Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

张胜誉转身业界,希望找到符合腾讯特点的量子研究发展模式

「国内外企业的量子计算团队各有各的模式,我们希望能找到适合自己特点的发展模式,」腾讯量子实验室杰出科学家、原香港中文大学教授张胜誉说。针对腾讯量子实验室的搭建与规划、量子计算与人工智能基础研究的机遇与挑战等问题,他向机器之心进行了深入分享。

又有一家中国互联网巨头挺进量子计算的基础研究。

不久前,在腾讯举办的学术&工业交流会议(TSAIC)上,公司筹建中的量子实验室首次正式亮相。

近年来,传统计算机的性能增长越来越困难。探索全新物理原理的高性能计算技术的需求应运而生。科学家认为,量子计算机会成为未来科技的引擎,极大改变人类日常生活。

尽管目前世界上还没有一台真正意义上的大型通用量子计算机,通往梦想之路仍然漫长也充满挑战,但这并不影响一些高科技公司「未雨绸缪」。

过去的 2017 年,我们见证了各国将量子计算列入国家战略并大力投入量子计算机研究的蓬勃态势,同时也目睹谷歌、IBM、英特尔、微软等科技巨头以及 Rigetti、IonQ、Quantum Circuits 等量子计算创业新秀在这场举世瞩目的「量子霸权」争夺赛上的激烈角逐,量子计算的潜能和重要性正逐步被更多人认识并关注。

同时,正如谷歌量子人工智能实验室的初衷之一——将机器学习与量子计算机进行整合,不少着眼量子机器学习的企业级量子研究室对这一研究方向表示看好,计划打造量子神经网络,或量子化的机器学习算法,用来缩短训练现有经典神经网络所需的时间,甚至开发新型的机器学习算法。

量子物理与机器学习的结合给突破经典机器学习模型的技术瓶颈带来了新的可能,受量子力学原理启发进行改造的经典计算模型则有望在经典计算机上就能实现运算的指数级加速,使用量子计算进行机器学习则可能是下一代「杀手级技术」。

「国内外企业的量子计算团队各有各的模式,我们希望能找到适合自己特点的发展模式,」腾讯量子实验室杰出科学家、香港中文大学教授张胜誉说。

针对腾讯量子实验室的搭建与规划、量子计算与人工智能基础研究的机遇与挑战等问题,张胜誉向机器之心进行了深入分享。

以下为采访实录,机器之心进行了不改变原意的整理。

关于腾讯量子实验室

机器之心:有观点认为国内企业做量子计算研究,在某种层面上是「赶时髦」,效仿国外科技巨头。你怎样看?

张胜誉:腾讯以企业的长期健康发展为目的,不必赶时髦,也不必避时髦。

市值上,中国互联网公司已经具有举足轻重世界地位。其中腾讯市值最大,位居世界前五。但在底层基础研究投入上,中国互联网公司和一些国外公司相比还有一定差距。

这其实也很自然,在成长和快速发展的初期阶段,首先要保证好生存。随着逐步进入稳健期,腾讯越来越重视科技和文化投入。事实上,中国几家大的互联网公司都开始尝试一些基础科学研究。

重要的是怎么做。每个公司都需要结合自己不同业务场景,但是基本的一点是,做研究不是做秀,需要长期认真,踏实地去做。

而这一点,我对腾讯特别有信心。

机器之心:与这个领域的其他「参赛者」相比,腾讯会在多大程度上对量子计算的基础研究表示重视和支持?

张胜誉:我也有很直接地问过 一位集团高层,「腾讯是否真正能在不管商业情况的前提下,坚持支持小规模高质量的基础研究工作?」

他的回答让我很赞赏。他认为这个事情我并不用担心,他个人和公司在看中量子计算这个方向后,都很愿意支持。腾讯的风格是比较踏实和容忍的。他甚至和我说,你招人的话,更需要担心的是另外一个方面——如果招来一个很聪明且非常努力工作的人,他在看到腾讯内部其他很聪明也很努力工作的员工做的产品能很快落地、很快被应用,并获得了巨大的商业回报以及个人回报后,还能否继续沉得住气做他的基础研究。

所以我们需要担心的是,候选者是否真正对基础和应用研究感兴趣,尤其是具备做研究工作的深入程度,并能够持续保持这个优秀品质。这样的回答让我相信,腾讯有这个决心和耐心。我想时间会慢慢告诉我们,哪些公司有更长远的视野,做一些更具战略布局的基础研究投入。

机器之心:能够获得真正意义上的支持吗?

张胜誉:这是肯定的。

虽然腾讯在研发产品上是快速出结果,而量子方向从研究到最后有可能出现落地的应用的周期会非常长,但我个人对这方面顾虑不是很大。

我以前做量子算法,研究哪些问题有很好的量子算法进行加速运算,我知道这里面有很多困难,甚至即使你有好的量子计算机作为硬件算力平台,面临的困难依旧很多。所以腾讯高层是充分了解这些困难,没有期望在短期内就得到商业回报,而是愿意提早布局,长期投入。

机器之心:会对标国外量子实验室吗?

张胜誉:我们希望能找到符合自身特点的发展模式。

国内外企业的量子计算团队都有各自模式。其中,一个很大的分野在于是否构建自己的硬件团队。如果构建硬件团队,全部投到一个方案,还是有一个主导方案和一个辅助方案。

我个人并不认为,国内互联网公司现在就应该赌其中某一个量子计算实现的硬件方案。因为,某些方案虽然进度较快,但技术突破往往难以预料,现在认定某个方案最终胜出,还为时过早。但我们会密切关注硬件团队发展并及时跟进。

至于理论方面,我相信我们会发展成国际一流的团队。

理论不止需要扎实的功底,更需要超越时代的视野。否则一时会产生很多文章,但是十年过后发现那些文章在历史上都留不下什么痕迹。我希望腾讯量子实验室的理论方面从小做起,但是心存高远的目标。

欢迎有在亚洲工作意向的各个级别的学者,也包括聪明而有抱负的学生和博士后加入,共同努力。

机器之心:产业界给实验投钱的前提是什么?是不是需要先从理论上证明,存在具有杀手级应用的量子算法?

张胜誉:其实,过去二十年里发现了很多量子算法,早已不仅仅 Shor 和 Grover 的那两个。

只是目前发现的量子算法总数少,不如经典算法那样成体系。有很多量子算法,外界知道的不多。

当然,算法科学家也一直在寻找在解决哪些问题上,特别是些实用性强的问题,量子算法比经典算法效率更高。如有重要理论突破,相信会加速产业界对相应研发的投入。

另一方面,除了有理论证明的传统算法,暂时没有理论支持的算法也重要。

就像深度学习,人类对其成功原因的理解还停留在比较初级的层面,但这并不妨碍落地应用。对于这一类量子算法,需要理论和实验科学家精诚合作,共同努力。

机器之心:会与其他「参赛选手」展开竞争吗?

张胜誉:目前来看,行业合作远远大于竞争。

因为大家有一个共同的敌人——实现量子计算机中遇到的噪声问题。我们希望受控的量子比特之间有比较好的纠缠和交互,但也不希望它们与环境的相干性太厉害。这很不容易控制。需要学界和业界的积极合作和共同努力。

目前待合作的问题包括量子计算硬件层面的制造、纠错机制与纠错码的研究、噪声来源和形成的原因研究、如何消除噪声,以及根据现有的噪声能否设计一些有趣的问题和算法,使得即时在有噪声的情况下运行该算法依旧能获得有效的结果等。

希望高校和研究机构都能以开放的心态来共同推动基础研究。这个阶段过多考虑利益之争,可能会严重限制量子计算发展。看似得到一些短期利益,但是实际上变成固步自封。

关于研究与治学

机器之心:张教授本科就读于复旦大学数学系。1999-2002 年期间,在清华大学计算机系人工智能实验室读硕士,师从应明生。当时所在团队是不是国内最早从事量子编程语言、量子复杂性等量子计算软件方向研究的团队?后来到普林斯顿大学师从姚期智,研究课题上有没有什么变化?

张胜誉:本科数学系毕业。研究生阶段,对量子物理和量子计算的接触并不多,也没有计算复杂性背景。初入清华,研究方向也不是量子。

直到第二学年末(2001 年中),才开始跟随应老师学习量子信息知识,偏重量子状态和量子测量的一些基本数学性质。那时候,应老师的团队确实是国内最早从事量子信息处理研究的团队之一。

博士阶段来到普林斯顿之后,发现北美学术界更多地在进行量子算法和量子计算复杂性研究,而姚先生也是这方面的大师,所以,个人研究也更多地转到相应领域。

机器之心:近年比较关注哪些方向的学术研究?

张胜誉:除了继续关注量子算法和量子复杂性之外,还做过一些量子博弈的研究。发现在很多场景下,使用量子技术会在一个博弈中取得很大优势。

更加近期的关注点还包括机器学习基础研究,以及使用量子物理改进经典的机器学习算法。

量子机器学习是一个有趣的领域,现有的量子计算机都存在运算规模小、噪声大、难以控制等问题。而量子机器学习算法可能受到的噪声对性能的影响相对小一些。

我本人也关注经典机器学习算法,因为它在近年发展得特别快。这在一定程度上说明,人类对自身理解有了很大进步。希望量子物理中的一些模型和想法能够进一步推进机器学习发展。

机器之心:进入产业界后,学术研究方向会有变化吗?

张胜誉:一方面,腾讯充分理解量子计算研发的基础性和前瞻性,所以给了量子实验室比较大的自由,包括学术自由。

另一方面,作为一个大平台,腾讯有多方面的业务和场景,这些会给学术研究带来很多新的思考和问题。

具体到领域,在学术界时,我觉得很多方向都很有趣,比如量子算法、计算复杂性、量子物理基础、量子信息、量子容错纠错、量子博弈、量子密码等。

现在身份转变后,可能会更多去关注能先被产业界应用的研究方向,比如量子算法中的一些有潜在应用前景的问题。

机器之心:量子机器学习领域有不同的细分研究方向,比如使用量子物理原理构建新的机器学习模型、使用量子算法加速经典机器学习运算效率、通过经典机器学习解决量子物理问题等。你最近有接触过这领域哪些比较有趣的研究工作?

张胜誉:你说的这几种都是很有意义的研究方向。其中,用经典机器学习帮助解决量子物理问题可能短期内比较容易实验实现,直接应用主要在科学研究上,商业应用价值暂时还不明显。

经典机器学习问题的量子算法这些年有一些了,不过用的技术还可以更丰富一些,其中有一些工作的严格性还需要进一步夯实。

其实,还有一类你没提到的,就是用量子的想法来启发经典机器学习的新算法。

最近,听到一名腾讯员工参与的工作,即将发表在 AAAI 2018。

研究使用了受量子物理原理启发、处理 NLP 问题的经典算法。在模型和计算环境上都是经典状态,有直接应用前景。

腾讯内部有一个量子学习小组,对量子物理+人工智能感兴趣的小伙伴们可以互相学习,氛围非常好。

机器之心查阅到,其论文名为:End-to-End Quantum-like Language Models with Application to Question Answering

机器之心:你曾被香港中文大学学生评为最好的计算机系教授,但也有学生很不理解您的教学方式。上课不带教案、考试是开卷考、会经常问学生想学什么等。如何评价自己的教学模式?

张胜誉:最好是过奖了。博士毕业后,我下定决心教书的一个原因是,内心还抱有一点小情怀。除了学术产出以外,也希望能通过更直接的方式,把自己的经验和教训分享给更多人,而教书显然是更好的方式。所以我希望找到合适的教学方式。

我教研究生课程的时候,上讲台尽量不带任何笔记和 ppt,所有算法细节从头到尾都在现场证明。可能有的学生会认为这个老师备课不认真,因为我都是现场用公式现推,有的时候也会卡住。但我希望这是一个比较自然的过程,能让大家体会到哪些推理过程比较重要,哪些是不太重要的细节。

大多数计算机算法没有那么复杂,如果能化繁为简,并且在面对很困难的问题时,传递给学生一种感觉:「我承认这个问题很难,我也搞不懂,也很头疼。但突然有一天,我想到一个角度来理解它时,会突然明白这东西也没有那么复杂。」

至于开卷考试,多用于本科课程,是希望学生把注意力用在去理解不同算法具体有什么用、适用于哪些问题、如何设计算法、复杂性怎么分析等,而不是死记硬背知识点。毕竟将来工作后面临的实际问题就是可以查阅资料的情况下,需要你设计有效算法快速解决问题。这和开卷考试比较像。

机器之心:进入工业界后,你的工作重心会有哪些转变?

张胜誉:在腾讯量子实验室,研究还是实验室日常工作的一个非常重要的组成部分。组里会按兴趣分工,一部分人更偏纯粹基础研究,另一部分会偏产业结合。

除了研究,还要做的事情包括团队建设、管理、业务合作、外联、宣传甚至涉及投资,市场等,比以前单纯做老师要丰富很多。这也会帮助拓宽我们的视野,能力得到全面锻炼。

同时,我还是希望能继续培养量子人才。腾讯就有几万员工,借由腾讯大平台对外做一些科普教育和讲座,还能把量子科技传播到更多地方。

团队还可以与高校研究院联合做一些暑期班,为公司也包括整个行业长期培养人才。

理论量子计算量子计算机产业
2
暂无评论
暂无评论~