谷歌量子人工智能实验室科学家马苏特·穆赫辛尼（Masoud Mohseni）、哈特穆特·内文（Hartmut Neven）等人畅谈量子计算机的商业投资机遇及未来5年的开发前景。
谷歌的低温恒温器在10毫开尔文温度下运行量子处理器
从量子纠缠到大分子化学反应，基于二进制逻辑的传统计算机不能有效地描述世界许多特征。正如物理学家理查德·费曼在30年前就已经意识到的那样，解决方案是使用可同时多态混合的量子处理器。然而，要开发出有实用价值的量子计算机，还要克服许多技术屏障，包括噪声控制以及编码信息量子态的运行保真态的提升。
量子计算机绝大部分研究的最终目的都是构建出一种量子机器，一种噪声和错误都在可容许范围内、原则上可用于解决任何问题的数字量子计算机。理论上，这种由许多量子比特（或量子位）组成的大型处理器的计算速度比传统计算机更快，计算能力至少领先10年。纠错需要冗余，量子位的数量需要快速提升。举例来说，一天时间完成2000比特数的因式分解对于传统计算机来说是个难以完成的任务，但如果使用量子计算，即使每1万次操作只有1次出错，也需要1亿个量子比特，但目前我们还没有组装数十个量子位量子处理器的能力。
保守的观点认为，量子计算投资只能远期受益。但我们认为，随着未来5年里小型量子设备的出现，获得短期回报的可能性还是有的，虽然这些机器的纠错能力可能还不够完善。
理论上虽然不能保证，但也并不排除成功的可能性。将量子技术与传统计算机技术结合起来有可能支撑未来强大的应用前景。最近机器学习神经网络的成功就是一个很好的例子。20世纪90年代还没有能够训练深度神经网络所需的计算能力，这一领域内流行的是有很强理论基础的“convex”方法。今天这些方法并不适合于深度学习。神经网络的基础算法几乎没有什么改变，但在“摩尔定律”的作用下，新性能的开发取得了一个又一个令人震撼的里程碑式的成果。
同样，今天虽然不能证明不完美量子计算机的计算速度可以快到足以解决一些实际问题，但可能会有一些变化。模拟和数字量子硬件的规模、准确度和可控性都在稳步提高。我们预计，在未来几年内，得到较好控制的量子系统可用以执行某些任务，其速度将远超基于CMOS（互补性的金属氧化物半导体）技术的传统计算机。
我们在此重点介绍3种可进行早期商业化推广的量子计算设备：量子模拟、量子辅助优化和量子抽样。从人工智能、财政金融到医疗卫生保健等领域，更快的计算速度将具有商业上的优势。
量子技术的商业化，不仅需要跨学科合作，还需要科学家与企业家紧密配合。设备的可靠性和可控性要实现商业化推广需要硬件水平的提升，还需要开发出适合目前硬件条件限制的、可解决实际问题的启发式量子算法。一些研究人员正在研究“谷歌搜索”的量子计算，而我们的计划是在云服务方面推广量子处理器，以促进量子算法的开发，并在各个行业推广应用，真正造福社会。
三大商业化应用前景
如果一些可行技术的研究取得进展，我们相信正在崛起的量子处理器将大有可能胜任以下各类计算任务，并在未来几年时间内实现其商业化价值。
量子模拟。 模拟化学反应和材料、建立计算机模型是最值得期待的量子计算实际应用之一。不需要花费数年时间，也不需要数亿美元的投入，研究人员可以通过计算机模拟，对数以百万计的候选方案进行研究，开发出少量新材料并确定其性能。无论是飞机制造需要的更强的聚合物、用于汽车的更有效的催化转换器、更高效的太阳能电池材料，还是疗效更好的药物或透气性更好的织物，更快的开发速度都将带来巨大的价值。
计算机材料的发现目前已是一个很大的产业。从定性描述到定量预测，量子计算机都将带来根本性的变化。化学反应率对分子能量非常敏感，其跨度范围远远超出传统计算机的处理能力。开发出稳健的量子算法，就有可能在不需要大量量子纠错的前提下，完成一些重要材料的模拟任务。已开发的一些算法有似乎不受量子位控制错误影响的“可变量子本征求解法”（Variational Quantum Eigensolver，VQE）。
各种商业模型可提供量子模拟器，实验室可提供付费访问，计算机公司可提供咨询服务，一些企业可能会通过股权交换换取量子辅助突破导致的创新材料开发成果。
量子辅助优化。 物理学、社会科学以及各个行业中所有涉及量化计算的核心与困难的计算任务是优化。传统计算机难以解决这些问题是因为将所有数学解决方案测试一遍的计算速度太慢，因此好的解决方案很可能就隐藏在包括速度在内的一些技术屏障之后，统计计算中一般使用传统算法（如热能分布）来“越过”这些障碍。我们认为，这种类型的传统抽样可以量子现象的偶发性来达到强化效果，比如穿过障碍传递量子信息的隧道行为，发现罕见而高质量的解决方案。
例如，使用优化算法实施广告的在线推荐和报价策略，以最有效的方式应对消费者的需求和市场变化。建立在量子计算和传统计算机组合基础上的解决方案更强大，可在许多行业中用于提高产品质量和服务质量。物流公司可以优化调度、规划和产品分配。量子强化的算法还可用以提高病人医疗诊断的速度和准确性。如谷歌、微软、亚马逊和Facebook等大型信息技术公司的搜索质量或产品质量也可以得到增强。
这些6毫米见方的小芯片控制着6个量子位
量子抽样。 通过概率分布的抽样方法广泛用于统计和机器学习。理论上，与传统电路相比，理想的量子电路可在同样的时间内在更大的概率分布范围内进行抽样统计。我们的计算表明，即使是相对较小电路的高保真量子门，也可以7×7量子位、层次深度25层的电路进行传统电路所难以企及的概率分布抽样。
事实上，以浅量子电路进行概率分布抽样子可能是“量子至上（或量子霸权）”最早的例子。“量子至上”这一术语是理论物理学家约翰·裴士基（John Preskill）提出的，用以描述量子处理器在短时间内完成某个明确定义数学任务的能力，即使是最大的传统超级计算机（如中国的神威太湖一号）也无法在任何合理的时间框架内完成这类任务。我们预测，在未来几年内将会出现量子霸权的实验。
量子抽样的应用前景包括机器学习中的推理和模式识别，为促进学术界和产业界的实验研究，我们计划通过云计算界面，为研究者开放和提供使用量子计算机硬件的机会。
需要克服的技术屏障
量子计算的商业化必须克服一些技术上的挑战。如：量子硬件需要扩大规模，以与传统硬件每10年呈指数级增长的速度相竞争；就像传统电路晶体管需要增益一样，量子比特也需要量子相干性以形成量子纠缠；如何实现规模化和相干性的结合也是量子系统工程的一个大挑战。这从根本上来说是很困难的，因为量子信息不能被复制，子系统互相纠缠，导致总体设计需要从全局来进行权衡。
谷歌用射频和微波电子产品制造可扩展控制硬件
我们认为，超导量子比特是量子计算机最有前途的硬件平台，以标准集成电路和超导技术为基础的硬件相对容易构建和控制。很多设计可能适合于数字和模拟量子处理器的不同要求，10量子比特的高保真系统的演示已表明了这种工程概念的可行性。
新技术的不断涌现有助于解决量子计算的扩展性问题，如超导撞击禁锢――一个用于信息处理和控制电路的双层架构。约1000个量子位的量子退火设备原型已投入商业化应用。这些机器属于模拟量子处理器，可为某些优化任务提供高质量的解决方案。
今天的量子设备在实用性上还未达到尽善尽美的程度，需要进行多项改进。例如，浅量子电路需要更高的量子门保真度和稳定性，以限制消相干性。量子退火硬件需要一个在连接性、控制精度和性相干时间等方面都有所改善的新的方案。
商业机遇前景预测
一项新技术可以通过3种方式得到提升：增加利润、降低成本、降低对基础设施的投资。在数字时代，引入一项新技术可产生指数级的影响，即使产品质量得到1%的提升，都将导致用户数量和利润的显著增长，这就是在竞争、透明度和有效市场上起重要作用的“明星效应”。
早期量子计算设备即使可以获得计算速度的少量增加，最早的采纳者仍然可收获不菲的回报。作为竞争对手的一些公司如果想要获得同等质量服务和产品的竞争能力，就将面临更高的进入壁垒，这是因为早期能够编写量子算法的专门人才比较稀缺，企业需要时间来设计制定新的算法。最早接受这种变化的是那些需要处理大量信息和数字化程度最高的市场，包括金融服务、医疗保健、物流和数据分析等。
制定某个业务案例时，公司需要进行供需调查。需求可以做如下评估：首先，确定“最小可行产品”，早期只有拥有核心功能的量子创新才有机会进入市场。评估创新解决方案可包括某个现有的需求（产品与市场的契合度）、产品商业化所需要的时间（上市速度）和市场反应。
例如，通常在媒体上被描绘成数字量子计算机“杀手级应用”的加密破解，在市场契合度上得分不高，有一天会被不受量子攻击影响的密码系统所取代，大多数民营企业对破解加密系统也并不感兴趣。相比之下，需要即时数据反馈的投资组合优化和风险管理，可通过量子强化模式受益，更加高效的量子化学计算将在药物开发、催化转换器、太阳能电池和肥料生产领域导致根本性的变革。
量子辅助优化和推断技术可增强机器学习和人工智能系统的能力，从而提高可再生能源发电、遥感和预警系统的运行能力。这些技术还可用于在线商品定价和服务以及仓库自动化和无人驾驶汽车动态管理。
在供应方面，一些公司将通过对各自技术和团队的质量评估来为自己定位，在有开创精神的量子学者和企业家之间开展合作，但因学术界的激励机制与企业和产业界的并不相一致，这也将会是一个很大的挑战。
战略合作伙伴关系可以帮助企业脱颖而出。为吸引风险投资家，胜出的量子产品应该要有一种不需要很多资产、低制造成本的商业模式，以帮助客户显著增加收益。公司可通过云计算并利用现有的数据中心以两种方式受益：解决简单问题用传统解决方案，解决重要问题时则调用量子处理器。
量子计算领域将很快进入一个历史性的里程碑――量子霸权。目前还不清楚的是，使用不久后将问世的处理器，一些涉及各种应用程序的算法是否能够获得运行速度的大幅增加。但当量子硬件变得足够强大时，就可以进行测试并开发出新类型的算法。
在接下来的10年里，学术界、产业界和国家实验室应该共同努力发展量子模拟和量子机器学习算法。我们的计划是，通过云服务为缺乏必要资金、专业知识或基础设施的人提供使用谷歌量子处理器的便利，以支持这方面的研究。
资料来源 Nature
责任编辑 彦 隐