人工智能的發(fā)展可能存在三個(gè)階段：服務(wù)器時(shí)代、云計(jì)算時(shí)代、量子計(jì)算時(shí)代?，F(xiàn)階段人工智能基本只能依靠集中處理的方式實(shí)現(xiàn)相關(guān)功能和應(yīng)用，也就是通過云計(jì)算的方式。根據(jù)我們的判斷，量子計(jì)算有望給人工智能帶來的變革性變化在于小型化和移動化。當(dāng)量子芯片中的量子比特?cái)?shù)量達(dá)到一定數(shù)量后，計(jì)算能力將滿足人工智能對運(yùn)算能力的需求，人工智能將不再依賴于大型服務(wù)器集群。未來量子芯片小型化后，人工智能前端系統(tǒng)的快速實(shí)時(shí)處理便成為可能，比如車載智能系統(tǒng)、無人機(jī)智能系統(tǒng)等。

2017 年5 月3 日，中科院宣布首臺光量子計(jì)算機(jī)在我國誕生，標(biāo)志著我國量子計(jì)算已處于世界領(lǐng)先水平。人工智能產(chǎn)業(yè)的突破需要借助相關(guān)產(chǎn)業(yè)鏈的進(jìn)一步完善，量子計(jì)算的超強(qiáng)算力有望加速人工智能的突破和商業(yè)化應(yīng)用，可提前布局量子計(jì)算產(chǎn)業(yè)相關(guān)標(biāo)的。建議從中科院與中科大的技術(shù)導(dǎo)入產(chǎn)業(yè)的途徑中尋找投資機(jī)會，可關(guān)注中科曙光、神州信息、浙江東方、亨通光電。

全球數(shù)據(jù)總量發(fā)展趨勢（EB） 資料來源：IDC，招商證券

量子計(jì)算發(fā)展歷史 資料來源：招商證券

人工智能的瓶頸 數(shù)據(jù)龐大 算力有限是其中之一

人工智能的爆發(fā)是近兩年才開始的，主要原因是使用效果上取得了突破。人工智能是一門計(jì)算機(jī)技術(shù)，主要讓計(jì)算機(jī)去替代人來完成部分工作。如今主流的技術(shù)主要是指使用深度學(xué)習(xí)等算法來實(shí)現(xiàn)替代人工，完成大量簡單重復(fù)性勞動。

雖然人工智能概念的提出已有將近60年了，但之前的發(fā)展速度一直偏慢，主要原因是無論方法如何進(jìn)步，實(shí)際使用效果依舊差強(qiáng)人意。從2015年起，人工智能迎來了真正的大爆發(fā)，這在很大程度上與GPU的廣泛應(yīng)用有關(guān)。

人工智能的高速發(fā)展將為各個(gè)產(chǎn)業(yè)帶來翻天覆地的變化。目前很多商業(yè)領(lǐng)域已經(jīng)采用人工智能，尤其在谷歌、百度這樣的公司，在它們的搜索、推薦、廣告等領(lǐng)域都已使用了類似機(jī)器學(xué)習(xí)的技術(shù)。

目前人工智能應(yīng)用最為廣泛的是在人臉識別領(lǐng)域。人臉識別引入人工智能技術(shù)后，識別率大幅提升，其中核心的突破是在算法層面。在人臉識別中，人工智能能做到97%的識別正確率，超過了人類95%的識別率，這意味著大規(guī)模商業(yè)應(yīng)用具備了價(jià)值的基礎(chǔ)，尤其是在安防領(lǐng)域、金融領(lǐng)域等，機(jī)器做得比人更好。我們認(rèn)為，人工智能最先涉及的領(lǐng)域包括但不限于安防、金融、教育、醫(yī)療、汽車等。

人工智能高速發(fā)展的基礎(chǔ)是算法、數(shù)據(jù)和硬件算力

算法、數(shù)據(jù)和硬件算力組成了人工智能高速發(fā)展的三要素。人工智能的實(shí)現(xiàn)所需要具備的基礎(chǔ)，第一個(gè)是優(yōu)秀的人工智能算法，比如現(xiàn)在最流行的深度學(xué)習(xí)算法，就是近期人工智能領(lǐng)域中最大的突破之一，為人工智能的商業(yè)化帶來了希望；第二個(gè)是被收集的大量數(shù)據(jù)，數(shù)據(jù)是驅(qū)動人工智能取得更好的識別率和精準(zhǔn)度的核心因素；第三個(gè)是大量高性能硬件組成的計(jì)算能力，以前的硬件算力并不能滿足人工智能的需求，當(dāng)GPU和人工智能結(jié)合后，人工智能才迎來了真正的高速發(fā)展。從目前情況看，以上三要素缺一不可。

為什么人工智能近兩年才開始爆發(fā)？主要是因?yàn)橹钡浇袢眨斯ぶ悄艿乃惴?、?shù)據(jù)和硬件才滿足了人工智能的基本需求。算法方面，以人臉識別為例，在2013年深度學(xué)習(xí)應(yīng)用到人臉識別之前，各種方法的識別成功率只有不到93%，低于人眼的識別率，因此不具備商業(yè)價(jià)值。而隨著算法的更新，深度學(xué)習(xí)使得人臉識別的成功率提升到了97%，這才為人臉識別的應(yīng)用奠定了商業(yè)化基礎(chǔ)。第二，在數(shù)據(jù)方面，進(jìn)入互聯(lián)網(wǎng)時(shí)代后，出現(xiàn)了大數(shù)據(jù)的高速發(fā)展與積累，這為人工智能的訓(xùn)練學(xué)習(xí)過程奠定了良好的基礎(chǔ)。比如，在AlphaGo的學(xué)習(xí)過程中，核心數(shù)據(jù)來自互聯(lián)網(wǎng)的3000萬例棋譜，而這些數(shù)據(jù)的積累是歷經(jīng)了十多年互聯(lián)網(wǎng)行業(yè)的發(fā)展。所以直到今年，基于深度學(xué)習(xí)算法的AlphaGo才取得突破性進(jìn)展。離開了這些棋譜數(shù)據(jù)的積累，機(jī)器戰(zhàn)勝人是無法實(shí)現(xiàn)的。第三點(diǎn)是硬件的算力。在二十年前，一個(gè)機(jī)器人，當(dāng)時(shí)是用32個(gè)CPU，達(dá)到120MHz的速度?，F(xiàn)在的人工智能系統(tǒng)使用的是成百上千個(gè)GPU來提升計(jì)算能力，這使得處理學(xué)習(xí)或者智能的能力得到比較大地增強(qiáng)。之前用CPU一個(gè)月才能出結(jié)果，然后再去調(diào)整參數(shù)，一年只能調(diào)整12次，也就是有12次迭代。GPU產(chǎn)生后，大幅提升了計(jì)算量，現(xiàn)在用GPU可以一天就出結(jié)果，這樣可以迭代得更快，這是技術(shù)大幅發(fā)展的條件。

大數(shù)據(jù)迎來爆發(fā)式增長 現(xiàn)有算力無法匹配

互聯(lián)網(wǎng)時(shí)代下的大數(shù)據(jù)高速積累，現(xiàn)有計(jì)算能力無法匹配。全球的數(shù)據(jù)總量正以飛快的速度增長，根據(jù)IDC的數(shù)字宇宙報(bào)告，全球所有信息數(shù)據(jù)中的90%產(chǎn)生于近幾年，數(shù)據(jù)總量正在以指數(shù)形式增長。從2003年的5EB，到2013年的4.4ZB，并將于2020年達(dá)到44ZB。也就是說，2020年每個(gè)人可以均攤到5200GB以上的數(shù)據(jù)量。而且到2020年，將近40%的信息都可能會被云提供商“觸摸到”；約三分之一的數(shù)據(jù)，即超過13000EB的數(shù)據(jù)將具有大數(shù)據(jù)價(jià)值?；诂F(xiàn)有的計(jì)算能力，在如此龐大的數(shù)據(jù)面前，人工智能的訓(xùn)練學(xué)習(xí)過程將變得無比漫長，甚至完全無法實(shí)現(xiàn)最基本的人工智能，因?yàn)閿?shù)據(jù)量已經(jīng)超出了內(nèi)存和處理器的承載上限，這將極大限制人工智能的發(fā)展和應(yīng)用。

摩爾定律趨于極限 經(jīng)典計(jì)算瓶頸需要被打破

摩爾定律趨于失效，經(jīng)典計(jì)算機(jī)的計(jì)算能力到達(dá)瓶頸。對于目前的經(jīng)典計(jì)算機(jī)，處理器的計(jì)算性能已漸漸遠(yuǎn)離摩爾定律，因?yàn)镃PU中晶體管的數(shù)量無法實(shí)現(xiàn)每兩年翻一番的預(yù)期。頂級科學(xué)期刊《自然》雜志認(rèn)為，主要原因是現(xiàn)有芯片設(shè)計(jì)工藝已達(dá)到10納米，預(yù)計(jì)2020年到達(dá)2納米。這個(gè)級別上的晶體管只能容納10個(gè)原子，電子的行為將不再服從傳統(tǒng)的半導(dǎo)體理論，此時(shí)晶體管將變得不再可靠。

摩爾定律到達(dá)瓶頸后，提升算力的方式只能靠增加芯片數(shù)量。目前，面對單個(gè)芯片的算力瓶頸，人們普遍的做法是做加法，即增加計(jì)算集群中芯片的總數(shù)量，來提升運(yùn)算處理能力。比如：要計(jì)算1+1和2+2兩個(gè)任務(wù)，對于單個(gè)芯片而言，就需要消耗兩單位的計(jì)算時(shí)間，逐個(gè)完成這兩個(gè)任務(wù)。而同時(shí)使用兩個(gè)芯片的話，經(jīng)過一定程序上的優(yōu)化，可以實(shí)現(xiàn)在一個(gè)單位的計(jì)算時(shí)間內(nèi)，完成這兩項(xiàng)計(jì)算任務(wù)。

量子計(jì)算：人工智能的革命性算力

量子計(jì)算機(jī)有望提供更強(qiáng)的計(jì)算能力。量子計(jì)算機(jī)提供了另一條增強(qiáng)計(jì)算能力的思路，它的并行計(jì)算的特性，使得它可以一次同時(shí)處理多個(gè)任務(wù)，有望實(shí)現(xiàn)計(jì)算能力上的超越。

量子計(jì)算的算力呈指數(shù)級增長

量子計(jì)算的核心優(yōu)勢是可以實(shí)現(xiàn)高速并行計(jì)算。在計(jì)算機(jī)科學(xué)中，無論經(jīng)典計(jì)算還是量子計(jì)算，他們的計(jì)算功能的實(shí)現(xiàn)都可以分解為簡單的邏輯門運(yùn)算。簡單來講，每一次邏輯門的運(yùn)算都要消耗一個(gè)單位時(shí)間來完成。經(jīng)典計(jì)算機(jī)的運(yùn)算模式通常是一步一步進(jìn)行的，它的每一個(gè)數(shù)字都是單獨(dú)存儲的，而且是逐個(gè)運(yùn)算。所以對于4個(gè)數(shù)字進(jìn)行同一個(gè)操作時(shí)，要消耗4單位時(shí)間。而在量子計(jì)算中，一個(gè)2個(gè)量子比特的存儲器可以同時(shí)存儲4個(gè)數(shù)字，這里一個(gè)量子態(tài)可以代表所有存儲的數(shù)字?？茖W(xué)家通過特定設(shè)計(jì)對量子態(tài)進(jìn)行一次變換，即可對4個(gè)數(shù)字同時(shí)操作，而且只消耗1單位時(shí)間。這種變換相當(dāng)于經(jīng)典計(jì)算的邏輯門，實(shí)現(xiàn)了對存儲器中的數(shù)字并行運(yùn)算，這被稱為量子并行計(jì)算?？梢钥吹剑?dāng)量子比特?cái)?shù)量越大時(shí)，這種運(yùn)算速度的優(yōu)勢將越明顯，它可以達(dá)到經(jīng)典計(jì)算機(jī)不可比擬的運(yùn)算速度和信息處理功能。

對于量子計(jì)算機(jī)，在半導(dǎo)體材料和超導(dǎo)材料等領(lǐng)域，科學(xué)家也已經(jīng)積累了數(shù)十年的理論與經(jīng)驗(yàn)。現(xiàn)在最有希望的量子計(jì)算機(jī)方案之一就是低溫超導(dǎo)系統(tǒng)，它涉及了半導(dǎo)體材料與超導(dǎo)材料的應(yīng)用，主要是基于硅晶體，摻雜一定量的超導(dǎo)材料，實(shí)現(xiàn)量子計(jì)算。而現(xiàn)有的技術(shù)積累將極大促進(jìn)該方案的發(fā)展與快速突破，用更短的時(shí)間實(shí)現(xiàn)大規(guī)模的商業(yè)化應(yīng)用。

值得注意的是，量子計(jì)算機(jī)的量子比特?cái)?shù)量以指數(shù)增長的形式快速上升，從2003年起的1位量子比特，到2013年512位量子比特的計(jì)算機(jī)，再到2015年實(shí)現(xiàn)1000位量子比特。目前，非通用型量子計(jì)算機(jī)已經(jīng)實(shí)現(xiàn)了1000位量子比特，在特定算法上，計(jì)算效率比經(jīng)典計(jì)算機(jī)要快一億倍。

量子計(jì)算機(jī)的全球商業(yè)化進(jìn)程加速

量子計(jì)算機(jī)經(jīng)過近40年時(shí)間的理論研究階段，在2007年首次實(shí)現(xiàn)硬件方面的商業(yè)化。目前發(fā)展迅速的是非通用型量子計(jì)算機(jī)，而通用型量子計(jì)算機(jī)還處于起步階段。我們認(rèn)為，通用型量子計(jì)算機(jī)和非通用型量子計(jì)算機(jī)最終將在市場上共存，并共同向經(jīng)典計(jì)算機(jī)的市場份額發(fā)起挑戰(zhàn)。

“十三五”規(guī)劃期間，量子計(jì)算機(jī)被我國列為重點(diǎn)研究方向之一，國內(nèi)已有不少科研團(tuán)隊(duì)關(guān)注量子計(jì)算領(lǐng)域，他們的主要關(guān)注點(diǎn)在于量子算法和量子計(jì)算機(jī)的實(shí)現(xiàn)上。另有一些研究團(tuán)隊(duì)關(guān)注在高溫新型超導(dǎo)材料等基礎(chǔ)研究領(lǐng)域，這些基礎(chǔ)研究的突破也能大力促進(jìn)量子計(jì)算產(chǎn)業(yè)的高速發(fā)展。2016年8月，我國量子計(jì)算機(jī)研究取得突破性進(jìn)展，中國科技大學(xué)量子實(shí)驗(yàn)室宣布成功研發(fā)了半導(dǎo)體量子芯片。

量子人工智能算法相比經(jīng)典算法節(jié)省大量時(shí)間

經(jīng)典計(jì)算機(jī)的計(jì)算核心使用的是中央處理器，是一種基于半導(dǎo)體理論設(shè)計(jì)的電子芯片，用于串行運(yùn)算。而在量子計(jì)算機(jī)中，它的計(jì)算核心是量子芯片，通過量子的疊加性帶來了并行運(yùn)算的能力，替代傳統(tǒng)的電子芯片。可以看到，量子計(jì)算機(jī)與經(jīng)典計(jì)算機(jī)的物理實(shí)現(xiàn)完全不同，如果在量子計(jì)算機(jī)中使用經(jīng)典算法的話，那么量子芯片將和普通電子芯片發(fā)揮基本相同的功能，只能實(shí)現(xiàn)串行計(jì)算。這是由于設(shè)計(jì)經(jīng)典算法時(shí)，其設(shè)計(jì)思想是基于串行運(yùn)算而得到的，這是經(jīng)典算法自身的局限性。為此，需要設(shè)計(jì)相應(yīng)的量子人工智能算法，才能實(shí)現(xiàn)量子計(jì)算的超強(qiáng)算力，這種專門面向量子計(jì)算設(shè)計(jì)的人工智能算法被稱為量子人工智能算法。

量子計(jì)算提升人工智能效率 拓展應(yīng)用場景

在很多應(yīng)用領(lǐng)域，人工智能需要擁有快速處理數(shù)據(jù)、快速響應(yīng)的能力。比如智能駕駛等應(yīng)用場景，對于人工智能的反應(yīng)速度要求很高。再比如手機(jī)上的人工智能系統(tǒng)，對于數(shù)據(jù)的處理能力要求非常高，在這些應(yīng)用場景中，急需人工智能的硬件系統(tǒng)實(shí)現(xiàn)可移動化和快速響應(yīng)能力。

隨著人工智能對硬件計(jì)算能力的需求不斷提升，人工智能從單機(jī)或者小型服務(wù)器模式，逐步轉(zhuǎn)型為云計(jì)算模式。目前，隨著人工智能應(yīng)用的發(fā)展，單機(jī)或者小型服務(wù)器模式的劣勢逐漸顯現(xiàn)。一方面，這種模式可提供的算力到達(dá)了一個(gè)瓶頸階段，已無法滿足人工智能對算力的需求；另一方面，這種模式是一次性采購的，對于用戶的資金壓力較大，并且后期維護(hù)成本不低，需要自己搭建相應(yīng)的軟件環(huán)境?，F(xiàn)階段一種主要的解決方案是將人工智能應(yīng)用或者服務(wù)放在云端，運(yùn)用云計(jì)算平臺提供更加優(yōu)質(zhì)廉價(jià)的人工智能服務(wù)，其主要的優(yōu)點(diǎn)是可以按照實(shí)際需求來購買計(jì)算能力，隨時(shí)滿足現(xiàn)階段的應(yīng)用需求。另外，付費(fèi)模式相對彈性，按照使用狀況來逐次結(jié)算費(fèi)用，減輕資金壓力。

在摩爾定律近乎失效的情況下，基于現(xiàn)有的計(jì)算能力，在如此龐大的數(shù)據(jù)面前，人工智能的訓(xùn)練學(xué)習(xí)過程將變得無比漫長，甚至完全無法實(shí)現(xiàn)最基本的功能。而量子計(jì)算機(jī)的量子比特?cái)?shù)量以指數(shù)形式增長，也就是每兩年翻一番。又因?yàn)榱孔佑?jì)算的特點(diǎn)，其計(jì)算能力是量子比特?cái)?shù)量的指數(shù)級，這個(gè)增長速度將遠(yuǎn)遠(yuǎn)大于數(shù)據(jù)量的增長，為數(shù)據(jù)爆發(fā)時(shí)代的人工智能帶來了強(qiáng)大的硬件基礎(chǔ)。

從服務(wù)器到云計(jì)算，人工智能的應(yīng)用場景得到了極大的拓展，我們認(rèn)為量子計(jì)算也將拓展人工智能的應(yīng)用場景。我們認(rèn)為，人工智能的發(fā)展存在三個(gè)階段：服務(wù)器時(shí)代、云計(jì)算時(shí)代、量子計(jì)算時(shí)代。其中量子計(jì)算時(shí)代為人工智能帶來的顛覆，除了在計(jì)算能力方面，更重要的是極大地增加了應(yīng)用場景。

量子計(jì)算可實(shí)現(xiàn)人工智能的小型化

現(xiàn)在的人工智能系統(tǒng)使用的是成百上千個(gè)GPU來提升計(jì)算能力，這使得處理學(xué)習(xí)或者智能的能力得到比較大地增強(qiáng)，然而這套系統(tǒng)也需要龐大的硬件機(jī)柜和相配套的硬件機(jī)房。較大型的人工智能硬件系統(tǒng)需要將近半個(gè)足球場的占地空間，這無疑是對人工智能發(fā)展的一個(gè)重要限制。隨著大數(shù)據(jù)時(shí)代的不斷進(jìn)步，數(shù)據(jù)將呈現(xiàn)指數(shù)級增長，而基于CPU或者GPU云計(jì)算的數(shù)據(jù)中心將無法滿足數(shù)據(jù)爆發(fā)的需求。

目前非通用型量子計(jì)算機(jī)已經(jīng)實(shí)現(xiàn)了1000位量子比特，在特定算法上，計(jì)算效率比經(jīng)典計(jì)算機(jī)要快一億倍。也就是如果想要實(shí)現(xiàn)人工智能，原來需要一千臺計(jì)算機(jī)，或者需要一萬臺計(jì)算機(jī)的規(guī)模，現(xiàn)在只要用一臺量子計(jì)算機(jī)就可以了。而且這個(gè)量子計(jì)算機(jī)的計(jì)算能力完全能夠滿足人工智能對速度的要求，也就是人工智能將不再依賴于大型服務(wù)器集群，或者龐大的云計(jì)算中心。

量子計(jì)算可高速處理大數(shù)據(jù) 實(shí)現(xiàn)人工智能移動化

目前量子計(jì)算較為成功的應(yīng)用集中在大數(shù)據(jù)快速搜索，這主要是因?yàn)樵谶@個(gè)應(yīng)用領(lǐng)域中，誕生了優(yōu)秀的量子計(jì)算算法，使得經(jīng)典計(jì)算體系中無解或者趨近無解的問題，在量子計(jì)算的環(huán)境中，轉(zhuǎn)化為了可解并且能快速求解的狀態(tài)，使得這個(gè)領(lǐng)域成為目前量子計(jì)算的重要應(yīng)用方向。

量子芯片的大數(shù)據(jù)處理能力將實(shí)現(xiàn)人工智能的移動化，主要的應(yīng)用場景包括：車載智能系統(tǒng)、無人機(jī)的智能系統(tǒng)或者手機(jī)上的人工智能系統(tǒng)。主要可行的方案有兩種：第一是它們實(shí)時(shí)收集的大量信息和傳感器數(shù)據(jù)，之后傳輸給云端的量子計(jì)算系統(tǒng)，在云端實(shí)現(xiàn)超短時(shí)間內(nèi)的快速運(yùn)算，然后再將結(jié)果反饋給相應(yīng)移動端，實(shí)現(xiàn)對移動端的控制。這種方案的優(yōu)勢在于可以極大節(jié)省計(jì)算的時(shí)間，提高智能系統(tǒng)的響應(yīng)速度。另一種方案是通過自身攜帶的量子計(jì)算系統(tǒng)，可以在本地處理大量的數(shù)據(jù)，并且得到實(shí)時(shí)響應(yīng)，指導(dǎo)汽車自動駕駛或者對手機(jī)終端反饋信息。這個(gè)系統(tǒng)的優(yōu)勢是不只節(jié)省了計(jì)算時(shí)間，還完全省去了上傳和下傳數(shù)據(jù)的時(shí)間。但是這種方案的不確定性在于量子芯片能否在日常環(huán)境中直接使用，比如不再要求超低溫的環(huán)境等?？傊?，這些應(yīng)用場景對于數(shù)據(jù)處理能力的要求非常高，而量子計(jì)算通過節(jié)省大量的計(jì)算時(shí)間，實(shí)現(xiàn)可移動化的人工智能系統(tǒng)，提供數(shù)據(jù)的快速響應(yīng)能力。