1樓：Flying Walker
目前而言，計算機系的大多不懂量子，物理系的很少精通計算機理論。
各自循著各自的方向向前走，交叉當然不是沒可能。
感覺兩者結合一下就美滋滋了。
2樓：Milo Sun
量子化模型很有意思，但乙個研究正規化完全取代另外乙個研究正規化沒那麼快，而且量子化的理論至少在自然語言處理領域還沒什麼起色。
3樓：Yupeng
量子計算機現在處於的階段還是一台機器只能做乙個演算法，按照普通計算機的發展階段，也就是還在組電路門的階段。不太了解10年後能不能發展到商用的水平...... 不過量子計算絕對是解決一大類計算問題的出路，有了量子計算，確實很多的機器學習演算法也就過時了。
4樓：捉木馬的藍胖紙
趕緊出來吧。應該靠譜吧，量子計算機的架構問題前兩年就聽說有人在搞，挺來錢的。
有很多好的方法，都是因為scalability的問題在那裡攔著不能用，我們需要高效能廉價的機器。其實不清楚為毛量子計算機會影響機器學習，量子計算機在軟體層面是表現出來的單純是計算能力的提高麼？求解。
不用慌什麼，當計算能力不是問題，能直接遍歷不用pruning的時候不少演算法就該退出歷史舞台了，正常的新陳代謝。也會產生諸如密碼之類的新問題。
一線做開發的不用擔心，寫tool的肯定要考慮怎麼設計留介面更方便程式設計師去使用。比如起源自數學工具的各種魔改……
5樓：
量子計算機我不懂，量子力學我不懂，連目前的計算機都不精通，機器學習也只是略有涉獵。但，你把ＰＲＭＬ、統計學習與凸優化、概率論與隨機過程放一起是幾個意思？你認為的機器學習就是這些東西，還是這些東西就是機器學習？
踏踏實實學基礎理論吧，別動不動想搞個大新聞。至少把數學學好，最低限度也把概念搞清楚。
6樓：指尖上的哲學
量子計算機的突出特點就是快，因為底層所使用的物理技術與傳統計算機的0/1晶體表示方法有所不同，所以，量子計算機能夠突破傳統計算機的效能瓶頸。然而，與傳統計算機而言，個人感覺程式設計模式甚至程式設計的概念都會有所變化，然而，這些變化只是使用方法上的變化。
這就好比你要從A城市到B城市，有火車，有飛機，也有大巴，當然也可以選擇步行，量子計算機就好比飛機，而目前的計算機就好比步行。然而，不管怎樣，你的出發地和目的地是完全相同的。
乙個演算法有輸入輸出，演算法的輸入就好比出發地，輸出是目的地，這些是不變的，因此，現有的機器學習技術經過改良後仍然可以適用於新的計算模型。
機器學習演算法最初學者使用CPU來執行，後來隨著GPU的出現，很多學者轉向了GPU來做加速。從底層硬體的這一改變來看，演算法方面更多的只是做了一些並行化工作，最核心的內容仍然沿用CPU的那一套東西。
7樓：
按照我的理解，量子計算機的核心優勢就是快。
速度快就可以在短時間內對複雜的機器學習模型（概率圖、深度神經網路等）進行精確求解，而不需要採用各種近似目標函式、啟發式初始化等方法降低計算量。目前乙個七八層的深度神經網路訓練1T的資料大概幾百台機器的分布式集群需要求解乙個月，如果有了量子計算機，也許就是幾分鐘的事情。真正的人工智慧想要實現，想必是需要量子計算機助力。
機器學習模型本身並不關心求解過程是採用的2進製計算機還是量子計算機。機器學習背後的數學理論是統計，而統計是在計算機誕生前就存在的學科，不過計算機誕生過對該學科有很大的推動，也許量子計算機出現後由於新的解法出現，統計學也會出現創新，也會出現新的機器學習模型。
但是這一切都是建立在最基礎的統計學習理論之上。萬丈高樓平地起，基礎都是1+1。
如何評價物理學家波爾
羊習習 了解過他的生平會發現他是乙個有極大社會責任感的科學家，擁有包容，中庸的東方思維。他為丹麥做成了費公尺沒有為義大利做成的事 他不像愛因斯坦只關注自己的世界 總之這些人都是那個時代熠熠閃耀的明星 那個時代閃耀者太多，只是他們的光芒過於明亮 LC振盪電路 一生對量子力學的建立有很大的貢獻，是海森堡...
物理學家有江湖嗎？
空裡流霜 1989年，錢學森給 送了一本他寫的 系統工程論 此後，特意向錢學森請教了超弦理論，最尖端的物理學理論等知識。也許有江，有沒有湖就不知道了 分享一下科學家的江湖 知識分子 獨家 事關下個諾貝爾獎 美國科學界激辯基因修飾技術英雄榜 Elm Hertz 看到了高票答案，我們不叫江湖，叫場，突然...
如何用最短的時間成為物理學家？
當你認為自己對乙個學科有所了解的時候，正代表著你對它一無所知。真正會成為物理學家的人並不會思考這個問題，因為他們從不會以此為目標，物理就是他們生活中的一部分。他們深刻知道自己的渺小，但他們還是會沉浸在物理研究的樂趣之中，無法自拔。 當你說了超弦理論，還用了我能看得懂的話來表達，我就認定你是在釣魚了。...