实验室|FOMO的量子商用黎明( 四 )

应用场景之二，是决策优化。交易、信用评分、风险管理等业务中，金融行业每天需要做出做出数百万个决策，使用量子计算来处理大量数据成为必然。量子计算可以帮助优化投资组合，更精准地适应市场变化，简化交易结算程序。
早在2017 年 8 月，澳大利亚联邦银行（CBA）就与 Telstra、新南威尔士州政府和新南威尔士大学合作，斥资 8300 万美元建立澳大利亚首个量子计算业务。2021年，高盛和QC Ware的研究人员设计了新的量子算法，性能优于用蒙特卡罗技术模拟的金融模型，将金融应用量子优势路线图向前推进了重要一步。

文章插图
除此之外，量子计算在许多领域都有应用，比如广告营销、工业制造、商业咨询、材料化学等。可以肯定的是，只要量子计算能够被更高效、更低成本地使用，帮助企业获得指数级增长，就会吸引商业公司的拥抱。这也证明了量子计算商业化潮流的必然加速。
但问题来了，只有极少数的企业能够自己构建通用量子计算机，那么量子计算想要扩大应用范围，还需要跨越哪些障碍？
三、跨越鸿沟：从实验室到生态丛林的惊险一跃量子计算要实现商业化，必须克服的挑战有很多。既有技术层面的，如前所说，量子比特容易受到扰动，要让错误降低，必须不断扩展量子比特数量。有业内人士认为，量子计算硬件要发展到1000个量子比特，可以系统执行纠错电路并被广泛采用，预计到2023年实现。
这一过程中，量子计算公司还需要研发更快的量子芯片，构建量子开发工具。这一点需要学术界和工业界的联合发力。因为在量子技术中，高校往往不具备最先进的硬件设计和制造能力，而工业界则缺少将量子科学转化为产品所需的深厚物理学专业知识。科学家和工程师的紧密合作，依赖于产学研用的精密配合，知识产权以的保护及激励措施。

文章插图
（1998年到2020年的量子比特进展）
第二重挑战则是人才方面。
量子的硬件和软件方面都需要更多的人才，目前，专门研究量子算法的师资力量在全球范围内都比较稀缺。中国某企业量子实验室负责人也曾透露，招人是让他感到最耗费精力的事情，因为理论计算机科学研究人员很少，其中研究量子计算尤其是量子算法及其复杂性的人更少。
此外，正如AI落地需要学术与产业交叉融合的能力，量子计算的落地应用同样需要既懂技术、又懂产业的综合性人才，很多企业量子实验室团队都具备数学、物理、化学等多学科背景。而近年来的AI人才焦虑也在提醒我们，从现在开始未雨绸缪，提前培养量子领域的人才，对于未来加速量子计算的发展十分必要。或许在2022及不远的将来，我们将见证更多中国量子人才的校企联合培养计划、竞赛等不断涌现。

文章插图
第三重挑战，则是产业场景落地。量子计算要获得认可，避免泡沫化，需要展现出真正改变组织效率、带来业务价值的能力，这就要求解决方案提供方明确技术与场景的契合度，优先考虑那些商业可行性的方案。
从目前各行业应用量子计算的需求出发，会发现使用量子辅助优化算法、为AI系统提供支持，能够帮助降低成本、加速组织流程、降低风险，是最具价值的场景之一。Zapata首席执行官Christopher Savoie也，调研中71%的受访者对使用量子计算来解决机器学习和数据分析问题最感兴趣。
从这个角度看，量子计算的商用一定不是对经典计算取而代之，而是与AI技术、经典计算相结合，三位一体协同形成更强大的计算能力，再通过集成到云端，为千行百业所用。