人工智能指的是，除其他方面外，机器展现出某种程度的、人类所认为的“智能”的能力。机器学习的迅速发展正推动这一进程：让机器自行思考，而不是预先为它们设定绝对概念。
以图像识别为例。人类擅长这项任务，但要通过人工方式模拟却很困难。训练机器识别猫，并不意味着输入一套关于猫长什么样的固定定义。相反，输入的是许多不同的猫的图像；目的是让计算机学会提炼出像素中潜在的“猫样”模式。
对数据的依赖是一种强大的训练工具，但也可能带来隐患。如果机器接受训练，以发现并利用数据中的模式，那么在某些情况下它们只会延续种族、性别或阶级偏见，而这些偏见正是当下人类智能所特有的。
不过，机器学习固有的数据处理能力也有望催生改善人类生活的应用。“智能”机器可以帮助科学家更高效地检测癌症，或更好地理解心理健康。
迄今为止，机器学习的大部分进展都属于经典范畴：机器用来学习的技术遵循经典物理学定律。它们学习的数据也具有经典形式。运行这些算法的机器同样是经典的。
我们从事新兴的量子机器学习领域，探索量子力学这一物理学分支是否能够改进机器学习。从根本上说，量子力学与经典物理学不同：它以概率为基础，并将不确定性作为一项基本原则。量子力学还拓展了物理学的范畴，纳入了无法用经典直觉解释的有趣现象。
从经典到量子
量子力学是物理学的一个分支，旨在理解并应用数学上可验证的规则，描述自然界在最微小尺度上的行为——原子、电子和光子的尺度。它于20世纪初首次发展起来，在描述微观层面的系统方面取得了巨大成功。
量子世界与经典世界之间的根本分野，通过薛定谔的猫思想实验广为人知。在这个实验中，一只猫与一小瓶毒药和一个放射性原子一起被关在盒子里。毒药是否释放——以及猫能否存活——取决于原子的衰变。
量子力学允许将原子描述为同时处于已衰变或未衰变的状态，直到测量迫使它进入一个确定状态。但由此推论，在盒子打开、猫的状态得以确定之前，也可以将猫描述为同时既死又活。这个悖论说明了将量子规则应用于经典物体的困难。
这是量子理论中较为引人入胜的一种可能性：量子系统可能同时处于多个状态——这种现象称为叠加态——直到该系统受到测量。
量子计算
机器学习有几种实现量子化的方式。其中，创造量子计算机的竞赛最受媒体关注，也推动了相关产品的发展，例如D-Wave计算机和IBM Quantum Experience。
量子计算机的价值在于，它们能够以不同于经典计算机的方式处理信息和执行计算任务，并且在某些情况下速度更快。
尽管商业界对此兴趣浓厚，目前还没有任何一种竞品取得彻底成功。这是因为它们所利用的量子力学现象（例如叠加态）十分脆弱，容易遭到破坏。
量子机器学习的其他分支着眼于量子理论如何影响计算机的学习方法或学习数据，以及如何在量子框架下微调经典机器学习的工具和技术。
尽管可衡量的成果目前大多仍停留在理论层面，量子机器学习确实会对普通人的日常生活产生影响。人们早已预测，量子计算机的处理能力可能使银行业务或其他在线交易中使用的现有加密技术失效。
近来，退火等量子机器学习技术已展现出商业应用前景，可用于优化金融资产收益或信用评级计算。
随着化学所依据的原理从根本上说属于量子范畴，机器学习中的量子技术也可能在医疗技术或药物设计领域变得至关重要。2017年成立的生物技术公司ProteinQure已经在利用量子计算的要素开发新的疗法。
量子机器学习技术可能对我们已经习以为常的许多技术产生深远影响，从航空到农业，洛克希德·马丁公司、美国国家航空航天局（NASA）和谷歌等企业已经参与其中。
非洲的量子机器学习
量子机器学习是一个令人振奋、快速发展的领域。已有多家初创企业成立，致力于完善这一流程并提供可扩展的量子设备。
学者和大学研究人员也在努力发掘量子机器学习的潜力。我们也是其中一员。夸祖鲁-纳塔尔大学的量子研究小组研究量子理论如何改进机器学习，以及机器学习技术如何为量子理论提供参考。
该小组成员玛丽亚·舒尔德博士最近与IBM和美国麻省理工学院（MIT）共同成为新闻焦点，原因是他们在通过量子技术增强基于核的机器学习方法方面取得了重要进展。
