銀行機構通常會在客戶使用銀行卡時了解和追蹤他們的交易行為。例如某人去瑞典度假，他可以透過信用卡支付款項而不用攜帶現金。然而一旦別人盜用，發放信用卡的銀行就無法決定阻止實施的交易。畢竟，在刷卡記錄中並沒有任何證據顯示是他人盜用。
銀行的機器學習演算法每天都會做出數十億個此類決策。這在計算機科學中被稱為“平均分類問題”，這些模型必須決定交易是否符合客戶的正常購買行為。對於傳統的機器學習演算法來說，這個問題主要透過消費者的支付歷史和與銀行其他互動資訊來畫像解決，是一個計算密集且不完善的過程。
位元列科技前沿的量子機器學習演算法是否已經準備好投入這樣的實際應用？行業專家對此問題的答案存在分歧。
量子機器學習何時到來？
IBM傑出工程師、英國皇家工程院院士Richard Hopkins解釋說，還有一種選擇可能是使用量子機器學習演算法。
他指出，傳統機器學習模型需要大量時間和資源的訓練來識別和權衡一筆交易的所有不同特徵，以判斷交易是否可疑。相較之下，量子機器學習模型利用量子位元的疊加來同時觀察這些特徵，因此有能力更快地找出解決非常困難的分類問題的答案。
在Hopkins看來，雖然量子機器學習領域目前仍處於實驗階段，但人們可能只需要5年時間就會看到量子機器學習演算法在詐欺偵測、藥物研發和電腦視覺等各個領域的應用。
但並不是所有的專家都認同這個觀點。量子新創公司Xanadu研究員、《量子電腦的機器學習》一書合著者Maria Schuld博士認為，從長遠來看，量子機器學習無疑具有巨大的發展潛力，但實現量子運算的實際應用目前看起來還很遙遠。
她說，「我們是科學家，通常為我們研究的科學進行商業論證。這樣做並不是因為知道這將會奏效，而是希望能有一些令人興奮的結果。」
量子機器學習仍處於試驗階段
量子機器學習是一個相對較新的領域。雖然從90年代中期開始就有關於這個主題的研究論文公開發表，但在過去五、六年，量子機器學習才真正開始吸引科學界的注意力。
Schuld介紹，量子機器學習有兩個廣泛的研究領域，一是使用量子電腦來加速傳統的機器學習演算法，例如吉布斯（Gibbs）取樣器；另一個是使用量子電腦作為模型，特別是使用量子晶片本身作為基礎，以類似傳統神經網路的方式訓練模型。
即便如此，這一領域整體上仍處於高度實驗性階段。她解釋說，雖然在某些情況下，機器學習演算法可以證明比傳統演算法具有“量子優勢”，但還需要一段時間才能憧憬它們在現實世界中的應用。
這一點被多個研究中關於量子機器學習的積極性所掩蓋，這些研究通常是在單一的、狹窄的用例中獲得了量子優勢的前提下發表的。為此Schuld指出，「從學術角度來看，這很有趣，但對量子計算可能的應用並沒有太多說明。畢竟，這些研究中解決的許多問題都是經過精心編碼才能在量子電腦上工作。換句話說，他們只擅長透過一台量子電腦以非常具體的方式解決非常具體的問題。」
對於傳統的機器學習技術來說，這並不是一個難題，其中許多技術都具有可推廣到更多問題的優點。相反，量子機器學習研究人員仍然很難將一種方法應用於一系列任務。為此Schuld明確指出，現在還沒有到利用量子晶片作為新的機器學習模型基礎的時候。
量子機器學習需要在現實中證明自己
儘管量子運算研究人員一致認為，在特定情況下，量子機器學習的表現遠遠優於傳統機器學習，但專家對前者的實際應用會多久出現分歧。
Hopkins承認，該領域仍然缺乏將問題映射到演算法並生成解決方案的通用模板，這也是傳統機器學習曾經面臨的問題，但是一旦做到了，那麼利用這項技術就變得非常容易。
「量子電腦允許使用者基於更高維度資料集做出更好、更準確的決策。我們已經在理論上證明了這一點，在實驗室裡也證明了這一點，我們越來越接近在現實中證明這一點。」他表示。
但是量子機器學習模型為此準備好了嗎?？ Schuld認為並沒有。她表示，「在底層硬體改進之前，我們不知道是否會有量子機器學習演算法能夠解決大量實際問題。除非我們擁有了沒有錯誤的機器，否則使用量子機器學習實際完成的任務是有限的。就實際應用而言，這有點令人遺憾。」
Hopkins對此雖不認同，但也承認人們不太可能很快就能看到一台量子電腦能夠訓練ChatGPT型模型。他說：「不可能在只有433個量子位元的量子電腦上實現這一點，但我們每年都在取得進展，以擴大可能進行的量子機器學習實驗的數量。人們將逐漸看到量子機器學習模型變得更加通用。」
以上是已經準備好將量子機器學習投入實際應用了嗎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
