經(jīng)過全世界科研人員的不懈努力，人工智能終于……走進了另一個死胡同。雖然AI技術(shù)在實用性層面獲得了突破性進展，但其耗費的巨量電能同樣令人咋舌，迫使我們尋求一條更具可持續(xù)性的前進道路。
按照目前的增長速度，如果我們要繼續(xù)投入恐怖的能源進行超大規(guī)模系統(tǒng)（例如GPT-3）訓(xùn)練，人類生活的這類藍色星球必將不堪重負。問題在于：簡單來講，AI訓(xùn)練所需要的時間與能源太過夸張。外行人可能以為，AI模型開發(fā)就是電影里那種人坐在電腦前、盯著一行行代碼的場景。但實際上，我們?nèi)缃袷褂玫拇蟛糠窒到y(tǒng)都需要由大型GPU網(wǎng)絡(luò)、超級計算機或者二者共同參與才能訓(xùn)練完成，其間耗費的能源恐怕超越了很多朋友的想象。
AI之所以擅長處理種種工作，包括圖像識別或自然語言處理，本質(zhì)在于其模型會一遍又一遍嘗試相同的任務(wù)、且每次只做出微小的調(diào)整，直到得出理想的結(jié)果。因此，訓(xùn)練一套強大的AI系統(tǒng)往往需要數(shù)百甚至幾千個小時的周期。
有專家估計，GPT-3（由OpenAI創(chuàng)建的自然語言處理系統(tǒng)）的訓(xùn)練成本約為460萬美元。但這還只是一次性訓(xùn)練，事實上極少有強大的AI系統(tǒng)能夠在一波訓(xùn)練中就達成目標。實際上，在GPT-3生成自然順暢的自然語言表達之前，估計其總訓(xùn)練成本至少高達數(shù)億美元。
GPT-3只是最典型的案例；與標準計算模型相比，還存在無數(shù)耗費巨額能源的不知名AI系統(tǒng)。
如果說AI真的代表未來，那么至少就目前的情況看，這也必然是與環(huán)保背道而馳的未來。
解決方案：量子計算。
由來自維也納大學(xué)、麻省理工學(xué)院、奧地利以及紐約的科學(xué)家們組成的國際研究團隊最近發(fā)表成果，證明混合人工智能系統(tǒng)中實現(xiàn)“量子加速”的可能性。
換句話說：他們設(shè)法利用量子力學(xué)，為AI模型同時找出多個有效解。當然，這種嘗試必然會加快整個訓(xùn)練過程。
根據(jù)該團隊的論文：
實際應(yīng)用中的關(guān)鍵問題，在于代理能夠?qū)崿F(xiàn)怎樣的學(xué)習速度。盡管各種研究已經(jīng)嘗試利用量子計算加快代理的決策過程，但結(jié)果尚無法證明學(xué)習時間的顯著縮短。
在這里，我們提出一項強化學(xué)習實驗，其中使用環(huán)境中的量子通信通道加快代理的學(xué)習過程。結(jié)果進一步表明，將這種情況與典型通信結(jié)合起來，即可評估改進效果、并探索如何對學(xué)習進度施以最佳控制。
怎么做的？
這就是最酷的部分了。他們通過165輪實驗運行了10000個模型，用以確定模型在傳統(tǒng)AI流程與添加特殊量子芯片后的具體運行情況。具體來講，經(jīng)典CPU使用電位完成處理，而研究小組使用的量子芯片則采用納米光子以取代電子。
這項工作的核心，在于對那些經(jīng)典AI無法解決的高復(fù)雜度問題（例如超級計算機問題），混合量子系統(tǒng)的性能確實優(yōu)于標準模型。有趣的是，面對相對較為簡單的問題，研究人員發(fā)現(xiàn)混合量子系統(tǒng)幾乎實現(xiàn)不了任何性能提升。看來對沒什么挑戰(zhàn)的任務(wù)，量子大神似乎感到有些不屑。
但目前的一切只能算是階段性成果，距離“任務(wù)完成”還有很長的路要走。該團隊的成果也絕對不是終極解決方案，我們?nèi)孕枰徊讲矫魅绾卧谶@樣的啟發(fā)下應(yīng)對規(guī)模更大的實際問題。
