ChatGPT预示人工智能挑战量子运算可能性

去年（2022年）底科技界最火红的话题，莫过于OpenAI所推出的ChatGPT，这是个可以透过文字或对话，与人类直接互动的人工智能产物。

由于我们是无法有效地分辨出所互动的对像是人或机器，达到所谓图灵验证（Turing test）的终极要求。

GPT（generative pre-trained transformer）是所谓的生成型人工智能（AI），只要有主题句或初始对话，这已被训练好的生成型人工智能，即可写出一篇文字流畅且具思想的文章，或者与我们侃侃而谈。

人工智能的发展及演进已经历好几个时代，早已跳脱利用海量信息，将人类过往的知识及经验，蛛丝马迹般地寻找出最适切的解决方案，取而代之的是机器自己的学习，并创造出人类没有尝试过的解决方案。生成型人工智能就是近来备受关注的，其所使用的是自我回归（auto-regressive）演算法。程序设计师需要将所欲解决问题的基本规则输入，包括相关的参数，并设定好最终的目标值。接着电脑就开始不间断地自我学习（预测）以及检验，找出各参数在这个当下时间节点的输出预测值，并与上一个时间节点的输入参数做比较（检验），如果两者间有其相关性，则对于下一个时间节点的预测就更有把握及准确。

一旦达到所设定的目标值，这个人工智能的自我训练就大功告成。

DeepMind在几年前所推出的AlphaZero，在经过4小时的自我学习训练，随即打败所有下西洋棋的电脑程序。自我回归演算法，在各参数不断地预测及检验的循环下，需仰赖庞大的计算能力。所幸先进的半导体技术，已提供所需的运算平台。

以使用4纳米技术所制作的最先进高速运算芯片为例，其芯片已内含超过1,000亿个晶体管。不久前超微（AMD）在CES 2023会场上，所发表新一代的运算架构，9颗小芯片（chiplet）的堆叠，使晶体管数目更超过1,400亿颗。

其实说穿了，生成型人工智能与量子运算是殊途同归，两者解决问题所采取的步骤都是类神经网络的架构，在不断地预测与优化间，找到最适切的解答。不同的是，量子运算乃自然界微观世界所提供的量子叠加（superposition）与纠缠（entanglement）；人工智能是人为演算法及半导体算力。

自然界产物比较难以捉摸，人为的世界比较可以预测。

量子运算的硬件架构经过多年的发展，依然很难决定要往哪一个方向前进，这其中制作量子位元（qubit）相关的技术就包括超导体、离子阱（ion trap）、光子或者电子自旋（spin）。在资源无法集中的情况下，势必会影响到量子运算达到实际应用的时程表。甚至有专家开始提出，结合超级电脑人工智能运算的能力，以及量子运算的独特性，相辅相成共同完成艰钜问题的解决能力。

换言之，当量子运算还不清楚该如何跨出下一步时，生成型人工智能在演算法不断地精进，及更庞大运算能力的硬件支持下，已逐渐挑战到未来量子电脑所擅长的领域。

科技的发展很难用以始为终的逻辑来判断，需要密切关注发展中的每一个环节，并时时做修正。以TFT-LCD显示器为例，OLED的确有非常好的条件取代TFT-LCD，但是整体发展下来，OLED也仅能在中小尺寸的显示器有所着墨。反而TFT-LCD采用OLED作为背光源，更壮大TFT-LCD在产业的声势。

个人浅见认为，量子运算有可能走入OLED的命运，甚至更惨。

2022年诺贝尔物理奖颁给在量子信息领域有杰出贡献的3位学者，一时间有不少的报导认为量子运算已备受肯定，未来商品化的价值指日可待。事实上诺贝尔委员会所表彰的是这三位学者，以实验证明贝尔不等式（Bell inequalities）的不存在，也间接地指出爱因斯坦狭义相对论的不完备。这全然是根源于基础物理的实证，与未来的应用没有关联。

诺贝尔委员会曾颁过2次物理奖给量子霍尔效应（quantum Hall effect）相关研究，原先也被认为未来会有应用及商品化的价值，但后来都没发生。

台湾投入不少资源在量子运算的发展上，但如果以未来应用的可行性来审视，人工智能的发展更应该要有积极的规划。