人工智能指的是机器在一定程度上展示人类所认为的智能的能力。机器学习的快速发展推动了这一过程：让机器自己思考，而不是用绝对的概念对它们进行预编程。

以图像识别为例，人类在这项任务上表现出色，但事实证明，模拟人类是很困难的。训练机器来识别猫并不意味着输入一套猫的外观定义。相反，输入许多不同的猫图像，目的是让计算机学会提炼潜在的“像猫一样”的像素模式。

这种对数据的依赖是一种强大的训练工具。但它也导致了潜在的陷阱。如果机器经过训练以发现和利用数据中的模式，那么在某些情况下，它们只会延续当前人类智能特有的种族、性别或阶级偏见。



但是，机器学习固有的数据处理设备也有可能产生可以改善人类生活的应用程序。比如,“智能”机器可以帮助科学家更有效地检测癌症或更好地了解心理健康。

到目前为止，机器学习的大部分进展都是经典的：机器用来学习的技术遵循经典物理学的规律。它们从中学到的数据具有经典形式。算法运行的机器也是经典的。

我们在量子机器学习这个新兴领域工作，探索量子力学这一物理学分支是否能够改善机器学习。量子力学与经典物理学在基本层面上是不同的：它处理概率，并从不确定性中得出原理。量子力学还扩展了物理学，使之包含一些不能用经典直觉解释的有趣现象。

从经典到量子

量子力学是物理学的一个分支，在原子，电子和光子的尺度上，试图理解并应用数学，可验证的规则来处理光谱最小端的自然行为。它是在20世纪初发展起来的，在描述微观系统方面非常成功。

量子和经典世界之间的根本区别，已被薛定谔的猫这一著名实验所推广。

薛定谔的猫是奥地利著名物理学家薛定谔提出的一个思想实验，试图从宏观尺度阐述微观尺度的量子叠加原理的问题，巧妙地把微观物质在观测后是粒子还是波的存在形式和宏观的猫联系起来，以此求证观测介入时量子的存在形式。

根据经典物理学，在盒子里必将发生这两个结果之一，而外部观测者只有打开盒子才能知道里面的结果 。在量子的世界里，当盒子处于关闭状态，整个系统则一直保持不确定性的波态，即猫生死叠加。猫到底是死是活必须在盒子打开后，外部观测者观测时，物质以粒子形式表现后才能确定。

这项实验旨在论证量子力学对微观粒子世界超乎常理的认识和理解，可这使微观不确定原理变成了宏观不确定原理，客观规律不以人的意志为转移，猫既活又死违背了逻辑思维。



这个悖论说明了将量子规则应用于经典对象的难度。

这是量子理论中最令人着迷的可能性之一：量子系统有可能同时处于一种以上的状态，这种现象被描述为叠加，直到该系统被测量判断为止。

量子计算

有几种方法可以使机器学习成为量子。其中，创建量子计算机的竞赛占据了主流，我们都见证了D-Wave计算机和IBM Quantum Experience等发展。

量子计算机的价值在于它们处理信息和执行计算任务的能力不同，在某些情况下，它们比传统计算机更快。

尽管存在商业利益，但竞争者中没有一个获得彻底的成功。这是因为它们从量子力学中得到的现象（如叠加态），是微妙的，容易被破坏。

量子机器学习的其他分支关注量子理论如何指导计算机用于学习的方法，或者它们从中学习的数据，以及在量子框架中微调经典机器学习的工具和技术。



虽然可衡量的结果仍然主要在理论领域，但量子机器学习确实对日常有影响。长期以来人们一直预测，量子计算机的处理能力可能会使银行或其他在线交易中使用的加密技术无效。

最近，如annealing量子机器学习技术通过优化金融资产的收益率或信用评级计算，显示出其商业前景。

机器学习中的量子技术也可能在医学技术或药物设计中变得更重要，因为支撑化学的原理基本上是量子的。ProteinQure是一家成立于2017年的生物技术公司，已经使用量子计算元素来设计新疗法。

量子机器学习技术可能会对许多技术产生深远的影响，从航空到农业——Lockheed Martin、NASA和谷歌等都已加入。

总之，量子机器学习是一个令人兴奋、发展快速的领域。目前，已经有很多初创企业旨在完善流程并提供可扩展的量子设备。