我们可以将其称为未来计算的复仇者联盟。将两个科技界最热门的术语——机器学习和量子计算机结合起来，就形成了量子机器学习。就像《复仇者联盟》的漫画书和电影将一群超级英雄集结起来，形成了一个梦幻团队，这一组合很可能会吸引大量关注。
如果量子计算机能够以足够大的规模制造出来，那么通过利用亚原子世界的独特属性，它们有望比普通数字电子技术更高效地解决某些问题。多年来，研究人员一直在探究这些问题是否包括机器学习——一种人工智能形式，其中计算机被用于发现数据中的模式，并学习可用于在不熟悉的情况下进行推理的规则。
现在，随着备受瞩目的人工智能系统ChatGPT的发布，以及量子计算机的规模和能力的快速增长，这两种技术都在迅猛发展。那么，当两者结合，会产生什么有用的东西吗？许多科技公司，包括Google和IBM等老牌企业以及加利福尼亚伯克利的Rigetti和马里兰大学学院公园的IonQ等初创公司，都在研究量子机器学习的潜力。学术界的科学家们也对此兴趣浓厚。
目前尚未解决的一个重要问题是，在某些场景下，量子机器学习是否会比传统机器学习更具优势。理论表明，对于特定的计算任务，如模拟分子结构或寻找大整数的质因数，量子计算机将加速可能比宇宙的年龄还长的计算过程。但研究人员仍缺乏足够的证据证明这一点适用于机器学习。也有人说，量子机器学习可能会发现传统计算机未发现的模式——即使它的速度并不快。
一个潜在的更大问题是，传统数据与量子计算并不总是能很好地结合在一起。
大致来说，一个典型的量子计算应用有三个主要步骤。首先，量子计算机初始化，这意味着其各个内存单元（称为量子位或量子比特）将被置于一种集体纠缠的量子态。接下来，计算机执行一系列操作，即经典比特逻辑运算的量子类似操作。在第三步中，计算机执行读出操作，例如测量携带关于量子运算结果信息的单个量子位的状态，这可能是指示机器内部的某个电子是顺时针还是逆时针旋转等。
就像“最细的吸管”，Harrow、Hassidim和Lloyd等人提出的算法有望加快上述“第二步”。但在许多应用中，第一步和第三步可能极其缓慢，从而抵消了这些优势。
还有一种可能性，就是完全避开转换经典数据的障碍，通过在原本就是量子的数据上使用量子机器学习算法。在整个量子物理学历史中，量子现象的测量一直被定义为使用一种生活在宏观、经典世界的仪器来进行数值读取。
但现在有一种新兴的想法，涉及一种被称为量子传感的新兴技术，使得系统的量子属性通过纯量子仪器来测量。将这些量子态直接加载到量子计算机的量子位上，然后可以使用量子机器学习来识别模式，而无需与经典系统进行任何连接。
如果这类量子传感应用被证明是成功的，那么量子机器学习可能会在结合这些实验的测量结果和分析得出的量子数据中发挥作用。最终，量子计算机是否会为机器学习带来优势，将通过实验而非数学证明来决定。我们不能期待所有东西都像我们在理论计算机科学中那样被证明，我当然认为量子机器学习仍然值得研究，无论是否最终提高效率。