2018年02月06日 | 基于半导体工艺的量子计算机机会不大丨独家专访Vern Brownell

在普通人眼中，并不是什么如微软和谷歌似的著名大公司，但 D-Wave 实际上是世界全球首家让量子计算机商用化的厂商。

虽然 D-Wave 采用的量子退火技术在计算应用上有所限制，导致过去有部分人士认为其并不是真正的量子计算，但随着应用的增加，连 Google 也开始大量采用其计算架构，D-Wave 的量子计算已经被证明的确是很好地利用了量子计算特性与原理，同时在很多应用场景中都有极高的性能表现，因此这部分的争议也就逐渐消失。

在前不久举办的 EmTech China 大会上，D-Wave CEO Vern Brownell 发表了十分精彩的演讲。在演讲中，Vern Brownell 提到，D-Wave 的最新产品“将会在未来的几个月内正式发布，我们也将在真实产品的应用中展示我们的量子优势”。之所以使用了“量子优势”这一说法，Vern Brownell 坦言，自己不是很喜欢霸权这样的词。

值得注意的是，EmTech China 会议期间，谷歌和微软也分别高调宣布，即将公布量子计算技术里程碑式的突破。未来究竟谁能抢先一步实现“量子霸权”？战局似乎愈发精彩了。

在会后，Vern Brownell 也接受了 DT 君的专访，畅谈了量子计算未来的发展以及在产业中所扮演的角色，其中 Brownell 提到了几个十分关键的要点。

图 | D-Wave CEO Vern Brownell 在演讲

首先，Vern Brownell 认为，量子计算未来会和其它计算架构长期并存，并不会取代传统计算架构。

由于 D-Wave 选择了一种称为量子融合的技术，量子芯片本身的功耗需求极低，甚至远低于我们手机的芯片，而因为量子的物理特性，量子计算未来即便计算性能成倍增加，但功耗几乎不会改变，与现今的传统计算架构功耗会随着规模与性能等比级数增加的状况完全不同。

随着 AI 议题的日益火热，Vern Brownell 认为，量子计算将是成为下一代 AI 计算革新的重要推动者，其重要性将会像当初 GPU 推动机器学习与深度学习般重塑整个 AI 计算环境的架构与思维。这不仅是体现在性能方面，更可借助量子计算的低能耗特性，从根本解决解决未来庞大 AI 计算所需的能源需求。

图丨D-Wave 的量子计算处理器（来源：EmTech China）

DT 君：为何量子计算机如此重要？甚至比目前半导体计算架构都还要重要？

Vern Brownell：由于量子计算源自量子物理，所以我们可以把量子计算称为自然计算，由于取自普遍的自然界物理现象，利用其庞大的自然计算能量，我们可以快速的解决过去很难利用传统计算架构解决的“人类规模”问题，比如说找出癌症的解方，更好的针对个人化的医疗方法，不仅如此，量子计算在能源领域、目前最流行的 AI 模拟，甚至揭开更多宇宙的秘密，量子计算都会扮演极为重要的角色。

另外，我也要提到关于量子计算芯片的特性，由于我们的量子芯片目前都是基于超导体技术，本身不像传统半导体架构会有阻抗、发热的问题，而维持芯片本身运作的功耗仅需要 PicoWatt（皮瓦），可以说几乎不耗电，耗电的关键部分主要是在维持超低温运作环境的冷却设备，以及为了达到良好的隔热设计，导致的庞大机柜结构。

另外，即便未来量子计算芯片性能成长数倍到数百倍，功耗还是会维持接近零，而传统半导体计算架构的基础，也就是 CMOS 结构，却会随着规模、频率增加而增加功耗，毕竟半导体虽然也是导体，但是有阻抗，有了阻抗就会产生温度，产生温度就代表有一定比例的能量被浪费掉，这是传统半导体技术的限制，但量子计算机没有。

也因此，考虑到未来庞大 AI 计算所需要的能源供应问题，甚至温室效应，量子计算都可能成为推动绿色环保的重要角色。

图丨D-Wave 的量子计算机发展图（来源：EmTech China）

我举个实际例子好了，如果使用量子计算机和特定规模 GPU 计算丛集相比，在某些应用达到一致的性能表现时，量子计算机的整体功耗会是 GPU 的数百分之一。

而作为冷却用的设计若借助良好的隔热，或者是在极地布建量子计算中心，都可大幅降低为了冷却所需要的电力，而这部分的功耗基本上是稳定的固定支出，不会有太大变动，而会变动的部分，也就是量子芯片本身，其功耗更是小之又小，即便全负载，功耗还是维持一致，而这也是量子计算架构的最大优势。

DT 君：如果量子计算芯片普及，是否未来就不需要其它架构的计算芯片？

Vern Brownell：我认为，未来数十年内量子计算机其实还是会和其它传统计算架构并存，因为还是有不少数学计算工作是传统计算架构比较在行的，比如说与浮点计算相关的工作，CPU 或者是 GPU 都可以有比量子计算更好的表现，尤其在超级计算机领域，处理的工作基本上也都是浮点为基础的计算操作。

而其中更重要的一点，那就是量子计算的整体成本在未来不短的时间内还很难有效削减。但传统计算架构，比如说 CPU 或 GPU，效能不断增加，但成本削减的幅度要大于效能成长的幅度，未来随着营收模式的改变，比如说租用或者是广告营收的增加，或许这些传统计算架构的硬件价格甚至会接近零，而这也是传统计算架构在未来，我认为，至少在数十年内还难以被取代的最大关键。

当然，随着时间过去，未来可能也会有更多不同的量子计算架构出现，比如说我在大会上提到过，以 Google、IBM、Intel 为首的 Gate Model 阵营，微软主导的 TopoLogical 量子计算，或者是 D-Wave 以及 Google 合作的退火技术类型量子计算等等，这些新的量子计算架构可能会更好的适应某些我们常遇到的传统类型的计算工作，届时可能整个计算产业会有不同的面貌。

但短期之内，量子计算要大规模取代传统计算的可能性不大。短期间之内，我指数十年之内，量子计算针对的还是比较特定的应用类型，而不是常见的通用计算。

最后还有一个原因，那就是目前的量子计算需要有非常庞大的冷却设计，借以维持量子芯片的量子态，这样才有办法利用观测其量子变化来进行计算工作。相关的冷却设计限制了量子计算的应用场景，使其小型化的困难度以及成本的降低暂时无法和传统计算架构相提并论。

DT 君：您怎么看待用半导体工艺创造量子计算架构的相关研究？

Vern Brownell：我认为，基于半导体工艺的量子计算还很远，由于量子物理作用，如果没有借助冷却来大幅降低量子运动，基本上根本无法用来进行计算工作，或者是因为高温造成量子运动过于躁动，不仅造成量子现象难以观察，更会导致计算精度大幅下降。而半导体还有一个物理特性，那就是规模越大或频率越高，温度也会越高，这也相对增加了使用半导体技术来生产量子计算设备的难度。

虽然我不会说未来基于半导体技术的量子计算不可能实现，但很多人认为十年内要面世的机会不大。

DT 君：目前可见的量子计算设备都非常巨大，那未来是否有可能小型化？

Vern Brownell：其实，我们主要的客户并不在意其占用的空间，由于量子计算芯片功耗是固定的，也几乎不会发热，随着芯片上量子比特规模的增加，我们可以轻易取得等比级数的效能成长，比如说一个量子芯片的计算性能每隔 18~24 个月都可以数倍的比例增加。

而我们在机柜中可同时放入更多量子计算芯片，让性能有更庞大的成长幅度，而机柜其实就是固定成本，芯片的更换当然也要成本，但是能耗都是维持一定的，也就是说，绝大部分的能耗都是用来让量子计算的环境接近绝对零度，量子计算芯片本身几乎不耗用任何能源，也几乎不会发出任何热量。

这跟我们家里的冰箱一样，如果在冰箱里面放了热的料理，冰箱为了维持内部温度的恒定，就必须耗用额外的电力来加强冷却效率，但是在量子计算方面，由于我们的量子芯片不会发出热量，这也对整体环境温控以及能耗的维持更为有利，就好像一部几乎都不开门的冰箱，其耗用的运作电力其实相当低，相较起传统超级计算机，量子计算其实要更为省电。若从性能的扩充和维持成本来看，量子计算比起传统数据中心的计算架构要更有优势。

当然，也有不少客户希望能够获得较小规模的量子计算架构，我们也设计了相关方案，可以在普通机柜的大小就提供庞大的量子计算能力，这对于一些空间有限的客户，或者是学术研究机构而言，会是个相当不错的入门选择。

另外，我也要强调一点，那就是我们目前使用的制造工艺，大概等同于于传统半导体制造工艺的 250nm，而使用更细致的工艺主要就是用来增加作为计算核心，相当于晶体管地位的 Josephson junction（约瑟夫逊结）。

目前，我们的芯片大约使用了 20 万个约瑟夫逊结，下一代芯片可能直接增至百万个，更重要的是，我们希望把芯片尺寸维持一定，但借助工艺的改良增加计算密度，相较起传统半导体产业已经几乎到头的工艺进展，量子计算还有非常大的规模成长空间。

※在这边 DT 君也要简单科普一下，D-Wave 在 2013 年时就已经把相关的制造工艺转移给 Crypress，因此目前 D-Wave 的量子计算芯片基本上都是在 Cypress 进行制造。

DT 君：您怎么看量子计算往通用化发展的方向？

Vern Brownell：目前，要用于通用计算的量子计算架构以 IBM、Intel 和 Google 正在发展的 Gate Model 量子计算架构为主，而 D-Wave 所使用的退火技术其实也可以做到通用计算的目的。

一般而言，如果你要建造一个 2000 量子比特的量子计算机，就必须在芯片上集成 200 万个以上的量子比特，而 IBM 所使用的 Gate-Model 架构，就必须使用高达数百万个量子比特以上，因此在芯片成本或者是芯片的设计复杂度上，Gate-Model 就很难与退火技术架构相提并论，而退火技术架构其实也可以做到通用计算的工作。

值得注意的是，微软主导的 TopoLogical 量子计算架构使用了 Majorana particle(马约拉纳粒子) 来作为量子计算的核心，理论上，要建造一个 1 量子比特的 TopoLogical 量子计算机，只需要一个马约拉纳粒子，而不需要额外的纠错设计，就理论上而言，会是个极具竞争力的量子计算架构。然而马约拉纳粒子目前只存在于理论上，微软还在寻求技术上的突破。

图丨D-Wave 的使命和商业模式

也因为退火技术技术虽然有其应用限制，但是理论最成熟，应用也最快，复杂度也相对可接受，借此，我们能够领先业界十年，推出世界上首部商用的量子计算机。

虽然退火技术在通用化的限制较大，这也常成为过去被攻击的重点，但我们也针对通用计算增加了设计上的扩展，虽然一定程度增加了复杂度，但是在应对未来量子计算的应用广度上就和 Gate-Model 或 TopoLogical 架构没有什么不同。

当然，未来量子计算一定会走向通用化，D-Wave 针对这方面的需求自然也有我们自己的考量，由于生态是循序渐进的，若当初第一时间在退火技术架构上就实作通用计算，其实并不合理，也会大大延迟量子计算机的商用脚步。

DT 君：您怎么看 AI 时代，相关应用的火热是否带给量子计算很大的发挥空间？

Vern Brownell：没错，量子计算机的物理特性能够有效的帮助 AI 的逻辑推论过程，这点不论选择的量子计算架构是何种都相差不大。我也认为，量子计算对于 AI 计算的变革，其实就像当初 GPU 架构之于深度学习一样。

但这并不表示量子计算会取代 GPU 计算，而是量子计算可以和 GPU 合力解决很多 AI 应用更深层的问题，GPU 很好的应对了第一代以及第二代，也就是我们现有的 AI 环境计算需求，但我认为，量子计算机和 GPU 的合作，将是应对未来更复杂 AI 环境计算的最有力的组合。

我们都知道，量子计算都是基于可能性发展的计算方式，下一代我认为深度学习也将走向可能性的分析预测能力上，这点量子计算就能带给产业非常大的帮助。通过可能性的推演，我们可以用更少的数据来进行训练，或者是使用有噪讯，过去不能被用来当作训练数据的数据来进行训练，这可以让 AI 拓展到更广泛的应用环境中，并能够大幅加速整个从训练到建模的过程。

由于量子计算的节能特性，将大幅减少超级计算领域所需要的功耗需求。过去有不少人担心，由于普及 AI 所需要的大量的数据计算会带来庞大的能耗，将可能把地球能源消耗殆尽，但借助量子计算的特性，即便规模和性能大幅增加，但相关计算功耗仍可维持在极低状态，这对于改善计算领域的能源使用效率以及帮助温室效应议题方面，也都带来极为正面的帮助。