當(dāng)前,以大語言模型(LLM)為代表的AI發(fā)展,其核心驅(qū)動力之一被認(rèn)為是“縮放定律”(ScalingLaw)——即模型性能隨著參數(shù)量、訓(xùn)練數(shù)據(jù)量和計(jì)算量的增加而可預(yù)測地提升,也就是所謂的“大力出奇跡”。然而,這個“力”的供給正面臨經(jīng)典物理的嚴(yán)峻挑戰(zhàn)。根據(jù)國際半導(dǎo)體技術(shù)路線圖(ITRS)的過往預(yù)測以及產(chǎn)業(yè)現(xiàn)實(shí),傳統(tǒng)硅基CMOS晶體管的微縮已逼近物理極限,功耗墻、存儲墻、可靠性等問題的制約日益凸顯。盡管先進(jìn)封裝、Chiplet、存算一體等技術(shù)創(chuàng)新仍在持續(xù)推動算力增長,但其本質(zhì)仍是經(jīng)典框架內(nèi)的漸進(jìn)式改良。
朱曉波指出:“當(dāng)我們用算力去解決問題時(shí),如果算力只是線性或多項(xiàng)式級增長,而問題的難度卻是指數(shù)級增加的,那么前者永遠(yuǎn)追不上后者?!盇I未來若要邁向更高級的通用人工智能(AGI),所需處理的復(fù)雜性問題(如全尺度物理世界模擬、高維組合優(yōu)化、復(fù)雜因果推理)的難度很可能是指數(shù)增長的。經(jīng)典算力的線性增長模式將難以為繼。
量子計(jì)算的潛力在于,其算力的增長在理想情況下可與量子比特?cái)?shù)量呈指數(shù)關(guān)聯(lián)。例如,在量子機(jī)器學(xué)習(xí)(QML)的一些理論模型中,利用量子特征映射和量子內(nèi)核,有可能更快地處理高維數(shù)據(jù)或發(fā)現(xiàn)經(jīng)典機(jī)器學(xué)習(xí)難以識別的數(shù)據(jù)模式。盡管通用量子機(jī)器學(xué)習(xí)仍處于早期研究階段,但一些特定應(yīng)用已展現(xiàn)出前景。例如,在藥物發(fā)現(xiàn)和材料設(shè)計(jì)中,量子計(jì)算可用于更精確地模擬分子間的相互作用(求解電子結(jié)構(gòu)的薛定諤方程),這本身就是一項(xiàng)對經(jīng)典計(jì)算機(jī)而言計(jì)算量隨原子數(shù)指數(shù)增長的任務(wù)。這類模擬的突破,可以直接賦能AI制藥和AI材料科學(xué),提供更高質(zhì)量的訓(xùn)練數(shù)據(jù)或更精確的物理模型。
另一方面,量子計(jì)算與AI的融合不是單方面的。AI也可以為量子計(jì)算的發(fā)展提供技術(shù)支持。