下一個科技淘金熱？量子 AI 混合運算改寫製藥、金融與能源大未來
在過去幾年中，人工智慧（AI）與量子運算的結合已經從理論探討轉向實際研究和早期商業應用。如今，專業人士在高效能運算（HPC）、超級運算、AI 及相關技術領域中，能夠觀察到由混合架構、量子機器學習技術和新型軟體工具驅動的真實案例。
例如，製藥和材料科學研究人員正在利用量子機器學習（QML）模擬分子互動，這是傳統系統難以計算的。微軟的Azure Quantum Elements結合了AI、高效能運算和量子硬體，使科學家能夠篩選數以千萬計的電池材料候選者，並使用兩個邏輯量子位和傳統運算資源解決催化化學任務。在澳洲，研究人員使用新型的量子核對齊回歸器來建模半導體設備中的歐姆接觸電阻，並在小型噪聲數據集上超越了七個傳統AI模型。
在供應鏈、電網規模能源和量子中心超級運算方面，量子AI混合優化正在物流和能源管理中獲得關注。DHL和馬士基等公司正在探索透過與AI預測系統集成的量子近似優化演算法（QAOA）來優化路徑、排程和庫存管理。電力營運商如EDF和Enel，也在實驗利用AI預測和量子增強優化層進行分布式可再生能源的即時電網平衡。
在金融、風險和物流優化方面，全球銀行和保險公司正在應用量子增強AI進行蒙特卡羅風險模擬、投資組合優化和詐騙檢測。摩根大通、BBVA和高盛等公司已經部署了混合電路，如量子近似優化算法（QAOA）和量子支援向量機，以在高維金融問題中獲得運算優勢。
量子糾纏為量子網路的基礎，顯示了兩個粒子如何在任何距離上保持聯繫，瞬間共享量子狀態。這一原理不僅是理論，還形成了新興量子通訊和分布式量子處理的基礎。對於AI驅動的工作負載，糾纏最終可能允許多個量子處理器在遠距離協同工作，做為一個安全且大規模並行的系統。
在軟體層面，AI正在改變量子電路的編譯和優化方式。強化學習代理被用來發現量子位映射策略，以最小化路由操作的開銷，導致更短且更高效的電路。圖神經網路則透過根據量子設備的實際噪聲條件和硬體連接性調整編譯選擇，確保電路在實踐中更可靠地運行。
隨著商業努力的加速，英國的Phasecraft公司在今年籌集了3,400萬美元，以推進其針對化學、材料科學、能源和製藥應用的量子軟體堆疊。Quantinuum則發布了Guppy，一種嵌入Python的量子中心語言，降低了混合AI-量子編程的門檻，讓開發者在實際硬體上部署之前能夠調試和測試量子AI工作流。
從分子模擬到編譯器自動化，這些例子顯示AI已經在噪聲中間規模量子（NISQ）設備上提供了價值。混合運算是關鍵，傳統AI和HPC管理大型數據集和訓練，而量子電路則處理高維抽樣和優化等任務。隨著容錯量子系統的臨近，Google、微軟、IBM和Quantinuum等公司正在朝著全面部署的方向邁進，並得到開源框架如TensorFlow Quantum、Qiskit和Guppy的支援。AI增強的量子時代已在實驗室和早期生產系統中展開，對於HPC和超級運算專業人士而言，未來的道路在於設計混合工作流、發展量子意識技能，並針對與量子AI優勢相符的領域挑戰。
（首圖來源：shutterstock）