英特爾研究院長Rich Uhlig坐在采訪桌前，露出頗為無奈的笑容，下一個問題還是關于量子計算，一場本該是英特爾研究院全局的媒體對話，生生變成了量子計算專題，對于谷歌帶火的量子計算，英特爾毫不留情地給量子計算滅了滅火，甚至表示量子計算的商業(yè)化至少還需要十年。

在近日Rich Uhlig對外的公開信中提到，現(xiàn)在更應關注如何構建能夠用于解決棘手挑戰(zhàn)的系統(tǒng)，即“量子實用性”。為了直觀地了解如何才能實現(xiàn)量子實用性，英特爾的研究人員利用高性能量子模擬器，來預測量子計算機在解決Max-Cut優(yōu)化問題時，超過超級計算機的節(jié)點。Max-Cut是一個復雜性隨著變量數量增加而成倍增加的算法，廣泛用于從交通管理到電子設計的各個領域，因此我們選擇Max-Cut作為測試案例。

在研究中，針對一系列規(guī)模不斷增加的Max-Cut問題，我們把容噪量子算法與最先進的經典算法進行對比。經過大量模擬，研究表明：只有在數百個甚至數千個量子位可靠運行的情況下，量子計算機才能比超級計算機更快地解決實際問題。換句話說，業(yè)界要開發(fā)出這種規(guī)模的功能性量子處理器可能還需要數年時間，以及很多工作要做。

英特爾公司正在把超導量子計算測試芯片擴展到更高的量子位數——從7到17，再到49個量子位，需要多個鍍金連接器來控制和操作每個量子位。

據介紹，Intel研發(fā)的硅自旋量子位技術，相比其他公司在研究的超導量子位技術，自旋量子位的尺寸比同類量子位小得多，比超導量子位具有更大的微縮優(yōu)勢，目前Intel正在研究300mm晶圓上使用現(xiàn)有的工藝、設備制造自旋量子位的技術。

實用性比量子霸權更重要

Rich Uhlig：谷歌對于量子霸權的宣布，我們首先必須要認可這是在量子計算領域的一個進步，而且在幾天之前我也發(fā)表了社論，對于谷歌在這方面所取得的成就給予認可，但是我們一定要把這次的成就放在一個正確的觀點上去進行認識，也就是說什么樣的條件能夠使它聲稱達到量子霸權呢？

首先他要找到一個非常復雜的問題；第二要去證明在解決這個復雜問題的過程當中，量子計算的效率遠遠超過于傳統(tǒng)的計算方式，這就使得量子霸權得以成立了。

但這個選題，選一個什么樣的題目來解？這個題目未見得是有用的，那么它是任何一個題目都可以，所以谷歌是做到了選擇一個題目然后做到這個證明。它確實是一個成就。

在我看來未來量子計算的發(fā)展還需要更進一步，不能滿足于解決一個沒有意義的題就可以了，而要是真正在現(xiàn)實當中對這個世界，對我們人類實際生活有意義這樣的題目上來推動量子計算的發(fā)展。

這就是為什么我認為真正的目標不是量子霸權，而是量子實用性。

我們所進行的研究確實是分為兩個方面，既包含超導量子，也包含自旋量子，即基于量子點的，那么我們是和荷蘭的學術合作伙伴QuTech共同進行這兩方面的研究，在早期時候我們認為進行雙管齊下的研究是比較正確的策略，最近英特爾內部將這個研究的范圍更多的聚焦在了硅自旋量子計算上面，并在這方面取得了相當良好的進展，無論是從制造量子位，充分利用英特爾當前制造的優(yōu)勢，還是從控制技術的角度來講（自旋量子是要求低溫的控制環(huán)境），我們都取得了非常不錯的進展，這個進展是非常有意義的。如果我們要解決那些復雜的現(xiàn)實問題，就需要非常多的量子位，隨著量子位數量的提升，必然是要求在低溫環(huán)境下非常高效的來進行量子位的運算。

商業(yè)化至少還需十年

Rich Uhlig：就我們來看，距離量子計算商業(yè)化應該是還有至少十年的時間。

隨著越來越多的問題需要通過量子計算來解決，我們看到量子計算能解決多少問題和量子位的數量、規(guī)模是有成比例的關系的，但我們都知道量子位是非常脆弱的，也就是它可能在毫秒之間就會發(fā)生分解，所以我們需要開發(fā)一些使得周圍的環(huán)境對量子位來講有更大的寬容度、讓它們能夠持續(xù)下去的這樣的技術。

包括糾錯代碼，我們需要物理的量子位和邏輯的量子位，我們就需要有很多的糾錯電路去確保在功能上物理的量子位能達到邏輯量子位的要求，所以它才能夠長期的存在，這就有點像內存和存儲，我們不能依賴于這個物理級別的介質是百分之百準確精度的，所以還需要對其糾錯，所以這方面技術的進展是有必要的。

英特爾中國研究院院長宋繼強：邏輯和物理之間的關系是這樣的，一個物理的量子位，就是拿一個晶體管做自旋量子位Spin Qubit。但剛才講到物理量子位非常脆弱，而且它們糾纏的時間非常短，需要檢測它的狀態(tài)是不是穩(wěn)定，通常來講多個物理量子位在上面加一層糾錯電路，才能形成一個邏輯量子位，這個邏輯量子位才能用來做算法計算，所以用多個物理量子位才能變成在算法層面可用的長效邏輯量子位。

Rich Uhlig：剛才您也問到在解決問題的過程當中，可能就是說會能夠在近期、遠期解決什么樣一些問題，除了我剛才所講的一些量子、化學的應用還有材料、建模等等方面的應用之外，這兩個方面可能未見得需要我們去開發(fā)這種容錯的量子位。

但對于一些優(yōu)化的計算來說，就是很有必要的。在這種優(yōu)化計算過程當中你可能需要幾百個邏輯的可靠的量子位，也就意味著你需要上萬個物理的量子位，還有另一類的問題就例如解密編碼的這樣一些問題。它可能需要幾千個甚至百萬級別的量子位，所以那些需要更多可靠、穩(wěn)定量子位的那些問題就可能它們的解決就要晚一點到來。

科研的商業(yè)化研究邏輯

Rich Uhlig：英特爾所選擇去解決的問題，是考慮到我們能夠想見它在得到解決之后非常令人期待和興奮的一個結果，也就是說無論對社會還是說對個人生活來講是一個非常好的影響，能夠帶來很大的利益，或者即便有多難它能夠去帶來很大的飛躍。

我們如何決定在什么樣的時間點會開始某個領域的研究，我覺得其實當你心里已經確定，已經知道用怎樣的方法去解決這個問題，開始研究這個問題的時候，就應該盡快的開始。也就是說當你認為你有一種新穎的方式可以去解決這個問題或者你有一些神秘的配方可以去有助于解決這個問題，你就應該盡快的開始。

但在具體操作時候我覺得我們一直以來秉承的原則就是不要去只選擇單一的一種路徑去解決一個問題，然后就陷在其中不能自拔。也就是我們都是采取多管齊下的方式采取不同手段來解決這個問題，并且分別來對其進行測試，漸漸的去看到哪一種或者哪幾種更有可能來取得成功的，如果它更有可能成功我們就會加大對它的投入，最終在這方面取得更好的進展。

例如我之前講的量子位，開始時候我們多重手段進行研究，在現(xiàn)在也開始收窄和聚焦，因為最終你是否能夠研究出來一個解決方案這是非常難以預測的，所以在整個過程當中你需要保持一種批判精神，也就是說你需要有一系列衡量指標、參數來告訴你現(xiàn)在是正在取得成功還是失敗。

英特爾研究院今年的三大重點突破

Rich Uhlig：首先我對于神經擬態(tài)計算方面取得的進展感到非常興奮，英特爾正在去建造越來越大規(guī)模的神經擬態(tài)網絡系統(tǒng)，即便是現(xiàn)在已經接近于年底，在年底之前如果您關注新聞的話，將會看到有更多的英特爾制造更大規(guī)模的神經擬態(tài)系統(tǒng)的消息出現(xiàn)。而且我們也通過自身的努力給學術界的研究注入了更多能量。

第二個令我感到興奮的是英特爾在硅光子方面的研究取得的進展，正如我早前談到的它能夠去集成在CPU封裝里面來提供光學鏈路，這方面也會有消息出來，我們對于這方面在技術上英特爾取得突破是非常有信心的。

第三個方面就是在編程復雜性方面的進展了，也就是早期時候我談到的機器編程，我認為人工智能最有趣的應用之一就是進行編程，也就是我們現(xiàn)在正在教機器如何進行自動的編程，這也是長期以來計算機科學領域的一個難題，但現(xiàn)在我們認為已經看到很好的希望，一些早期的成果已經顯現(xiàn)出來，但要取得成熟還需要幾年的努力，我們現(xiàn)在正在這方面加大投資，相信未來一定會得到良好的回報。

神經擬態(tài)芯片：多LOIHI芯片

Rich Uhlig：有關于神經擬態(tài)在英特爾的研究中進展的問題，前一段時間我們對外宣布了我們的LOIHI是神經擬態(tài)單芯片系統(tǒng)的構建，在此基礎上我們又進行了更大規(guī)模的基于LOIHI系統(tǒng)的多芯片集成的研發(fā)，也就是說多個LOIHI芯片同時工作。我們在這個方向上會繼續(xù)耕耘。

我們已經有了這個LOIHI系統(tǒng)，現(xiàn)在做的事情是去推動在LOIHI系統(tǒng)外部建設開發(fā)社群，以便基于它能夠開發(fā)出來更多有趣的應用，因此我們建立了英特爾神經擬態(tài)研究社群，使得加入的各方可以去充分利用我們LOIHI系統(tǒng)的集群，從而開發(fā)出來更為有用的一些用例的模型，目前已經有非常好的和非常有趣的結果，包括基于此研發(fā)出來的具有高能效的推理手段以及機器人控制系統(tǒng)，以及去進行稀疏編碼、約束滿足以及優(yōu)化方面的計算。

神經擬態(tài)芯片現(xiàn)在可能主要面臨的、主要遇到的瓶頸這個問題，涉及到現(xiàn)有的一些常用的人工智能的方式，它的瓶頸是在哪里？實際現(xiàn)有這些人工智能已經存在很多年了，他們的瓶頸也是多年沒有解決的，主要分為三個方面：

第一就是在內存方面瓶頸，第二在I/O方面瓶頸，第三能耗方面的瓶頸，這些需要逐一擊破解決，我們認為神經擬態(tài)是這方面的一個解決方案，首先從內存角度來講它將內存與計算相結合，有時候是相互混雜在一起的，所以它能夠去解決這個內存的瓶頸問題，從能耗角度來講神經擬態(tài)計算是在一個時間點內只去對必要的算法模塊進行激活，而不是總是激活整個算法模型，這樣在任何一個既定時間點它要比傳統(tǒng)AI方式更為節(jié)省能源。

責任編輯:zl