英特尔CTO：量子计算不是万能的，大规模商用还需十年

Michael C. Mayberry（以下简称 Mike）在英特尔工作了34年，目前担任英特尔公司高级副总裁、CTO兼英特尔研究院院长，他负责英特尔在前沿技术上的投资，掌管着英特尔在技术上未来发展方向。此外，他还是公司研究委员会领导人，负责推动英特尔大学定向研究项目的资源调配与优先排序。

以下为Mike答问实录，经网易智能精编整理：

量子计算不是万能的

问：量子计算如果达到比较高的使用程度之后，能够取代哪些传统计算领域？

Mike：量子计算并不是一个万能的工具或技术，我认为量子计算能力的发展并不会让既有的其他计算方法变得过时，也就是说常规经典的CPU还是有用的，不管深度学习还是未来的人工智能，这些都不会因为量子计算的崛起和发展就变得过时了。

但是，量子计算的优点在于它的确可以帮助我们解决目前无法解决的问题，实际上困扰我们或者讨论时间最长的一个话题就是模拟材料。我前面回答问题时提到的催化剂就是很好的例子，还有模拟新型的药品，室温超导材料等等。另外，目前有一些数学问题是没有办法用常规计算能力来解决的，比如说后量子时代的加密算法。

量子计算大规模商用还需十年

问：量子计算商用的标志是什么？

Mike：所谓商业上的有用性，怎么样才叫有用，目前业内并没有广泛的共识，各个公司观点不尽相同。

我们可能通常会比较关注于量子位的数量，但是对于每个量子位上面做的操作数量反而关注的不够。在量子位上能够做什么操作，并且能有多长时间稳定的操作，这个很重要。

问：量子计算目前处于什么样的阶段，距离商业化落地还有多远？

Mike：我认为，量子计算真正实现大规模商业化使用还需要10年时间，我们的确还有很长的路要走。

但是，我们可以先把量子计算用来解决常规计算很难以解决的问题，这一类的问题如果部分得到解决的话，会给我们整个世界带来巨大的改变。比如说我们或许可以使用量子计算开发出一种催化剂，这种催化剂能够改变汽车使用的燃油结构或者它能够捕捉空气中的二氧化碳，如果能够做到这一点将对气候变化的大难题带来革命性改变。即便如此还是有非常漫长的道路要走，不过我们觉得这是值得，它的方向非常好，很有前景。

在量子计算方面，实际上现在我们所做的工作只是马拉松长跑中的第一英里，在真正实现商业有用性前还有很多事情要做。英特尔并不是痴迷于量子位的数量到底有多少，我们更看中的是纠错能力。

问：量子计算从现在到爆发，还面临哪些技术难题？

Mike：在量子计算技术得到非常快速的发展之前，我们还有四个挑战。

第一，不管量子位做得有多好，我们都认为它还是不足以好到完美，不是尽善尽美，所以我们需要有纠错方面的工作来完成，以确保量子位有足够长的生命期，长到它能够完成一些有意义的算法或者说是计算。

第二，我们需要有在本地对量子位的控制，而不是这个控制是通过长长的缆线遥远地加以控制。

第三是在路径上的安排。我们怎么能够把这些量子位真正地放到一个物理的量子位系统当中，怎么给它把路由做出来，做一个算法，有时候是直着走，有时候是要跳转着做。

第四是在量子位之间的连接。我们需要把量子位能够连接起来形成一个比较有规模的大的系统。现在我们有可能会有几千个量子位，但是怎么能够把这几千个量子位连接起来是一个很大的挑战。

探索量子芯片：以模拟材料切入点

问：英特尔为什么选择模拟材料上作为量子计算研究的切入点？

Mike：因为材料本身就是量子系统，所以用量子计算去研究、去模拟量子系统是一个非常自然而然的方向。十年前大家就有这样的想法，如果有了量子计算机首先来做材料方面的工作，因为材料本身就是量子的一个大系统。

问：英特尔今年1月推出了49-量子位测试芯片，现在测试效果怎么样，有什么进展？

Mike：我们目前在做的主要是特性方面的一些检测，下半年会有第二版本。

问：衡量量子芯片领先的标准是什么？

Mike：之前，我们可能会衡量量子位上的量子数量，但是具体到整个芯片，作为一个整体来说它运作的情况是怎么样，其实目前并没有一个非常好的评判标准。举个例子，比如说有一堆的量子位，每个量子位都要先启动到一个可操作的状态，那个状态有生命期，先启动一个或者两个启动，把它纠缠起来。在启动、启动的过程中，系统还没有完全启动那么多的量子位达到生命期的时候，你可以用了开始启动的那几个的时间，所以最后整个系统的生命期和单个量子位的生命期不是一个指标。

接下来一旦整个系统启动之后，我们需要做一系列的操作。这里涉及到一个数学问题，量子霸权。量子霸权是一个词，它用来形容你已经靠量子计算机做出了现在经典计算机怎么都做不成的任务。如果这个任务做成了，就可以声称量子霸权达到了。但是就算我们能找出来的数学任务，可能在日常生活中没有什么用。所以，做出证明量子霸权的数学算法任务之后，可能要找用处。

概率计算需要融合常识才能发挥作用

问：您是否认为擅长概论计算的贝叶斯网络会取代深度学习成为下一个技术热点？

Mike：实际上贝叶斯网络和概率计算是非常相似的事情，概率计算本身是统计学的，贝叶斯实际上也是基于统计学，所以这一点本质上是非常相似。如果超越贝叶斯统计，除了贝叶斯模型比较着重的对于各种分支的概率计算之外，实际上我们还需要对不确定性进行追踪和分析，如果是在一个非确定性的情况之下，可能做出的决定是不做任何行为。也就是说不再只是到底选A还是选B，做出的决策可能是什么都不选、什么都不做，然后再额外补充新的信息和数据。

我举一个现实生活中的例子，比如这个方向来一个行人，相反方向来一个摩托车，可能行人刚好被摩托车遮挡一下，但是人类从现实世界支持来说，会知道这个人虽然被遮挡，但是它并没有消失。就类似这样的常识性的东西。概率计算角度，是从概率角度判断，那个地方有一个人，过一会儿他可能还会出现。所以可能需要两种知识，概率计算的能力加上对于世界知识，二者兼具才能做得更好。可以理解为常识计算加上事件计算。

再举一个非常好玩的例子，比如这个人过来，摩托车也过来，都停下来了，人坐上摩托车，跟着摩托车走了，对于人类完全可以理解，但目前对于机器来说是很困难的事情。

希望在自动驾驶汽车中植入自动刹车功能

问：近期自动驾驶安全事故频发，如何避免这些问题？

Mike：我们现在面临的挑战是，在判断一些不确定的情况和环境的时候，机器运作的方法和人类是不同的。我认为，为了保障安全性可以在机器当中植入一些做法，比如说内置一些可以让机器不走神的一种配置或者植入一些自动刹车的功能。如果不这辆汽车完全是无人驾驶的，它有一个自动刹车功能的话，至少安全性上有一定层级保护，我们可以在这个水平安全性之上再做额外工作。

刚才提到说最近发生的一些自动驾驶事故，很多是因为一种系统替代了另外一种系统的时候造成的交通事故，这些我们可以避免。

下一步，对小数据训练感兴趣

问：英特尔如何衡量在研发上的投入和产出比？

Mike：我们还是需要把研究和开发区别来看，因为在风险的涉及度上，研究和开发是不完全一样的。从研究角度来说，我们会对于可能要考虑的项目做一个评判和评估，基本上四个潜在项目里我们最后会选一个来做，是四分之一的比例。如果这四分之一的比例被验证是有价值的，后续的开发公司会跟上。

还有一个是我们在早期的时候会做一些验证评估的工作，然后来做决定。这是因为我们会看在考虑当中的项目，它可能会在后期有更高的产出比。如果说确实存在失败的风险，我们希望能够比较早知道失败会来临，这样付出的代价也会相应小一点。对于有前景的研究项目，我们会把它规模化。

问：您对AI技术下一步的发展有什么期待？

Mike：我觉得最有趣的一种发展方向就是机器到底需要学习多少数据才能够对自己产生的答案有信心，目前来说机器可能要学上万个甚至上百万个例子才能对自己产生出来的答案有信心，但是人类的学习，这个数量级通常是在几十个或者几百个，所以我们希望能够在学习所需要获取的数据量上能够缩小人和机器之间的差距，这是我比较感兴趣的方向。