芯東西（公眾號：aichip001）
編 | 韋世瑋
21世紀的第三個十年已經開啟，回望過去急劇在世界穿行的科技洪流，大數據爆發、人工智能（AI）蘇醒、5G落地、自動駕駛啟程……這些技術不斷地刷新著人們對未來的認知，并重新定義科技。
其中有一股浪潮，它雖然在上世紀80年代就已被科學家所提出，但隨著近年來技術的演進和成熟，它又獲得了巨大的發展前景，使得眾多科技界巨頭紛紛入局，勢要早日瓜分這塊“大蛋糕”。
掀開面紗，這股浪潮就是量子計算。
這廂谷歌和IBM還為它“大打出手”，引起一場與“量子霸權”有關的爭論；那廂英特爾就宣布研發了首款低溫控制芯片，能夠可在冰箱中運作并實現多個量子位控制。
實際上，量子計算的魅力遠不止于此。
除了科技巨頭外，亦有許多創企針對量子計算技術開展大量的研發和實驗，或是利用量子算法的特性來開發AI技術。
我國的 AI創企品奇實驗室（PQ Labs）就是其中的一員。
該公司研發了一項名為 “QuantaFlow”的AI推理加速技術，基于量子流算法在神經網絡加速計算中所表現出的性能，設計人員在設計AI架構方案時，模擬了量子算法的運行邏輯。
因此，QuantaFlow既不是量子計算機，也不是純量子算法。 他們將其稱之為“類量子算法”。
品奇實驗室的實測數據表明，在同樣運行環境下（ResNet-50, Batch=1, 93% Accuracy），QuantaFlow技術的 推理性能達到NVIDIA Tesla V100 的10倍。 （點擊觀看品奇實驗室QuantaFlow的AI加速技術演示https://v.qq/x/page/h3047n9o3pp.html）
在量子計算的神秘力量之下， 品奇實驗室的QuantaFlow技術又有著怎樣的創新與發展？它的誕生，又將為當下的AI領域帶來哪些新的思考和意義？
一、潛伏于摩爾定律和AI之下的量子計算
當我們站在AI時代的邊緣，回望五十年前計算機技術萌芽之初，科技愛好者能買到最好的設備，是擁有2100個晶體管的Busicom LE-120A“Handy”計算器。
而現在，與“Handy”計算器類似大小的設備，如iPhone 11 Pro Max，則擁有超過85億個晶體管，是五十年前老前輩的400多萬倍。
五十年來，計算機行業沿著摩爾定律“規劃”好的路線一直狂奔。直至AI時代，一面是愈發洶涌澎湃的算力需求，另一面則是傳統計算架構逐漸停止演進的現狀。
人類成功地在越來越小的空間內實現愈發強大的算力，并在經典計算架構逐漸逼近物理極限時，迎來了AI時代。
在AI技術普及之前，行業內甚至出現了“算力過剩”的說法。有意思的是，這“過剩”的算力只不過剛觸及到AI技術對算力需求的邊緣，卻引發了AI基于神經網絡技術的爆炸式發展。
正如NVIDIA CEO 黃仁勛曾在去年CES（國際消費電子展）中所提到的“摩爾定律已死”。面對AI對算力的需求，有人認為經典架構還需要榨取最后一點性能，也有人認為要推倒現有的架構，采用量子計算機。而 品奇實驗室認為兩者都不完全正確。
二、何為量子技術和量子計算機？
量子力學的態疊加原理，使得量子信息單元的狀態可處于多種可能性的疊加狀態，讓量子計算天生適合處理大規模的復雜計算。
對經典計算架構來說，其利用了電子會從高電壓流向低電壓的基本物理特性。與之相似，量子計算的設計也是利用了處于量子態的微粒子的基本物理特性。
同樣的，量子計算也分為輸入、計算、輸出三個過程。區別在于，經典計算需要嚴格的設計計算過程，而量子計算的計算過程則是“自然演化”，即設計好輸入信息，讓量子比特在多個平行宇宙中并行演化，并對演化結果進行觀測，進而得到輸出數據。
值得一提的是， 量子計算的計算過程涉及到兩個概念：
1、量子疊加態。一個量子比特（qu-bit）可同時處于多個可能結果的概率疊加狀態，即一個量子比特可以同時代表多個數值，進而只需很少的量子比特就可處理非常多的概率疊加結果。而對傳統計算來說，它需要窮舉運算每一個可能性；
2、并行演化。量子比特的每一個疊加狀態，都是在不同的平行宇宙中并行演化，且互不干涉、同時計算。哪怕是對經典計算架構非常復雜的運算，量子計算只需非常少的計算即可實現。
正是由于這些特性，量子計算在處理超大規模的復雜計算問題時，能夠擁有傳統計算架構無法比擬的性能優勢。
然而，要真正實現有用的量子計算機，還存在巨大的技術鴻溝。
例如，谷歌、IBM的“量子門電路”方案，雖然能實現“量子霸權”，但只能跑特定的量子算法，沒有QRAM（量子內存/量子隨機存儲器），量子比特非常不穩定，容易坍塌。
因此，如果要將出錯率降到可實用的程度，每個量子比特背后需消耗1000個量子比特來進行算法糾錯。但由于物理技術發展的限制，目前人類還沒有制造出被廣泛認可的通用量子計算機。
值得注意的是，有一種基于量子圖靈機設計原理、量子物理的數學特性而設計出的量子算法，已經能夠在量子計算的模擬環境中運行起來。
與谷歌、IBM的“量子門電路”設計不同，加拿大量子計算公司D-Wave公司曾提出一個類似量子算法模擬器的方案。
2019年，D-Wave發布了“非主流”的5000個量子比特處理器，遠遠高于谷歌53個量子比特的量子霸權計算機。
一個來自谷歌的研究小組曾在D-Wave電腦上進行實驗，其論文結果顯示，在一些專用領域D-Wave的量子算法比傳統算法快了1億倍。
但問題是，D-Wave設備是否能被稱為“真正的量子計算機”？
實際上，學術界對此依然存在爭議。很多持否定態度的科學家認為，D-Wave并沒有利用到“純物理意義”上的量子，而是用了仿真和量子算法。
但這并不妨礙D-Wave成為第一個能用來解決實際問題的“量子計算機”。
D-Wave在藥物分子分類、數獨游戲求解、優化酒店廣告、圖片著色、復雜網絡問題、模擬天氣模式和海嘯等方向都有著廣泛的應用場景。
不足的是，D-Wave的產品體積龐大，性價比不高，解決的問題類別依舊有限，在目前階段妨礙了大規模應用。
三、QuantaFlow：量子流架構與AI的結合
品奇實驗室嘗試將量子算法的思想精髓引入AI芯片架構中，進而在現有的硅基計算平臺上大幅提升并行計算算力。
但如何在現有的硅基計算平臺上實現，則是個難題。
品奇實驗室通過將類量子算法引入神經網絡加速，從而開發了一種名為“QuantaFlow”的AI加速技術，進一步提升了AI推理速度。
QuantaFlow能夠在硅基芯片中模擬出一個量子比特流進行模擬演化的虛擬空間。在此基礎上，研發人員設計了基于經典架構的RISC-V處理器，以實現對量子模擬空間的邏輯控制、結果觀測等功能。
此外，QuantaFlow可將低維空間中的輸入信息映射到高維的量子演化算法空間中，進行大量異步、并行的演化計算，并將結果保存在量子流比特寄存器（qf-bit registers）中，通過比特觀察器（Bit Observer）對處于多個時間和空間中的量子流比特，進行多重采樣觀測。
同時，它還通過熱補丁（hot-patching）來動態改變演化空間內量子流的演化路徑。當需要對演化空間做更大規模的演化（deformation）變動時，RISC-V則將控制演化空間進行熱重啟，這一切都可在瞬間內完成。
這使得QuantaFlow架構能夠以最快速度演算各種神經網絡模型，例如ResNet-50或谷歌最新的EfficientNet等。
保持算法可擴展性是通用人工智能算力的基石。目前大部分AI的ASIC加速器只能優化某一類網絡模型，若換成別的網絡類別就會力不從心，性能大幅下降。
量子并行計算加速的一個主要特點，就是計算/演化空間非常大，“解”空間相對非常小，而這也是AI領域需要面對的問題。
實際上，與基于經典圖靈機編寫的算法相比，QuantaFlow擁有不少優勢。
簡單來說，經典圖靈機能夠進行三種基本操作。一是Observe（讀取觀察頭對應位置的內容）；二是Modify （改寫觀察頭對應位置的內容）；三是Control（將紙帶向左，或向右移動）。
經典計算機和經典算法的實現都離不開這個基本模型。
例如，在每個機器的時鐘周期，寄存器都要能被CPU所觀察（Observe）或修改（Modify），而電子在硅基芯片中A點到B點的移動速度是有限的，計算頻率和次數也將受限。
基于這一架構的硅基實現，電子會更早地被純物理極限所制約。但這并不能靠堆疊CPU核心來解決問題，因為各個核心之間需要通訊、共享資源，以及維持緩存一致性（cache coherence），本質上也受電子移動速度的物理極限影響。
值得一提的是，雖然ResNet（2015）還在大規模使用，但已是比較早期的網絡模型。與MobileNet（2017）、EfficientNet（2019）等較新的網絡模型相比，QuantaFlow或將實現更好的加速比，而這些數據的神秘面紗也將在不久后為我們揭曉。
結語：量子計算為解決AI算力困境提供新思路
在摩爾定律逐漸放緩的趨勢下，隨著大數據、AI、自動駕駛等技術的發展，量子計算技術無疑是解決當下AI行業算力困境的一條重要途徑。
而品奇實驗室通過新穎的類量子算法架構設計，所研發出的QunataFlow AI加速技術，是其邁出在AI加速探索領域的重要一步。與此同時，品奇實驗室也會在美國拉斯維加斯正舉行的CES 2020上，為大家首次演示這項技術。
實際上，品奇實驗室在其他技術層面也有許多創新。例如，對芯片的設計編寫、設計空間搜索、仿真、綜合和布局等，這些都采用了高級語言加算法來完成。
從另一角度看，當GPU架構因為“訪存墻”瓶頸而導致的性能下降，正逐漸無法適應新型神經網絡模型的演進。QuantaFlow的出現，或許能為新型網絡的發展提供一個新的思考方向和創新路徑。
雖然，量子技術的落地商用離我們依然遙遠。但在不遠的將來，我們也許能看到它以不同的“模樣”出現在人們生活的方方面面，而AI也很可能是承載量子技術特性的技術形態。
AI已經走進激烈的落地戰階段，而未來，AI技術又能與量子計算技術擦出怎樣的火花？讓我們拭目以待。
