譯者 | 晶顏

審校 | 重樓

探索量子人工智能有望發揮作用的十個關鍵行業及相關進展和未來展望。

我們正處于兩大科技巨頭——量子計算與人工智能的交匯點。這一交匯點催生了量子人工智能（QAI）這一全新范式，它突破了傳統計算的限制，有望重新定義人類智能的本質。

當前，量子人工智能正從純粹的研究階段邁向實際應用，為全球各行業帶來潛在變革。這種變革雖低調卻意義深遠，它將經典人工智能的能力與量子力學獨特的處理能力相結合，從而能夠解決傳統計算方法難以應對的問題。

量子人工智能想要發揮效用，需要量子計算領域取得重大突破，而這樣的突破正每日不斷涌現。本文對量子計算的未來前景持樂觀態度，認為一旦解決錯誤校正、量子網絡及量子比特相干性等問題，量子計算將呈現全新面貌。同時，我們也意識到，最初的突破將出現在量子與經典算法的結合技術領域。

本文探討了量子人工智能有望發揮作用的十個關鍵行業，重點介紹了相關新進展，并對量子與人工智能協同作用所驅動的未來進行了展望。

醫療保健與制藥業：從藥物研發到個人基因組學

藥物研發過程極為緩慢且成本高昂，原因在于傳統計算機難以精確模擬分子間的相互作用。量子人工智能具有潛在優勢，它借助量子機器學習（QML）方法模擬分子系統及生物靶點間的相互作用。

這些相互作用涉及量子力學效應，而量子系統在模擬此類效應方面可能優于傳統計算機。這有助于加快研究進程，使治療方案能根據個體基因特征實現更個性化的定制。

目前，在個性化癌癥治療和個人基因分析方面已出現成功案例。

現狀

目前，量子藥物研發主要采用變分量子本征值算法（VQE）計算分子的基態能量。QAOA（量子近似優化算法）適用于分子優化問題及催化劑設計。擁有50至1000個量子比特的近似量子系統（噪聲型中等規模量子）設備，正通過量子神經網絡處理分子特征圖。

當前的QML模型使用ZFeatureMap、ZZFeatureMap和PauliFeatureMap處理基因組數據，并借助量子支持向量分類器和變分量子分類器進行分析。

兩年預測

到2027年，擁有1000至5000個邏輯量子比特的容錯量子計算機將能夠實現復雜的分子模擬。變分量子電路將能支持分類、優化和預測，且計算效率更高。先進的量子神經網絡將利用量子卷積神經網絡處理更大的分子數據庫，以進行三維蛋白質結構分析。

量子增強型基因組分析能夠借助量子算法，通過復雜基因序列的模式識別實現實時的個性化治療優化。

行業準備策略

• 研究科學家應精通Qiskit Nature和PennyLane等量子化學軟件；
• 數據科學家需具備量子特征工程技能及針對分子和基因組數據集的量子數據編碼技術；
• 計算生物學家必須熟悉變分量子算法和經典-量子混合優化方法；
• 信息技術基礎設施團隊應規劃量子-經典混合計算環境及基于云的量子訪問方案；
• 監管事務專業人員必須了解量子增強型藥物開發和驗證協議的最新標準；
• 投資決策者應評估量子計算合作項目，并考量量子應用的回報周期。

金融：構建更穩固的市場體系

金融市場存在無數相互作用的變量，這使得采用傳統方法進行風險建模和投資組合優化在計算上頗具難度。量子人工智能有望能夠分析更為復雜的市場情況，在金融數據中發現細微規律，進而有望在風險評估、欺詐檢測及自適應交易策略方面帶來改進。

量子的優勢在于能夠通過量子特征空間處理高維金融數據，而這種空間是經典系統無法觸及的。目前，將大量數據輸入量子計算機面臨限制，這一難題可通過混合方法解決。

現狀

目前，量子金融應用將量子自組織算法（QAOA）用于解決投資組合優化和風險分析等問題。當前的實現方式采用變分量子算法，其中，經典計算機負責優化量子電路的參數。

量子神經網絡借助帶有變分參數的參數化量子電路處理金融時間序列數據，這些變分參數以旋轉角度的形式實現編碼。當前，量子位數在50至1000之間的NISQ設備（即量子計算機）被用于運行經典-量子混合算法，以開展風險評估的蒙特卡羅模擬。

兩年預測

到2027年，借助改進的量子糾錯技術以及擁有1000個以上邏輯量子位的系統，將能夠實現對數千個資產的實時投資組合優化。先進的量子神經網絡可利用量子卷積神經網絡處理高頻交易數據，從而識別市場波動模式。

量子增強型蒙特卡羅方法能為風險計算帶來指數級的加速效果。量子機器學習模型可通過量子特征圖檢測欺詐行為，而此類特征圖是經典系統無法高效獲取的。

行業準備策略

• 量化分析師應學習量子優化算法（QAOA、VQE）以及量子機器學習，以應用于金融建模；
• 風險管理人員需掌握量子蒙特卡羅方法和量子增強的情景分析；
• 算法交易員應探索用于投資組合優化和實時市場分析的量子算法；
• 合規人員必須研究新興的量子密碼學標準和后量子安全協議；
• 信息技術安全團隊應做好實施量子安全加密以及混合量子-經典系統的準備；
• 金融工程師需要具備變分量子電路和量子特征編碼方面的專業知識，以處理金融數據。

物流與供應鏈：智能網絡優化

全球供應鏈涉及復雜的優化問題，即便強大的超級計算機也難以輕易解決。量子人工智能有望比傳統方法更高效地解決這些物流問題，包括構建能夠預測故障并自主調整的動態網絡。

量子優勢源于其能夠解決那些在使用傳統方法時會呈指數級增長的組合優化問題，例如D-Wave公司的QUBO算法。

現狀

目前的量子物流應用主要將量子自應變優化算法用于解決路線規劃和供應鏈管理等問題。變分量子算法通過量子電路解決旅行商問題和車輛路徑優化問題，這些量子電路將物流約束條件以伊辛模型的形式進行編碼。

當前的近似量子系統（NISQ）實現均需進行經典預處理操作，以縮小問題規模，并采用量子與經典相結合的優化方法。受量子退相干（quantum decoherence）和門保真度（gate fidelity）的限制，目前的應用僅局限于10到50個節點的小規模演示。

兩年預測

到2027年，規模更大的量子系統（擁有1000個以上的量子比特）將能夠實時處理城市規模的物流優化問題。量子神經網絡可利用量子特征映射同時處理多個數據流（如交通數據、天氣數據、庫存數據），以實現多維優化。絕熱型量子計算機能夠解決大規模組合問題，而變分量子電路會根據實時情況調整路由策略。

量子增強型機器學習可通過超越傳統能力的模式識別算法預測供應鏈中斷情況。企業可通過采用量子與經典相結合的技術實現全球范圍內的高效運作，該技術能夠實時監測并進行優化。

行業準備策略

• 供應鏈管理人員應學習量子優化原理，了解量子算法如何解決復雜的路徑規劃問題；
• 運營研究分析師需要掌握量子自應優化算法（QAOA）的實施方法以及量子與經典混合優化技術；
• 物流工程師應研究量子計算在運輸和配送優化方面的應用；
• 數據分析團隊必須了解用于需求預測和突發事件預測的量子機器學習技術；
• IT基礎設施團隊應做好將量子計算資源與現有物流管理系統進行整合的準備；
• 戰略規劃人員需要評估與量子計算的合作關系，并考量量子增強優化所帶來的競爭優勢。

制造與材料科學：原子級設計

傳統的材料發現過程需要開展大量實驗以及采用反復嘗試的方法。量子人工智能有望使研究人員能夠通過模擬量子相互作用，在原子層面設計材料。這或許能讓人們在合成材料之前，就通過計算手段設計出具有特定所需特性的材料。

量子優勢源于其能夠自然地模擬控制物質特性的量子力學效應。從某種意義而言，這可被視為量子力學最直接的應用實例。

現狀

當前，量子材料科學運用變分量子本征值算法（VQE）計算電子結構與基態能量。QAOA可用于模擬超導材料特性，助力深入探究其電子結構。量子算法以計算方式模擬量子多體物理問題，這些問題對于經典計算機而言，解決難度極大。

目前的量子模擬器能夠處理小型分子系統（最多約20個原子），通過變分量子電路將物質特性編碼到量子態中。

兩年預測

到2027年，具備容錯能力的量子系統將能夠模擬復雜的晶體結構以及材料中的缺陷相互作用。量子神經網絡可通過運用量子卷積神經網絡處理三維晶體結構，依據原子構型預測材料特性。

先進的變分量子計算方法能夠通過直接求解多體薛定諤方程來優化催化表面并設計新型半導體。量子機器學習可借助量子特征空間識別最優的材料成分，相較于傳統經典表示法，這種方式能更自然地反映原子間的相互作用。

行業準備策略

• 材料科學家應掌握量子模擬軟件（如Qiskit Nature、Cirq）以及變分量子特征解算器相關專業知識；
• 計算化學家需要學習用于電子結構計算和多體量子系統的量子算法；
• 研發工程師應了解用于材料優化和設計流程的量子方法；
• 制造工程師必須研究量子增強的質量控制和缺陷預測方法；
• 材料數據庫管理員應為基于量子技術生成的材料數據和性能預測數據庫做好籌備工作；
• 行業戰略家需要評估量子計算投資以及與量子材料研究機構的合作關系。

網絡安全：量子增強型防御

盡管量子計算機可能對當前的加密方法構成威脅，但量子增強型人工智能卻能夠同時強化網絡安全，包括偵測復雜威脅以及實施具備抗量子能力的安全措施。

量子人工智能可通過量子特征空間識別出傳統系統難以察覺的攻擊模式。量子計算兼具威脅與解決方案的雙重性質，使得實施量子安全保障措施變得刻不容緩。

現狀

當前，量子網絡安全研究主要聚焦于后量子密碼學的應用，美國國家標準與技術研究院（NIST）將于2024年8月發布標準化算法。量子機器學習系統通過變分量子電路利用量子特征映射檢測網絡異常情況，該映射能夠對流量模式進行編碼。

目前的量子小型可編程計算設備僅能處理有限的安全數據集，并借助量子神經網絡識別網絡安全威脅中的模式。量子隨機數生成器為密碼學應用提供了真正的隨機性，而量子密鑰分發協議則實現了理論上安全的短距離通信。

兩年預測

到2027年，更大規模的量子系統將能夠通過量子增強的機器學習算法對全球網絡流量進行實時分析。量子神經網絡可通過在量子特征空間中處理高維安全數據，檢測出細微的攻擊模式。

先進的量子密碼技術將在關鍵基礎設施中全面推行基于格和基于哈希的后量子加密標準。量子增強型入侵檢測系統能夠通過量子模式識別零日漏洞，相較于傳統的異常檢測方法具有明顯優勢。

行業準備策略

• 網絡安全分析師應當學習后量子加密標準以及量子增強型威脅檢測方法；
• 安全架構師需要設計適用于量子安全加密和量子抗攻擊安全協議的遷移策略；
• 網絡安全工程師必須了解量子密鑰分發和量子隨機數生成的實現方式；
• 事件響應團隊應當培養在量子增強型取證和量子抗攻擊恢復程序方面的技能；
• 合規官員應當研究新興的量子安全標準以及后量子加密的監管要求；
• 首席信息安全官/安全領導層應當規劃量子安全基礎設施的組織過渡時間表。這是當前最為關鍵和緊迫的問題，因為一旦Y2Q（“量子威脅生效之年”，即量子計算機有能力破解現有加密技術的時間點）提前到來，整個世界都將毫無防備。量子計算技術不斷發展，結合人工智能和機器學習的混合攻擊方法取得突破，大幅降低了實現“Y2Q”所需的量子計算能力，而量子計算創新的步伐在量子比特數量和質量提升的推動下迅速加快，Y2Q或許已近在咫尺，可能僅在1 - 3年內就會來臨。

能源與公用事業：智能電網優化

可再生能源的接入給電網管理帶來了復雜難題，因其具有波動性。量子人工智能有望通過更高效地處理來自多個來源的實時數據，實現對這些系統的優化，且效果遠超傳統處理方式，包括在分布式可再生能源網絡中平衡供需關系。

量子優勢體現在能夠同時解決具有多重約束條件和多個變量的復雜優化問題。

現狀

目前，量子能量應用將量子自組織算法（QAOA）用于電網優化問題和能源交易算法。變分量子電路將復雜的能源分配網絡建模為優化問題，其中量子態代表不同的電網配置。當前的量子信息系統（NISQ）實現方式，能夠利用混合的經典-量子算法對包含數十個節點的小型微電網進行優化，以實現實時負載均衡。

量子機器學習通過參數化的量子電路處理天氣數據和能源消耗模式，不過目前的應用仍處于研究演示階段。

兩年預測

到2027年，具備容錯能力的量子系統將能夠實時優化全國范圍內的電力網絡，同時處理數千種可再生能源。量子神經網絡能夠利用量子增強的天氣模型以及消費模式分析，預測能源需求和供應的波動情況。

先進的變分量子算法能夠解決復雜的能源市場優化問題。量子機器學習能夠在量子特征空間中通過多維優化，確定最優的能源存儲和分配策略。

行業準備策略

• 電網運營商應當學習量子優化算法，以實現電網的實時平衡和可再生能源的整合；
• 能源分析師需要掌握量子機器學習技能，用于需求預測和市場優化；
• 可再生能源工程師應當了解量子增強的天氣模型和能源產量預測；
• 公用事業信息技術團隊必須為量子與經典混合計算基礎設施以及實時優化系統做好準備；
• 能源交易專家應當研究量子算法，用于復雜的能源市場優化和風險管理；
• 可持續發展經理需要評估量子計算應用，以優化碳足跡和推動綠色能源轉型。

農業：精準農業技術

為滿足不斷增長的人口需求而開展的可持續農業，需要對復雜的生物和環境系統進行優化。量子人工智能有望通過更精確地分析衛星圖像、傳感器數據以及生物過程，提升精準農業水平，包括優化資源分配以及更準確地預測農作物產量。

量子技術的優勢在于能夠處理多維農業數據，這些數據可捕捉到細微的生物與環境之間的關系。在發生自然災害時，資源可進行重新分配，風險預測及資源需求也會根據新情況做出相應調整。

現狀

目前的量子農業應用采用量子機器學習技術來預測作物產量和解決優化問題。跨學科框架將量子生物學、高性能計算和機器學習相結合，以優化真菌網絡中的營養物質傳輸。

當前的量子系統利用變分量子電路處理高光譜衛星圖像和土壤傳感器數據，并將農業變量編碼為量子特征圖。量子自組織優化算法（QAOA）算法能夠優化肥料施用模式和灌溉計劃安排，不過目前的實現方式僅適用于小型農田。

兩年預測

到2027年，量子增強型精準農業將能夠利用量子卷積神經網絡實時處理海量衛星圖像數據。先進的量子算法能夠通過量子模擬分子間的相互作用，優化諸如氮固定和光合作用等復雜的生物過程。

量子機器學習可以通過分析量子特征空間中的多維傳感器數據，預測作物病害和蟲害的發生情況。這些系統能夠通過土壤酸堿度、濕度、溫度和養分含量分析等方式，捕捉到傳統系統無法察覺的細微生物關系。

行業準備策略

• 精準農業專家應當學習量子機器學習在作物監測和產量優化方面的應用；
• 農業數據科學家需要在多傳感器農業數據集的量子特征編碼方面培養專業能力；
• 農場管理軟件開發者應當研究用于資源優化和決策支持系統的量子算法；
• 土壤科學家必須了解營養循環的量子模擬以及土壤化學優化；
• 農業工程師應當學習量子增強的傳感器融合和實時農田優化技術；
• 農業企業分析師需要評估量子計算投資，以在精準農業市場中獲得競爭優勢。

媒體與娛樂：高級內容生成

當前，生成式人工智能正改變著內容創作模式，而量子增強方法有望開拓更為廣闊的創作空間，包括提供較傳統推薦系統更先進的個性化功能。

量子人工智能能夠實時生成復雜的互動內容，并提供個性化娛樂體驗。其優勢在于可探索那些對經典系統而言在計算上難以處理的廣闊創新解決方案空間。例如，在多人電腦游戲中，玩家可自主選擇冒險路線，游戲劇情也會隨之動態變化。

現狀

當前的量子娛樂應用借助變分量子電路實現內容推薦與生成算法。量子神經網絡通過帶有變分參數的參數化量子電路處理用戶行為模式和內容特征，這些變分參數以旋轉角度的形式編碼。

目前的量子模擬器（NISQ）僅能生成簡單的程序性內容，并為小規模用戶群體優化推薦算法。這些系統利用量子特征圖將用戶偏好和內容屬性編碼到高維量子空間中，不過該領域正處于快速發展階段。

兩年預測

到2027年，更大規模的量子系統將能夠利用量子生成對抗網絡（QGANs）實時生成復雜的交互式內容。量子神經網絡可通過量子卷積網絡處理海量用戶行為數據，為用戶打造個性化娛樂體驗。

先進的變分量子算法能夠生成動態故事情節以及可根據用戶選擇自動調整的游戲環境。這些系統可借助量子疊加特性同時探索多種敘事路徑，創造出傳統系統在計算上難以實現的體驗。

行業準備策略

• 內容創作者應學習量子增強型創意工具，理解用于內容開發的量子生成算法；
• 推薦系統工程師需要掌握量子機器學習技能，以實現個性化和用戶建模；
• 游戲開發者應研究用于程序性內容生成和動態世界創建的量子算法；
• 媒體分析團隊必須了解用于復雜用戶行為分析和內容優化的量子特征編碼；
• 娛樂技術官應規劃在內容創作和分發流程中引入量子計算；
• 創意總監需要探索量子增強型協作創作工具和新穎的互動敘事形式。

電信：網絡優化

現代電信網絡，尤其是隨著5G及未來6G部署而發展的網絡，面臨著復雜的優化難題。量子人工智能在實時管理這些網絡方面，有望比傳統優化方法更高效，包括動態頻譜分配、網絡流量管理及天線配置優化。其優勢在于能夠解決那些與網絡復雜度呈指數級增長的大型組合優化問題。

現狀

目前的量子通信應用中，量子自組織優化算法（QAOA）被用于解決頻譜分配和網絡資源優化等問題。變分量子算法通過量子電路解決網絡路由優化問題，該電路將網絡約束以組合優化問題的形式編碼。

當前的量子小型機（NISQ）實現方式能夠利用混合量子-經典算法，對包含數十個節點的小規模網絡拓撲結構進行優化，并實現實時帶寬分配。量子機器學習通過參數化電路處理網絡流量模式，不過目前的應用受到量子退相干和門錯誤率的限制。

兩年預測

到2027年，具備容錯能力的量子系統將能夠實時優化國家的電信網絡，同時管理數千個5G/6G基站。量子神經網絡能夠預測網絡擁堵情況，并通過量子增強的交通分析技術處理多維網絡數據，優化信號傳輸路徑。

先進的變分量子電路能夠根據實時情況動態調整頻譜分配，優化天線波束模式。量子機器學習能夠通過對網絡性能指標的模式識別預測和預防網絡故障，其能力超越了傳統方法的范疇。

行業準備策略

• 網絡工程師應學習用于頻譜分配和網絡資源管理的量子優化算法；
• 電信系統架構師需要研究量子增強型的網絡設計和優化方法；
• 5G/6G工程師應當深入了解用于大規模MIMO和波束成形優化的量子算法；
• 網絡運營中心團隊必須為量子增強型網絡監控和預測性維護系統做好準備；
• 射頻工程師應學習量子技術在干擾抑制和信號處理優化方面的應用方法；
• 電信戰略團隊需要評估與量子計算的合作關系，以及從量子增強型網絡管理中獲取的競爭優勢。

航空航天與國防：高級模擬與分析

航空航天設計及國防應用需要進行極為復雜的模擬與戰略分析。量子人工智能有望使復雜系統的模擬和分析達到比當前傳統計算機更高的精細程度，包括空氣動力學建模、戰略情景分析及復雜系統優化。其優勢源于對物理量子效應的模擬，以及對具有指數級龐大解空間的優化問題的求解。

現狀

目前的量子航空航天應用中，變分量子特征值求解器（VQE）被用于解決計算流體動力學問題，量子自組織算法（QAOA）則用于飛機設計優化。量子算法能夠對航空系統進行建模，并通過變分量子電路優化飛行軌跡，該電路會對航空系統的約束條件和性能參數進行編碼。

當前的量子模擬器能夠模擬小型流體流動問題，并利用量子與經典混合算法優化有限的飛機部件。國防應用領域借助量子機器學習技術識別監控數據中的模式，并分析戰略場景。

兩年預測

到2027年，具備容錯能力的量子系統將能夠以分子級別精度對高超音速飛行器進行全尺寸空氣動力學模擬。量子神經網絡可利用量子卷積網絡處理海量智能數據集，實現實時威脅分析和戰略規劃。

先進的變分量子電路能夠同時優化復雜的航空航天系統設計（包括推進系統、航空電子設備、材料等方面）。量子增強型模擬能夠模擬極端飛行條件，并通過量子特征空間在物理測試前預測系統故障。

行業準備策略

• 航空航天工程師應學習用于流體動力學和結構優化問題的量子模擬工具；
• 國防分析師需要在情報分析和戰略規劃方面掌握量子機器學習的專業知識；
• 飛行測試工程師應了解量子增強的預測建模和故障分析技術；
• 系統工程師必須研究用于復雜多系統航空航天飛行器設計的量子優化方法；
• 國防承包商應為量子計算在模擬和分析工作流程中的整合做好準備；
• 航空航天研發負責人需要評估量子計算投資及與量子研究機構的合作關系，以獲取競爭優勢。

結語

量子計算與人工智能的融合，即“量子人工智能”（QAI），代表著計算能力領域一項重大的潛在突破。在多個行業中，量子人工智能研究正探索解決那些對傳統系統而言計算難度極大的難題的方案。盡管目前許多應用仍處于初步研究階段，但未來幾年的發展將更清晰地展現量子技術的實際優勢。

我們正從傳統計算時代向由量子增強型智能引領的新時代過渡，在這個新時代，量子增強型智能或許將為問題解決和優化開辟新的可能性。當下就為這種量子與人工智能的融合做好準備的專業人士，將能夠引領其所在行業平穩度過這一技術變革。

未來屬于那些既理解量子人工智能所蘊含的潛力，又清楚其實際局限性的人。更重要的是，最先掌握這項技能的人，將比稍后學會的人擁有顯著優勢！未來，已在當下！

原文標題：The Rise of Quantum AI and Its World-Changing Impact，作者：Thomas Cherickal