雖說愛因斯坦曾經拒絕量子力學，說上帝不會擲骰子，但有些投資人及公司都迫切希望，上帝就是靠擲骰子的。

Alexa 和 Siri 可以理解你在說什么，自動駕駛汽車穿過城市的大街小巷，這些科技的發展得益于人工智能領域中的機器學習。

最近，研究人員表示，機器學習可以受益于量子計算機的研究。加拿大多倫多已經有了相應的產業孵化器。而且，如果多倫多的產業孵化項目早在幾年前啟動，現在或許都有量子機器學習的公司了。

目前，機器學習和量子計算相結合的研究主要集中在使用初期的量子計算機來加速機器學習算法，或是使用傳統的機器學習系統，來增加量子計算機的能量、持久性和效率。其最終計劃是：使用基于小型化量子計算機的機器學習技術，更好的改進、理解和表達大型量子信息數據或復雜量子計算結果。

當然，這個終極目標要等到可以實現大規模量子信息存儲，以及有成熟的量子計算機出現才行。谷歌曾表示，該公司計劃在年底構建49量子比特的量子計算機，所以，一個可以受益于這種結合的，具有成百上千量子比特的量子計算機還要等很多年才能實現。

然而，來自西班牙光子科學研究所的Peter Wittek表示，研究者不用等到超級量子計算機面世再開展實驗或理論的研究，量子機器學習即使是在其初級階段也很有應用前景的。“建造通用的量子計算機確實是一個技術挑戰”，Wittek說，“但是研究量子機器學習并不需要等所有條件都成熟。”

就如同量子密碼學和量子隨機數的產生技術，它們都是在沒有大型量子計算機的條件下發展成熟的。所以，量子機器學習也可以像這樣，找到機會在近期進行發展和應用。

作為《量子機器學習：量子計算對于數據挖掘的意義》一書的作者，Wittek表示，這個領域真正起飛是從 2008 年一種名叫HHL（根據其三個發明人Aram Harrow、Avinathan Hassidim、以及Seth Lloyd的姓氏命名）的量子算法開始的。

HHL解決了大量多自由度線性代數問題，而且其速度具有超越傳統超級計算機的潛力。由于很多機器學習都包含此類的高自由度（高維）代數問題，所以很多機器學習研究者便搭上了HHL的順風車。基于HHL的機器學習算法在過去的幾年中涌現出了很多論文。

然而，Wittek表示，盡管HHL取得了不少輝煌成就，但它其實并不代表在近期最有希望的應用領域，如金融、運輸或者醫藥行業等進行了應用。而且，他補充道，傳統的基于GPU的機器學習應用并不會被量子系統取代，即使谷歌、IBM或是其他公司做出了真正可以實用的量子計算機。

傳統的機器學習在某些應用領域已經有足夠顛覆性了。但是，Wittek表示，標準的機器學習算法難以產生純的隨機數。金融領域常用的蒙特卡洛機器學習算法，需要純的隨機數達到較好的結果。但是經典的計算機只能產生偽隨機數。而另一方面，量子系統則定義了純的隨機性。所以量子機器學習可以在這種地方立足。

而且，來自華盛頓Redmond的微軟量子架構和計算組的Nathan Wiebe表示，當系統輸入不是經典的二進制數據而是量子比特時，量子機器學習的優勢會更加明顯。

“當說起量子計算機的時候，如何知道其內在的機理是什么樣的？”Wiebe說。“量子計算機中所用的向量存在于一個無窮維空間中，人們不可能檢查或從中讀取向量的，以查看機器是否運行正常。”

根據來自德州大學奧斯丁分校的計算機科學的教授Scott Aaronson所說，HHL所產生的炒作意義大于近期應用于實際的希望。Aaronson在2015年針量子機器學習的研究中警告說，投資者應對任何量子機器學習可能引起的技術突破保持清醒。

“過去十年來，幾乎所有發表的量子機器學習算法都是算法的架構，”Aaronson說。“這些算法都不是從人們所希望解決和回答的經典問題出發的。”

對此，Wittek表示，盡管有技術上的反對，但今年多倫多的量子機器學習訓練營和創業加速器計劃，仍然吸引了遠超預期的申請者。申請活動最后一輪截止至7月24日，但他們六月中旬就收到了38個申請，而實際席位僅有40個。很明顯，現實驅動著創業者們試圖將想法轉換成為可實用的量子機器學習技術。

“到11月底，這些公司會成立完成，到時候就會有真的公司存在了。”Wittek說。“我們預期到明年夏天，就會有公司盈利。”