多年来，科技公司已向量子计算机投入了数十亿美元，希望量子计算机能改变金融、药物研发和物流等各个领域的格局。
从理论上讲，量子计算机可以比传统机器具有巨大的优势。
然而，量子计算机的另一个挑战者人工智能正在一些最有前景的用例中取得进展。人工智能现在被应用于基础物理、化学和材料科学。
瑞士联邦理工学院计算物理学教授Giuseppe Carleo表示，使用人工智能模拟的量子系统规模和复杂性正在迅速提高。上个月，他在《科学》杂志上发表了一篇论文，表明基于神经网络的方法正迅速成为建模具有强量子特性材料的领先技术。Meta最近还推出了一个人工智能模型，该模型在大量新材料数据集上进行了训练，该模型已跃居材料发现机器学习方法排行榜榜首。
鉴于近期进展的速度，越来越多的研究人员正在询问，在大规模量子计算机成为现实之前，人工智能是否可以解决化学和材料科学中的大量问题。
量子计算机的潜力在于，它们能够比传统计算机更快执行某些计算。要实现这一潜力，需要比我们今天拥有的更大的量子处理器。最大的设备刚刚突破了千量子比特大关，但要获得对传统计算机的不可否认的优势，可能需要数万甚至数百万个量子处理器。然而，一旦有了这样的硬件，一些量子算法，如破解加密的肖尔算法，就有可能以比传统算法快得多的速度解决问题。
但对于许多具有更明显商业应用的量子算法，如搜索数据库、解决优化问题或为人工智能提供动力，速度优势就不那么明显了。去年，微软量子计算主管 Matthias Troyer与他人合著的一篇论文表明，如果考虑到量子硬件的运行速度比现代计算机芯片慢几个数量级，这些理论上的优势就会消失。将大量经典数据输入和输出量子计算机的难度也是一个主要障碍。
卡内基梅隆大学化学教授Olexandr Isayev表示，与大多数AI应用一样，最大的瓶颈是数据。Meta最近发布的材料数据集由1.18亿个分子的DFT计算组成。基于此数据训练的模型实现了最先进的性能，但创建训练材料需要大量的计算资源，远远超出了大多数研究团队所能获得的资源。这意味着要充分发挥这种方法的潜力，需要大量投资。
当模拟强关联量子系统（粒子相互作用频繁的系统）时，DFT等方法很快就会失效。虽然这些系统更加奇特，但它们包含具有潜在变革能力的材料，例如高温超导或超精密传感。但即使发展如此，人工智能也取得了重大进展。
