与典型通信结合起来，即可评估改进效果、并探索如何对学习进度施以最佳控制。
　　怎么做的？
　　这就是最酷的部分了。他们通过165轮实验运行了10000个模型，用以确定模型在传统AI流程与添加特殊量子芯片后的具体运行情况。具体来讲，经典CPU使用电位完成处理，而研究小组使用的量子芯片则采用纳米光子以取代电子。
　　这项工作的核心，在于对那些经典AI无法解决的高复杂度问题（例如超级计算机问题），混合量子系统的性能确实优于标准模型。有趣的是，面对相对较为简单的问题，研究人员发现混合量子系统几乎实现不了任何性能提升。看来对没什么挑战的任务，量子大神似乎感到有些不屑。
　　但目前的一切只能算是阶段性成果，距离任务完成还有很长的路要走。该团队的成果也绝对不是终极解决方案，我们仍需要一步步摸索如何在这样的启发下应对规模更大的实际问题。