据国外媒体报道，在日前发表在《自然》杂志上的一篇论文中，谷歌研究人员声称首次获得了“量子优势”（也被称为“量子霸权”）。他们的53位量子计算机（名为Sycamore）花了200秒来完成一项计算任务，根据谷歌的说法，这项计算任务将花费世界上最快的超级计算机10000年的时间。（这篇论文的部分内容上个月在网上被披露和报道）
这一次的计算几乎没有实际用途——它吐出一串随机数。选择它仅仅是为了表明Sycamore确实可以像量子计算机那样工作。有实际用途的量子计算机问世还有很多年的时间，技术障碍是巨大的，即使如此，它们也可能只在某些任务上击败传统计算机。
但是，谷歌这一研究仍然是一个重要的里程碑——谷歌首席执行官皮查伊将其比作莱特兄弟12秒钟的首次飞行。
对于一个可能需要10年或更长时间才能得到回报的项目，外界想知道为什么谷歌已经花了13年时间。
以下是一家国外媒体的采访实录。
媒体：你有一台量子计算机来完成一项非常狭窄、特殊的任务。要想更广泛地展示量子优势，需要什么？
皮查伊：你需要建造一台有更多量子位的容错量子计算机，这样你就可以在更广泛的范围应用它，更长时间地执行计算任务，从而能够运行更复杂的算法。但是你知道，如果你希望在任何领域有所突破，你就需要从某个地方开始。借用一个比喻——莱特兄弟。第一架飞机只飞行了12秒，没有实际应用，但是它显示了飞机能够飞行的可能性。
媒体：许多公司都有量子计算机。例如，IBM在网上有一大堆这样的设施，人们可以在云中使用。为什么他们的机器不能像谷歌那样做呢？
皮查伊：我要评论的主要事情是为什么谷歌这个团队能够做到这一点。这需要大量的系统工程——在任务的多个方面协同工作。
从系统工程的角度来看，这是非常复杂的。你实际上是从一个晶片开始，有一个团队实际上是蚀刻栅极，制作栅极，然后一路加工叠层，以便能够使用人工智能来模拟和理解最佳结果。
媒体：谷歌研究论文的最后一句说，“我们离有价值的近期应用只差一个创造性的算法。”这种应用指的是什么呢？
皮查伊：量子真正令人兴奋的是，宇宙从根本上以量子方式工作，所以你将能够更好地理解自然。现在还为时尚早，但量子力学的亮点是模拟分子和分子过程的能力，我认为这是它最强的地方。药物发明就是一个很好的例子。或者肥料生产——哈伯工艺流程产生的碳排放量占世界的2％，在大自然中，本质上，同样的过程完成得更有效率。
媒体：那么，你认为像改进哈伯工艺流程这样的应用可能有多远？
皮查伊：我想十年后。我们还需要几年的时间来扩展和构建性能足够好的量子计算机。这种技术的其他潜在应用可能包括设计更好的电池。不管怎样，你在处理化学问题。更好地理解这种技术也是我们投资的方向。
媒体：一些人说量子计算机可能就像核聚变：就在未来50年可能有所突破。这似乎是一个深奥的研究项目。为什么谷歌首席执行官对此如此兴奋？
皮查伊：要不是我们多年来在计算领域看到的发展，谷歌今天不会在这里。摩尔定律使我们能够扩大计算能力，为大量产品的数十亿用户提供服务。
所以在本质上，我们认为自己是一家深度计算机科学公司。摩尔定律在它的周期结束时，量子计算是我们将继续在计算领域取得进展的众多因素之一。
我们对这种技术兴奋的另一个原因是——拿一个简单的分子来说，咖啡因（有24个原子）有不计其数的原子状态。我们知道，我们甚至不能用经典计算来理解分子的基本结构。所以当我看着气候变化，当我看着药物，这就是为什么我相信有一天量子计算会推动那些领域的进步。
媒体：2012年，当你看到一个人工智能独自学习识别猫的图片时，你在某个媒体上描述你有一种“预感”，“这东西会放大，也许会揭示宇宙的运作方式，这将是我们作为人类所做的最重要的事情。”量子计算感觉同样重要吗？
皮查伊：没错。能够在实验室里实际操作量子位并将其置于叠加状态对我来说同样是一个重大的时刻，因为在我之前的观点中，这就是自然的工作方式。它开辟了一个直到今天才存在的全新的可能性范围。
媒体：可能需要很长时间才能到达能够做一些严肃事情的量子系统。在一家习惯于快速发展的公司，你如何管理耐心？
皮查伊：你知道，我和哈特穆特·内文在一起，他和首席硬件科学家约翰·马丁尼一起领导量子团队。我提到我退出了材料科学博士学位的学业。我曾经研究高温超导体，这是26年前，我坐在实验室里，我想，“哇，这需要很大的耐心才能完成。”我觉得我没有那种耐心。我非常尊重团队中长期坚持这一旅程的人。但是几乎所有的基础突破都是这样工作的，你需要那种长远的眼光来建立它。
我对这样一个里程碑感到兴奋的原因是，虽然事情需要很长时间，但正是这些里程碑推动了这个领域的进步。“深蓝”超级计算机击败加里·卡斯帕罗夫时，是1997年。时间快进到2016年，阿尔法狗在围棋比赛中击败了李世石，你可以看着它说，“哇，时间真长。”但是每一个里程碑都会奖励那些从事这项工作的人，并吸引新一代人进入这个领域。人类就是这样进步的。
就我之前的系统工程观点而言——我们正在向量子计算堆栈的许多层推进。因此，我们正在推动进步，这将被用于许多不同的方式。例如，我们建造自己的数据中心，这让我们能够建造像TPU（张量处理单元，这是谷歌深度学习框架TensorFlow的专用芯片），这使得我们的算法运行得更快。所以这是一个良性循环。
从事创新技术研发工作的一大好处是，即使失败你也是有价值的，甚至中期里程碑也有其他应用。所以是的，你是对的，我们必须有耐心。但是一路上有很多真正的满足感。
媒体：你们目前在量子计算上投资了多少？
皮查伊：这是一个相对较小的团队。但它建立在我们多年来在谷歌各个层面所做的所有投资的基础上。它建立在公司多年的研究和我们在此基础上所做的应用工作之上。
媒体：你能谈谈谷歌和IBM在方法上的区别吗？首先，IBM公司有一堆量子机器，放在云中供人们编程，而你是作为一个内部研究项目来做的。
皮查伊：IBM公司将它作为云设备提供，这样做非常好，吸引了其他开发人员。我认为我们作为一个团队，一直致力于确保我们向自己和社区证明，你们可以跨越量子优势的这个重要里程碑。
媒体：IBM公司还表示，“量子优势”一词具有误导性，因为它意味着量子计算机最终会比传统计算机做得更好，而事实上它们必须在问题的不同方面一起工作。他们指责谷歌公司夸大其词。
皮查伊：我对此的回答是，这是艺术的一个技术术语。技术圈子里的人们完全理解这个里程碑的意义。
媒体：但是争论的焦点是，公众可能会认为这是量子计算机已经战胜了传统计算机的一个标志。
皮查伊：我是说，这和我们庆祝人工智能没什么不同。有人把它和普通人工智能混为一谈。这就是为什么我认为我们出版量子优势的论文很重要。
重要的是，解释这些事情的人要帮助公众理解我们在哪个阶段，以及你将如何把传统计算应用到世界上你需要的大多数问题上。使用传统计算机在未来仍将是事实。
媒体：人工智能在很多层面上为谷歌创造业务，它进入了机器翻译和网页搜索这样的服务中。你通过你的云向人们提供人工智能工具。您提供了一个人工智能框架TensorFlow，它允许人们构建自己的工具。你还提供专门的芯片，人们可以用这些芯片来运行他们的工具。你认为量子计算最终会普及到谷歌的业务中吗？
皮查伊：肯定会的。如果你退后一步看，我们投资人工智能并开发人工智能，但是后来我们才会知道它对我们所有业务都有用。
最后，在你谈到的所有实际应用中，我们不仅仅为自己使用人工智能技术，我们向世界各地的客户提供它，我们关心人工智能技术的普及，量子计算也是如此。
媒体：你认为量子计算对人工智能本身意味着什么？例如，如果你把量子计算和人工智能结合起来，它能帮助我们解决人工智能的障碍吗？
皮查伊：我认为这将是一个非常强大的共生事物。这两个领域都处于早期研究阶段。人工智能在构建更大的模型、更一般化的模型以及需要什么样的计算资源方面有令人兴奋的研究题目。我认为人工智能可以加速量子计算，量子计算可以加速人工智能，我认为这是我们需要的，最终解决我们面临的一些最棘手的问题，比如气候变化。
媒体：你提到新科技的普及推广。谷歌在人工智能方面遇到了一些伦理争议——谁应该使用这些工具以及如何使用它们。你从处理这些问题中学到了什么，它是如何影响你对量子技术的思考的？
皮查伊：在这些阶段出版论文和与学术界接触非常重要。我们努力工作来参与。我们已经公布了我们全面的人工智能原则。如果你拿人工智能偏差这样的领域来说，我想我们在过去几年里已经发表了超过75篇研究论文。所以，我们会理顺我们的道德规范，积极参与研究。
我认为有些领域的监管可能是有意义的。我们希望建设性地参与进来，帮助制定正确的法规。最后，还有一个外部参与和获得反馈的过程。这些都是会影响社会的技术。没有一家公司能搞清楚什么是正确的。没有什么灵丹妙药，但这还为时过早，在接下来的10年里，我们必须在所有这些问题上共同努力。
媒体：一方面，说你不会根据人工智能原则为某些目的开发人工智能技术，另一方面，创造一个平台让人们可以为他们想要的任何目的使用人工智能，这难道没有一点矛盾吗？
皮查伊：人工智能安全是我们最重要的伦理原则之一。你想建立和测试安全系统。这是我们开发过程中所固有的。如果你担心量子系统会随着时间的推移破坏密码学，你需要开发更好的量子加密技术。过去当我们建立搜索引擎时，我们也必须解决垃圾邮件问题。
这些新技术的风险显然更高，但一方面是你采用的技术方法，另外一方面是全球治理和道德协议。你将需要达成全球框架，从而产生我们想要的结果。我们致力于尽我们所能帮助发展这一技术，不仅是负责任的，而且要用它来保障安全等。我们会和其他机构一起这样做。
媒体：还有其他你现在也非常感兴趣的技术吗？
皮查伊：对我个人来说，产生清洁可再生能源的更好的方法有很大的潜力。但我对所有这些技术的组合以及我们如何实际应用它们感到非常兴奋。在医疗保健方面，我认为在未来十年左右，我们将处于突破的边缘，这将是深远的。但我也要说人工智能本身——下一代人工智能突破、新算法、更好的一般化模型、转移学习等等，对我来说都同样令人兴奋的。
