本月中,Google宣佈和NASA合作,成立一所「量子人工智慧實驗室」(Quantum Artificial Intelligence Lab),目的是集全球各地專家之力探索人工智慧的進展。這個研究採用D-Ware Systems的量子電腦,由NASA Ames研究中心代管,並由美國大學太空研究協會(Universities Space Research Association,USRA)邀請來自全球各地的研究人員共同就量子運算如何推動機器學習展開研究。
Google工程總監Hartmut Neven博士在他的部落格上寫道:「我們相信量子運算能夠解決當前最具挑戰性的電腦科學問題,特別是在機器學習部份。機器學習的目標是建立更好的模型,讓它們能做出更準確的預測。如果我們要治病,就需要能預測未來病情發展的更精確模型;我們也需要更好的模型來預測氣候變遷,以建立更有效的環境政策;同樣地,如果我們想開發更高效的搜尋引擎,我們也需要更能理解人類口語的系統,並迅速在網路上獲得最佳解答。」
圖二 : Hartmut Neven博士長期致力於量子電腦研究 |
|
本月中,Google宣佈和NASA合作,成立一所「量子人工智慧實驗室」(Quantum Artificial Intelligence Lab),目的是集全球各地專家之力探索人工智慧的進展。這個研究採用D-Ware Systems的量子電腦,由NASA Ames研究中心代管,並由美國大學太空研究協會(Universities Space Research Association,USRA)邀請來自全球各地的研究人員共同就量子運算如何推動機器學習展開研究。
圖三 : D-Ware Systems的量子電腦(source: D-Ware Systems) |
|
圖四 : D-Ware Systems用於量子電腦的晶片(source: D-Ware Systems) |
|
機器學習的最大挑戰在於它是數學家們所謂的「NP-hard」問題。例如,當你在考慮一間房子的架構時,你必須權很許多條件,包括預算、使用需求、空間限制等,但你仍會在能力所及範圍內打造出你認為最好的房子。一個富有創造性的建築師會找到好的解決方案,從數學角度來看,這代表建築師運用其創造力解決了最佳化問題。
一般的傳統電腦無法解決這類型的創造力問題。試著想像一下,當試圖在一個包含丘陵和山谷的區域內找到最低點時,傳統運算方法可能會使用「梯度下降法」,即開始在區域表面上隨機抽查,重複尋找週圍可向下走的地方,直到不能下坡為止,但這種方法往往不夠精確,無法真的找到整個區域內的真正最低點。而量子運算就像是能讓你穿過一座山脊,看看隔壁是否還有更低的山谷,讓你有機會找到真正的最低點,也就是最佳解決方案。
電腦挑戰人腦?
長久以來,用電腦挑戰人腦是否可行一直是極具爭議的話題。AI的支持者相信運算能力的進展會讓此一夢想成真,而更多人則質疑機器的判斷無論如何無法與人腦匹敵,因為人類在做出判斷時除了考慮條件外,還有更多複雜的歷史和情感因素摻雜其中。
但無論如何,像Google這樣的公司投入量子運算的發展,都將為該領域的科學研究挹注龐大資源。Google的Neven表示,他們已經開發了一些量子機器學習演算法,其中一個適用於需要節能的手持裝置,可產生非常緊湊、高效的指標;而另一個則可從被高度「污染」的資料中整理出所需資訊。
而至於能否真正在量子電腦上實現他們的想法,Neven表示這個問題得要量子人工智慧實驗室來回答。他指出,量子機器學習或許能在已知的物理定律下提供更富創造力的解決問題程序,在未來為語音識別、網路搜尋、蛋白質折疊等應用提供更準確的模型。
(作者為CTIMES特約主筆)