在量子计算（QC）领域，关于在量子硬件上运行人工智能以及所谓的QuantumAI（量子人工智能）的发展有很多讨论。前景似乎很好，但障碍也是如此，比如人工智能模型训练中使用的大量数据。

量子计算机公司Quantinuum近期发布了一篇博客，题为“量子计算机将使人工智能变得更好”，简要回顾了适应人工智能技术的进展，并暗示未来将发生更大的变化。

“像ChatGPT这样的训练模型需要处理包含数十亿甚至数万亿参数的庞大数据集。这需要巨大的计算能力，通常分布在数千个GPU或专用硬件加速器上。能源成本惊人——例如，仅仅训练GPT-3就消耗了近1300兆瓦时的电力，相当于130个美国家庭的年平均用电量…

尽管存在这些挑战，但开发更大模型的努力没有放缓的迹象。

“进入量子计算领域：量子技术提供了一种更可持续、更高效、更高性能的解决方案，它将从根本上重塑人工智能，大幅降低成本，提高可扩展性，同时克服当今经典系统的局限性。”

虽然该博客是宣传Quantinuum的人工智能工作，强调其在该领域的深厚专业知识，但对于那些不熟悉人工智能工具和技术如何在量子计算机上运行的人来说，这也是一篇好文章。

Quantinuum H2量子芯片

其主要重点是将自然语言处理技术转换为量子硬件；Quantinuum认为，在这一领域已经取得了巨大进展。Quantinuum展示了其将循环神经网络转换为参数化量子电路（PQS）的工作：

“在最近的一项实验中，该团队使用他们的量子RNN（循环神经网络）执行了一项标准的NLP任务：将烂番茄的电影评论分为正面或负面。值得注意的是，量子RNN的表现与经典RNN、GRU和LSTM一样好，只使用了四个量子位。这一结果有两个值得注意的原因：它表明量子模型可以使用更小的向量空间实现具有竞争力的性能，并且它展示了人工智能未来显著节能的潜力。”文章道。

“在一项类似的实验中，我们的团队与安进公司合作，使用PQC进行肽分类，这是计算生物学中的一项标准任务。在Quantinuum System Model H1上，联合团队进行了序列分类（用于治疗性蛋白质的设计），他们发现了与类似规模的经典基线具有竞争力的性能。这项工作是我们首次将近期量子计算应用于对治疗性蛋白质设计至关重要的任务，并帮助我们阐明了根据我们的硬件开发路线图在该领域和相关领域实现大规模应用的途径。”

关于如何将人工智能和量子计算融合在一起的更公开的讨论才刚刚开始出现。显然，量子世界不想被人工智能革命淹没或减缓。理解如何将两者结合可能需要一段时间。也就是说，Quantinuum和量子开发社区的许多人一样，相信QuantumAI（量子人工智能）将成为一件大事。

最后文章总结道：“随着量子计算硬件的不断改进，量子人工智能模型可能会越来越多地补充甚至取代经典系统。通过利用量子叠加、纠缠和干扰，这些模型有可能显著降低计算成本和能耗。由于所需的参数更少，量子模型可以使人工智能更具可持续性，从而解决当今行业面临的最大挑战之一。”