AI的现况与算力瓶颈，量子运算能带AI起飞吗？

近年来，人工智能技术进步神速，从语言处理到图像生成、各类的应用范围越来越广，同时也彻底改变了我们的生活和工作方式。然而，AI 的快速发展也带来了对计算能力前所未有的需求、传统硬体的效能提升已趋缓，摩尔定律带来的晶体管密度红利逐渐触顶，处理器频率受限于功耗与散热瓶颈，就连GPU 的成长速度也明显放慢。 AI 对算力的需求呈指数式暴增，到了难以持续的地步。

于是，大家开始把目光转向量子电脑，期待它能突破传统运算极限，为AI 带来飞跃性成长。

AI 的现况与算力瓶颈

许多人已经让AI 融入他们的工作：例如OpenAI 的ChatGPT 协助分析与文书、或是像有些人会使用Cursor 或是Claude 协助撰写程式、还有无数的AI 应用可以生成图片或影片互动。这些技术的背后核心是大型语言模型（LLM）、以大量资料为基础训练而成。以OpenAI 的GPT-3 为例，训练过程估计需要执行3.14×10²³ 次浮点运算，是人类史上最复杂的计算任务之一（只是之一，以后只会更恐怖）。这种惊人算力需求让科技公司不得不投入巨资在云端GPU 和TPU 上，有些新创公司甚至花费超过八成经费在运算资源。

即便有像DeepSeek 这种节省资源的AI，算力瓶颈仍在──DeepSeek 这类技术，通常是透过演算法最佳化或模型压缩降低算力需求。比方说，它可能用稀疏化（sparsity）让模型只启动部分参数，或者用知识蒸馏（knowledge distillation）把大模型的知识「浓缩」到小模型里。根据DeepSeek 官方说法，他们的模型能在保证性能的情况下，把计算成本降到传统模型的几分之一。

举例来说，DeepSeek 就像把一台吃油超跑改成了省油小车，确实能在一定程度上缓解算力压力。假设原本训练一个大模型需要1,000 万美元的云端算力，DeepSeek 的技术可能把成本砍到300 万美元，还能保持八成以上的准确度。这种节省算法对中小企业或研究团队来说是福音，因为他们不用砸大钱也能玩AI。但问题在于，这只是「减轻」瓶颈，不是「解决」瓶颈。为什么呢？因为AI 应用的野心和复杂度也在同步成长。

AI 的应用场景越来越广，从聊天机器人到自动驾驶，再到医疗诊断，每个领域都想把模型做得更强、更精准。以自动驾驶为例，特斯拉的AI 系统得即时处理摄影机、雷达传来的大量资料，还要预测路况，算力需求轻易就超过一般云端伺服器的负担。即便DeepSeek 能把模型压缩，这些应用还是需要处理更多资料、更复杂的运算，省下的算力很快又被新需求吃掉。

另外一方面，传统硬体的效能成长正在趋缓。摩尔定律带来的晶体管密度提升已接近极限，处理器频率受功耗与散热限制，连GPU 的效能成长也开始趋缓。研究显示，为了提高AI 模型的准确度，往往只能靠增加算力和扩大模型规模来实现，这导致AI 对计算资源的需求呈指数式暴增，已到难以承受的地步。虽然硬体加速和演算法优化能稍微缓解压力，但AI 发展正面临前所未有的算力瓶颈。于是，量子电脑被视为潜在解方，期望其突破传统运算限制，为AI 开辟新天地。

▲ 量子AI 市场主要是以研发为主，没有商业应用。 （Source：artsmart）

量子电脑如何为AI 加持

量子电脑与传统电脑的运作方式截然不同。传统电脑用位元（bit）表示0 或1，量子电脑则用量子位元（qubit），能透过叠加（superposition）同时处于0 和1 的状态。例如，两个量子位元可同时处理四种状态组合，三个则是八种，n 个量子位元能表示2ⁿ 种状态，这种指数级扩张赋予量子电脑强大的并行计算潜力。此外，量子纠缠（entanglement）让多个量子位元的状态紧密相连，测量其一会立即影响其他量子，增强了协同运算能力。

这种特性对AI 有何帮助？ Google 量子AI 实验室创办人Hartmut Neven 曾说：「先进AI 将从量子运算中大幅受益。」以训练大型语言模型为例，这类任务需要庞大时间和算力，量子电脑的并行处理能力可能将训练时间从数周缩至数天。此外，AI 主要依赖找出模式并辨识，而能同时处理多种可能性的量子运算，或许能提升图像、语音识别的准确度。生成式AI 也有望因量子助力处理更多资料，生成更逼真的内容。在决策场景中，例如药物研发或气候建模，量子电脑能同时测试无数变数，帮助科学家更快找到最佳解。

例如2019 年，Google 的53 量子位元「Sycamore」处理器在200 秒内完成传统超级电脑需1 万年的任务。虽然这与AI 无直接关联，但展示了量子运算的潜力。 2022 年，维也纳大学团队用光子量子处理器加速强化学习，让机器人更快学会走迷宫，证明量子叠加能提升学习效率。

当前进展与初步成果