哲学与时代 | 量子机器学习，能实现强人工智能吗？

本期导读

量子机器学习（QML）是一个交叉领域，它结合了量子计算与机器学习的思想，旨在利用量子计算的优势来加速或增强传统机器学习算法。通过量子计算机的强大能力，QML有潜力解决一些传统计算无法高效处理的问题，特别是在大规模数据处理、模式识别和优化问题上。

量子机器学习是量子计算与人工智能研究相交叉形成的一个新领域，其目标主要是设计从数据中学习的量子算法，通过利用量子态的叠加和纠缠等特性，实现对现有机器学习算法的加速。当前，作为实现专用人工智能最核心的技术手段，机器学习已经影响到了科技、社会及人类生活的各个方面。无论是数据挖掘技术、生物特征识别、自然语言处理还是医疗诊断辅助，乃至自动驾驶技术和智力竞技游戏等新产品和新技术的开发与进步都与机器学习密切相关。然而，随着各行业信息化程度的提升，技术数据也呈现出急速增长的趋势，这种增长既表现为数据量的指数式扩张，又表现为数据类型、数据结构的爆发式增长。这种增长态势既为机器学习提供了足够的数据支持，又反过来对其处理速度提出了挑战。一些以经典物理学为基础的机器学习算法已经表现出难以及时处理和分析海量数据的问题，由于量子计算在物理原理上就具有“并行”运算的特性，因此人们期望借助量子计算来改进机器学习算法以解决运算效率问题，量子机器学习正是在这样的背景下逐渐发展起来的。

一、量子计算与量子机器学习

量子机器学习方法的出现与量子计算理论和技术的发展密不可分。量子计算的思想可以追溯到贝尼奥夫（Benioff）利用量子力学来描述可逆计算过程的设想，但其概念是由费曼（Feynman）提出的。费曼设想了一个利用量子力学的特性（叠加和纠缠）完成特定计算任务（对量子物理系统进行模拟）的模型，他认为这个模型相比经典计算机有巨大的效率优势，后来他将其称为量子力学计算机。当然，量子计算相对于经典计算的加速性，是在秀尔（Shor）提出有实际意义的量子算法之后，才受到了大量物理学家和计算机学家的关注。秀尔设计了一个量子因子分解算法，该算法极大地优化了经典因子分解算法，使解决该问题的时间复杂度实现了指数式降低。并且，由于因子分解问题是经典加密系统的理论基础，因此如果该问题能够被高效地解决，就意味着传统数据安全体系的全面崩溃。正是在这种意义下，研究者们对量子计算的加速性产生了极大兴趣，开发了更多量子算法，来解决数据处理时计算效率低下的问题，为后来量子计算与机器学习的结合创造了条件。

作为人工智能研究的重要分支，机器学习主要是利用特定算法从已有数据中进行“学习”的，通过理解先前输入的数据来建立规则，进而对后来的数据进行分析或预测。在20世纪末，机器学习逐渐发展到可以完成一些与人类思维密切相关的计算任务，如图像和语音识别、模式识别及策略优化，等等。完成这些任务需要对大量数据进行处理，因此量子计算在数据处理方面的高效性开始受到研究者的关注。卡克（Kak）将量子计算的思想应用到了传统神经网络中，提出量子神经网络计算的概念。随后，很多研究者设计了各种不同类型的量子神经网络模型，考察了量子特性对于优化不同结构数据的效率，为人工神经网络的量子化发展奠定了基础。在此基础上，普里布拉姆（Pribram）等人还讨论了利用量子力学来理解人脑信息处理过程的可能性。当然，量子神经网络的理论研究仅仅是量子机器学习发展的一个方向，传统机器学习中的聚类算法、决策树模型等多种算法都已经出现相应的量子版本。这些算法都属于目前主流的量子机器学习研究，其思路是沿用传统机器学习的整体框架设计，仅在特定的计算阶段调用或设计一些利用量子特性实现加速数据处理的量子算法，来提高传统算法的整体运算效率。

事实上，除了这一类量子机器学习的研究之外，基于经典-量子的划分，我们能够发现，当前量子计算与机器学习的结合还体现在另外两类研究中。第一类研究是利用量子算法的设计思路，在整体上重新设计机器学习算法，从而完成原先难以实现的计算任务。与主流研究相比，这类量子机器学习的优势在于全部的算法步骤均能在某种针对具体任务而特殊设计的专用量子计算机上实现，这就可以回避目前通用量子计算机在物理实现方面存在的困难。但其难度主要体现在算法设计方面，因为这需要对量子系统的动力学特征与传统机器学习过程进行深度比较，以找出其相似性，才能完成算法的重新设计。这类算法的典型代表是量子退火算法，其利用量子隧穿效应来寻找量子势的极小值，从而在寻找全局最优解类的组合优化问题方面表现出相对于传统算法的加速性。该算法目前已被应用于面向用户的专用量子计算机上。第二类研究是利用经典机器学习算法解决量子物理学中遇到的问题。这方面的实际应用主要集中于量子多体物理领域，因为该领域的研究对象是大量微观粒子，物理学家们需要处理的是全部粒子的量子态或者多体量子系统的波函数所对应的信息数据，这种数据的规模会随着多体系统中微观粒子数量的增多而呈指数性扩张，因此机器学习强大的数据处理能力，对于解决量子多体系统中的具体问题而言具有很强的实际价值。目前这类量子机器学习已出现一些代表性的研究，如利于监督学习在凝聚态物理中寻找相变点的位置，利于生成式随机神经网络求解量子多体系统的基态，等等。相比主流的量子机器学习而言，这两类研究由于不具有通用性或应用范围仅限于较窄领域（量子物理领域），其研究也相对较少，因此狭义上的量子机器学习指的主要还是利用量子算法对传统机器学习中的部分运算步骤进行加速的那一类。

二、量子机器学习能实现强人工智能吗？

以上我们对量子机器学习问题的讨论，仅局限于计算复杂性方面，并且就弱人工智能的实现而言，由于并不涉及意识问题，也就不需要计算主义或物理主义的假设。那么，要回答“量子机器学习能否实现强人工智能”这个问题，是否就必须要对意识的本质做出某种本体论承诺呢？事实上，这取决于我们对强人工智能的理解。如果我们认为机器必须表现出人类所特有的感受性方面的特征，强人工智能才算实现的话，那么关于意识的形而上学预设就是不可缺失的；但是，如果我们认为强人工智能的充要条件是：机器所能解决的问题的集合，不小于人类智能可解决的问题的集合，换句话说，无论执行方式是否相同，意识的结果只要能够被机器所模拟，就算实现强人工智能，我们也不需要考察心灵过程究竟是怎样的，也即不需要关于意识的本体论假设。两种理解相比，显然后者更具建设性，因为在当前针对感受质等问题缺乏实质性科学研究方案的背景下，纠结于意识的本质问题反而会使强人工智能的研究陷入无法开展的悖论：不清楚意识是什么就无法进行计算模拟，反过来不进行计算模拟又无法推进意识研究。因此，接下来我们主要在第二种理解的意义下，从可计算性的视角出发，讨论意识的结果能否被量子机器学习模拟的问题。

关于可计算的边界问题，哥德尔（Gödel）进行过严格分析，他的第一不完全性定理表明：在任何包含初等数论的形式系统中，都必定存在一个不可判定命题，即它和它的否定在系统中都不可证。该定理讨论的对象是任意一致的形式系统，并无经典与量子之分，这意味着作为形式系统具体实现物的机器必然会遇到不可计算的问题。因此，量子计算机，只是在处理特定计算复杂性问题时效率更高，在不可计算性方面与经典计算机并无差别。那么，根据卢卡斯（Lucas）基于不完全性定理而做出的论证——机器不能成为心智完整的或适当的模型——我们似乎应该认为量子机器学习不能实现强人工智能。

然而，针对卢卡斯的论证，计算主义的支持者和反对者们已经进行过多场论战，他们争论的核心问题之一是“心灵是不是一致的形式系统”。其中，费弗曼（Feferman）是争论的调和者，他设想了一个“开放模式的公理系统”，认为这是一种改进的形式系统概念，使得实践的开放性得以允许但同时也受到基础规则的支配……心灵的数学能力是机械的，因为它完全受到某个开放模式的形式系统的约束。虽然费弗曼希望借此弥合对立双方认识上的鸿沟，但他的这种观点实际上更倾向于计算主义，其隐含地说明了心灵可以等价于一台非确定图灵机，即心灵在做出超越一致形式系统的判断时所基于的那种洞察力、想象甚至情感等心理元素，在开放模式的形式系统中也是可以存在的。与这种观点相似的是，马希文曾提出的“非决定性可计算”概念：所谓一个函数是非决定性可计算的，是指在某种外部信息的协助下可以计算。以此为基础，我们认为量子机器学习能够实现强人工智能。

很多反计算主义者将意识不能被机器模拟的原因归结为心灵拥有情感、意愿等非理性因素，却拒绝对这些因素做还原论的考察。但是，如果我们对它们做还原论分析的话，就会发现这些因素可以分为两类：一类可以追溯到外部的非理性源头，如来自过去并不完善的实践经验；另一类是心灵真正的非理性成分，它们是完全随机的意识过程。第一类成分可被归为外部信息，根据马希文的观点，我们能以非决定性可计算的方式，通过在形式系统中引入一些外部信息，实现对相应心理过程的模拟。第二类成分在理论上不能由经典计算所模拟，因为经典物理学在本质上是决定论的，无法模拟真正的随机过程。然而，作为量子机器学习基础的量子计算，在本质上就是非决定性的，可以产生真正的随机数，因此可以实现对第二类成分的模拟。如果对于意识中这两方面的非理性成分，量子机器学习在原则上都可以模拟的话，那么我们就没理由认为强人工智能无法实现。

最后还应该强调的是，这里讨论的仅是意识的结果能否被量子机器学习所模拟的问题，而不是心灵在本质上是否应该遵循量子力学。不过这种讨论之所以有意义，也需要基于简单性假设，即意识的特征，只要能被可观察的现象所反映，那么无论其精确本质是什么，或者无论其由什么方式来实现，都应该是等价的。可以看出，这个假设是有较明显的物理主义倾向的，因此，反物理主义者仍然可以就此对强人工智能的可实现性进行反驳。但这种反驳要有说服力，就需要给出两方面的证据：一是证明某些意识过程的确是非算法的；二是提出一些非算法的机制，而且这些机制还应该是超越标准量子理论的。这正是量子机器学习为二元论者设置的最大障碍。当然，需要说明的是，量子机器学习目前还仅限于理论和算法方面的研究，随着量子计算机硬件的日趋成熟，它一定会成为推动人工智能发展的重要手段，而且也会成为破解意识之谜的科学基础。

本文摘编自郭贵春主编的《科学哲学问题研究·第八辑》，文章作者为山西大学科学技术哲学研究中心副教授王凯宁，标题和内容有调整。

科学人文在线，与您共同关注科技史、科技哲学、科技前沿与科学传播，关注人类社会的可持续发展，创造有价值的阅读！欢迎点赞、转发、留言讨论，我们将每月选取互动活跃、留言精彩的读者给与赠书奖励，公号对话框输入“赠书”，可了解赠书活动详情。联系邮箱：kxrw@mail.sciencep.com。

转载说明：申请转载请在文末留言或邮件联系，转载时请完整保留文章出处说明，未经同意不允许修改、删减文章，不允许添加与文章内容无关的信息及广告。

今日荐读

内容简介

“科学哲学问题研究专辑”作为“科学技术哲学文库”的重要组成部分，以年度专辑形式推出，专辑以具体问题研究为导向，涵盖一般科学哲学、自然科学哲学与数学哲学、社会科学哲学、科学技术与社会论题，反映年度科学哲学前沿动态和热点领域研究现状。本书是教育部人文社会科学重点研究基地“山西大学科学技术哲学研究中心”学术研究团队阶段性研究成果的结集。本书可供科技哲学及相关专业的研究人员、师生阅读参考。

主编简介

郭贵春，山西大学教授、博士生导师，山西大学原校长。长期从事科学技术哲学的研究，代表作品收入《郭贵春文集》。

相关阅读

祝贺：《颠覆：迎接第二次量子革命》荣获第十八届文津图书奖

钱旭红院士访谈丨量子论、量子思维与面向未来的科技伦理

成素梅 | 量子科学哲学：科学与哲学的深度交融

思想前沿｜量子纠缠改变了传统哲学怎样的思考方式

深度长文│量子力学多世界解释的缔造者埃弗雷特的传奇人生

（本期编辑：王梓萌）

▼ 点击名片，关注我们