量子机器学习：原来它真的不是骗经费的玄学

去年9月23号，在南京江北新区的一个闭门小会上，我躲在走廊抽烟蹭空调，碰到一个做量子硬件的老哥，聊起来我那段时间蹲在实验室做小分子药物筛选的模型，训一次跑七天，出来精度还差口气，算力卡得我头都大。他弹了弹烟灰笑说，你咋不试试量子机器学习？

我当时第一反应就是翻个白眼。这不就是圈里炒烂的概念吗？多少挂着量子名头的论文，都是攒出来骗经费的玩意儿，我见得太多了。

聊了两个小时之后。我发现我错得离谱。

我们做机器学习的，为啥要碰量子？

说白了，就是经典路径已经走到瓶颈了，对吧？现在大模型参数越堆越高，从十亿到千亿，算力需求翻了快上百倍，显卡涨得比房租还快，训一个模型烧掉几百万，不是谁都玩得起。

更头疼的是，很多我们现在要解决的问题，本身就是量子尺度的。比如你要算两个分子结合的时候，能量变化是多少，原子和电子的运动本身就是叠加态，经典计算机用0和1去模拟，只能不停做近似，近似来近似去，最后结果差个百分之二三十都正常，做药物筛选的时候，差一点就筛错了靶点，前面几个月的功夫全白费。

说白了，经典机器学习现在的痛点，不止是算力不够，更是有些问题天生就不对胃口。

量子机器学习能出来，本质就是补这个缺口。它不是凭空造出来一个新东西，就是用量子系统的特性，去解决经典机器学习搞不定的问题。

量子机器学习到底在算什么？说人话版

很多人一听量子两个字就头大，什么叠加态纠缠薛定谔的猫，绕得云里雾里。我给你打个最简单的比方。

你现在要在一整片玉米地里找最大的那个玉米棒，经典机器学习的做法是什么？一排一排挨个走过去，挨个比大小，运气不好走一半看错了，把次大的当成最大的，就陷在那出不来了，也就是大家常说的局部最优。

量子机器学习呢？因为量子有叠加态，相当于你可以同时站在所有玉米行里，同时摸所有玉米棒，然后把最大那个的概率放大，最后一出手就拿到你要的那个。

是不是一下就懂了？它的核心优势，就是在搜索最优解、处理高维特征的时候，天生比经典快很多，因为它的计算方式天生就是并行的。

别听那些文章瞎吹，说现在整个机器学习都能搬去量子计算机跑。根本不可能。现在主流的玩法，都是量子+经典混合架构，就是把最吃算力、最不好算的核心步骤，比如特征映射、聚类、最优解搜索，扔给量子处理器去算，剩下的数据预处理、结果后处理这些，还是用经典计算机做，各干各擅长的事。

也分方向，一种是用经典机器学习研究量子物理问题，比如帮着处理量子实验的 data，另一种是用量子计算加速经典机器学习，现在大家聊的量子机器学习，大多是说后者。

别被画饼忽悠，现在就能用的场景在哪？

说实话，现在圈里炒概念的真不少，动不动就说量子机器学习要颠覆AI，要取代深度学习，我听了就想笑。

现在整个领域还在NISQ时代，翻译过来就是含噪声中等规模量子计算，说白了就是现在的量子计算机，量子比特数量不多，还特别容易受干扰出噪声，稍微算复杂一点，噪声就把正确结果盖过去了，根本跑不了那种千亿参数的大模型。

所以第一个误区得先破：量子机器学习根本不可能取代深度学习，至少未来十年都不可能。它是互补，不是取代。

第二个误区也破：不是所有问题量子都比经典快，它只在特定的几类问题上有优势，别什么都往量子上套。

那现在它真的能用来干嘛？不是画饼的那种。

第一个，就是小分子药物和新材料研发。刚才说了，分子本身就是量子尺度的，你用量子机器学习预测分子的活性、结合能，比经典模型准太多，还能省超多湿实验的钱。我知道国内至少有两家药企，已经在用小规模的量子机器学习模型筛候选药物了，筛出来的命中概率比经典方法高了快一倍，这就是实打实的好处。

第二个，就是组合优化问题。比如物流的路径规划，金融的投资组合优化，还有电网调度，这类问题可能性太多，经典找最优解要算好几个小时，量子机器学习哪怕出个近似最优解，都比经典的快好多，误差也能接受。现在不少做金融量化的团队，已经在小范围试了。

第三个，量子生成模型。用来设计新的小分子，设计新的电池材料，现在已经有团队设计出了性能更好的催化分子，就是用量子生成模型做的，这也是实打实的成果。

不过话说回来，它的边界也很清楚。现在只能做小规模的特定问题，你让它给你写文案做图像识别，那还不如经典模型好用，根本没必要凑那个热闹。

我跟那个南京老哥分开的时候，他说，我们做量子的，不跟你们做AI比炒概念，我们就是蹲，慢慢磨硬件，慢慢磨算法，哪天硬件上去了，自然就出来更多能用的东西。

我挺认同这句话的。现在很多人一听量子就觉得全是骗局，或者一听量子就觉得要颠覆一切，这两种极端都不对。量子机器学习不是什么天降神迹，也不是骗经费的玄学，它就是给我们做技术的多开了一扇门，解决了几个之前经典解决不好的小问题。

你要是做机器学习，不用赶着辞职去转量子方向蹭热点，但也别听见量子就捂着钱包跑，多留个心眼，说不定哪天你卡算力卡脖子的时候，它就能帮你解决问题。对吧？