人工智能的發展可能存在三個階段：服務器時代、云計算時代、量子計算時代。現階段人工智能基本只能依靠集中處理的方式實現相關功能和應用，也就是通過云計算的方式。根據我們的判斷，量子計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。當量子芯片中的量子比特數量達到一定數量后，計算能力將滿足人工智能對運算能力的需求，人工智能將不再依賴于大型服務器集群。未來量子芯片小型化后，人工智能前端系統的快速實時處理便成為可能，比如車載智能系統、無人機智能系統等。
2017 年5 月3 日，中科院宣布首臺光量子計算機在我國誕生，標志著我國量子計算已處于世界領先水平。人工智能產業的突破需要借助相關產業鏈的進一步完善，量子計算的超強算力有望加速人工智能的突破和商業化應用，可提前布局量子計算產業相關標的。建議從中科院與中科大的技術導入產業的途徑中尋找投資機會，可關注中科曙光、神州信息、浙江東方、亨通光電。
全球數據總量發展趨勢（EB） 資料來源：IDC，招商證券
量子計算發展歷史 資料來源：招商證券
人工智能的瓶頸 數據龐大 算力有限是其中之一
人工智能的爆發是近兩年才開始的，主要原因是使用效果上取得了突破。人工智能是一門計算機技術，主要讓計算機去替代人來完成部分工作。如今主流的技術主要是指使用深度學習等算法來實現替代人工，完成大量簡單重復性勞動。
雖然人工智能概念的提出已有將近60年了，但之前的發展速度一直偏慢，主要原因是無論方法如何進步，實際使用效果依舊差強人意。從2015年起，人工智能迎來了真正的大爆發，這在很大程度上與GPU的廣泛應用有關。
人工智能的高速發展將為各個產業帶來翻天覆地的變化。目前很多商業領域已經采用人工智能，尤其在谷歌、百度這樣的公司，在它們的搜索、推薦、廣告等領域都已使用了類似機器學習的技術。
目前人工智能應用最為廣泛的是在人臉識別領域。人臉識別引入人工智能技術后，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，這意味著大規模商業應用具備了價值的基礎，尤其是在安防領域、金融領域等，機器做得比人更好。我們認為，人工智能最先涉及的領域包括但不限于安防、金融、教育、醫療、汽車等。
人工智能高速發展的基礎是算法、數據和硬件算力
算法、數據和硬件算力組成了人工智能高速發展的三要素。人工智能的實現所需要具備的基礎，第一個是優秀的人工智能算法，比如現在最流行的深度學習算法，就是近期人工智能領域中最大的突破之一，為人工智能的商業化帶來了希望；第二個是被收集的大量數據，數據是驅動人工智能取得更好的識別率和精準度的核心因素；第三個是大量高性能硬件組成的計算能力，以前的硬件算力并不能滿足人工智能的需求，當GPU和人工智能結合后，人工智能才迎來了真正的高速發展。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？主要是因為直到今日，人工智能的算法、數據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年深度學習應用到人臉識別之前，各種方法的識別成功率只有不到93%，低于人眼的識別率，因此不具備商業價值。而隨著算法的更新，深度學習使得人臉識別的成功率提升到了97%，這才為人臉識別的應用奠定了商業化基礎。第二，在數據方面，進入互聯網時代后，出現了大數據的高速發展與積累，這為人工智能的訓練學習過程奠定了良好的基礎。比如，在AlphaGo的學習過程中，核心數據來自互聯網的3000萬例棋譜，而這些數據的積累是歷經了十多年互聯網行業的發展。所以直到今年，基于深度學習算法的AlphaGo才取得突破性進展。離開了這些棋譜數據的積累，機器戰勝人是無法實現的。第三點是硬件的算力。在二十年前，一個機器人，當時是用32個CPU，達到120MHz的速度。現在的人工智能系統使用的是成百上千個GPU來提升計算能力，這使得處理學習或者智能的能力得到比較大地增強。之前用CPU一個月才能出結果，然后再去調整參數，一年只能調整12次，也就是有12次迭代。GPU產生后，大幅提升了計算量，現在用GPU可以一天就出結果，這樣可以迭代得更快，這是技術大幅發展的條件。
大數據迎來爆發式增長 現有算力無法匹配
互聯網時代下的大數據高速積累，現有計算能力無法匹配。全球的數據總量正以飛快的速度增長，根據IDC的數字宇宙報告，全球所有信息數據中的90%產生于近幾年，數據總量正在以指數形式增長。從2003年的5EB，到2013年的4.4ZB，并將于2020年達到44ZB。也就是說，2020年每個人可以均攤到5200GB以上的數據量。而且到2020年，將近40%的信息都可能會被云提供商“觸摸到”；約三分之一的數據，即超過13000EB的數據將具有大數據價值。基于現有的計算能力，在如此龐大的數據面前，人工智能的訓練學習過程將變得無比漫長，甚至完全無法實現最基本的人工智能，因為數據量已經超出了內存和處理器的承載上限，這將極大限制人工智能的發展和應用。
摩爾定律趨于極限 經典計算瓶頸需要被打破
摩爾定律趨于失效，經典計算機的計算能力到達瓶頸。對于目前的經典計算機，處理器的計算性能已漸漸遠離摩爾定律，因為CPU中晶體管的數量無法實現每兩年翻一番的預期。頂級科學期刊《自然》雜志認為，主要原因是現有芯片設計工藝已達到10納米，預計2020年到達2納米。這個級別上的晶體管只能容納10個原子，電子的行為將不再服從傳統的半導體理論，此時晶體管將變得不再可靠。
摩爾定律到達瓶頸后，提升算力的方式只能靠增加芯片數量。目前，面對單個芯片的算力瓶頸，人們普遍的做法是做加法，即增加計算集群中芯片的總數量，來提升運算處理能力。比如：要計算1+1和2+2兩個任務，對于單個芯片而言，就需要消耗兩單位的計算時間，逐個完成這兩個任務。而同時使用兩個芯片的話，經過一定程序上的優化，可以實現在一個單位的計算時間內，完成這兩項計算任務。
量子計算：人工智能的革命性算力
量子計算機有望提供更強的計算能力。量子計算機提供了另一條增強計算能力的思路，它的并行計算的特性，使得它可以一次同時處理多個任務，有望實現計算能力上的超越。
量子計算的算力呈指數級增長
量子計算的核心優勢是可以實現高速并行計算。在計算機科學中，無論經典計算還是量子計算，他們的計算功能的實現都可以分解為簡單的邏輯門運算。簡單來講，每一次邏輯門的運算都要消耗一個單位時間來完成。經典計算機的運算模式通常是一步一步進行的，它的每一個數字都是單獨存儲的，而且是逐個運算。所以對于4個數字進行同一個操作時，要消耗4單位時間。而在量子計算中，一個2個量子比特的存儲器可以同時存儲4個數字，這里一個量子態可以代表所有存儲的數字。科學家通過特定設計對量子態進行一次變換，即可對4個數字同時操作，而且只消耗1單位時間。這種變換相當于經典計算的邏輯門，實現了對存儲器中的數字并行運算，這被稱為量子并行計算。可以看到，當量子比特數量越大時，這種運算速度的優勢將越明顯，它可以達到經典計算機不可比擬的運算速度和信息處理功能。
對于量子計算機，在半導體材料和超導材料等領域，科學家也已經積累了數十年的理論與經驗。現在最有希望的量子計算機方案之一就是低溫超導系統，它涉及了半導體材料與超導材料的應用，主要是基于硅晶體，摻雜一定量的超導材料，實現量子計算。而現有的技術積累將極大促進該方案的發展與快速突破，用更短的時間實現大規模的商業化應用。
值得注意的是，量子計算機的量子比特數量以指數增長的形式快速上升，從2003年起的1位量子比特，到2013年512位量子比特的計算機，再到2015年實現1000位量子比特。目前，非通用型量子計算機已經實現了1000位量子比特，在特定算法上，計算效率比經典計算機要快一億倍。
量子計算機的全球商業化進程加速
量子計算機經過近40年時間的理論研究階段，在2007年首次實現硬件方面的商業化。目前發展迅速的是非通用型量子計算機，而通用型量子計算機還處于起步階段。我們認為，通用型量子計算機和非通用型量子計算機最終將在市場上共存，并共同向經典計算機的市場份額發起挑戰。
“十三五”規劃期間，量子計算機被我國列為重點研究方向之一，國內已有不少科研團隊關注量子計算領域，他們的主要關注點在于量子算法和量子計算機的實現上。另有一些研究團隊關注在高溫新型超導材料等基礎研究領域，這些基礎研究的突破也能大力促進量子計算產業的高速發展。2016年8月，我國量子計算機研究取得突破性進展，中國科技大學量子實驗室宣布成功研發了半導體量子芯片。
量子人工智能算法相比經典算法節省大量時間
經典計算機的計算核心使用的是中央處理器，是一種基于半導體理論設計的電子芯片，用于串行運算。而在量子計算機中，它的計算核心是量子芯片，通過量子的疊加性帶來了并行運算的能力，替代傳統的電子芯片。可以看到，量子計算機與經典計算機的物理實現完全不同，如果在量子計算機中使用經典算法的話，那么量子芯片將和普通電子芯片發揮基本相同的功能，只能實現串行計算。這是由于設計經典算法時，其設計思想是基于串行運算而得到的，這是經典算法自身的局限性。為此，需要設計相應的量子人工智能算法，才能實現量子計算的超強算力，這種專門面向量子計算設計的人工智能算法被稱為量子人工智能算法。
量子計算提升人工智能效率 拓展應用場景
在很多應用領域，人工智能需要擁有快速處理數據、快速響應的能力。比如智能駕駛等應用場景，對于人工智能的反應速度要求很高。再比如手機上的人工智能系統，對于數據的處理能力要求非常高，在這些應用場景中，急需人工智能的硬件系統實現可移動化和快速響應能力。
隨著人工智能對硬件計算能力的需求不斷提升，人工智能從單機或者小型服務器模式，逐步轉型為云計算模式。目前，隨著人工智能應用的發展，單機或者小型服務器模式的劣勢逐漸顯現。一方面，這種模式可提供的算力到達了一個瓶頸階段，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，并且后期維護成本不低，需要自己搭建相應的軟件環境。現階段一種主要的解決方案是將人工智能應用或者服務放在云端，運用云計算平臺提供更加優質廉價的人工智能服務，其主要的優點是可以按照實際需求來購買計算能力，隨時滿足現階段的應用需求。另外，付費模式相對彈性，按照使用狀況來逐次結算費用，減輕資金壓力。
在摩爾定律近乎失效的情況下，基于現有的計算能力，在如此龐大的數據面前，人工智能的訓練學習過程將變得無比漫長，甚至完全無法實現最基本的功能。而量子計算機的量子比特數量以指數形式增長，也就是每兩年翻一番。又因為量子計算的特點，其計算能力是量子比特數量的指數級，這個增長速度將遠遠大于數據量的增長，為數據爆發時代的人工智能帶來了強大的硬件基礎。
從服務器到云計算，人工智能的應用場景得到了極大的拓展，我們認為量子計算也將拓展人工智能的應用場景。我們認為，人工智能的發展存在三個階段：服務器時代、云計算時代、量子計算時代。其中量子計算時代為人工智能帶來的顛覆，除了在計算能力方面，更重要的是極大地增加了應用場景。
量子計算可實現人工智能的小型化
現在的人工智能系統使用的是成百上千個GPU來提升計算能力，這使得處理學習或者智能的能力得到比較大地增強，然而這套系統也需要龐大的硬件機柜和相配套的硬件機房。較大型的人工智能硬件系統需要將近半個足球場的占地空間，這無疑是對人工智能發展的一個重要限制。隨著大數據時代的不斷進步，數據將呈現指數級增長，而基于CPU或者GPU云計算的數據中心將無法滿足數據爆發的需求。
目前非通用型量子計算機已經實現了1000位量子比特，在特定算法上，計算效率比經典計算機要快一億倍。也就是如果想要實現人工智能，原來需要一千臺計算機，或者需要一萬臺計算機的規模，現在只要用一臺量子計算機就可以了。而且這個量子計算機的計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器集群，或者龐大的云計算中心。
量子計算可高速處理大數據 實現人工智能移動化
目前量子計算較為成功的應用集中在大數據快速搜索，這主要是因為在這個應用領域中，誕生了優秀的量子計算算法，使得經典計算體系中無解或者趨近無解的問題，在量子計算的環境中，轉化為了可解并且能快速求解的狀態，使得這個領域成為目前量子計算的重要應用方向。
量子芯片的大數據處理能力將實現人工智能的移動化，主要的應用場景包括：車載智能系統、無人機的智能系統或者手機上的人工智能系統。主要可行的方案有兩種：第一是它們實時收集的大量信息和傳感器數據，之后傳輸給云端的量子計算系統，在云端實現超短時間內的快速運算，然后再將結果反饋給相應移動端，實現對移動端的控制。這種方案的優勢在于可以極大節省計算的時間，提高智能系統的響應速度。另一種方案是通過自身攜帶的量子計算系統，可以在本地處理大量的數據，并且得到實時響應，指導汽車自動駕駛或者對手機終端反饋信息。這個系統的優勢是不只節省了計算時間，還完全省去了上傳和下傳數據的時間。但是這種方案的不確定性在于量子芯片能否在日常環境中直接使用，比如不再要求超低溫的環境等。總之，這些應用場景對于數據處理能力的要求非常高，而量子計算通過節省大量的計算時間，實現可移動化的人工智能系統，提供數據的快速響應能力。