如何看待 John Martinis 离开谷歌？ 第1页

更新：今天看到John Martinis自己回答了为什么离开谷歌的原因，Google's Top Quantum Scientist Explains In Detail Why He Resigned，发现事情好像没那么复杂哈哈哈，大概意思就是这帮搞理论还有我的学生不要我觉得，要他们自己觉得，翅膀硬了觉得自己的方案才是对的，但John Martinis又觉得有点蠢，可以总结为，“Quantum AI这帮人菜还不听我的。”

John Martinis的离开想来主要是因为与Hartmut Neven之间的路线之争，也即在未来的五到十年里，谷歌应该怎样去发展量子计算。我的猜测是John Martinis想要直接往error correction方向发展，而Hartmut Neven想先把注意力放在NISQ器件上，以充分开发NISQ器件的算法潜力为首要任务。

无论双方观点如何，只要这一路线之争出现，那么John Martinis的出走就将是一个必然事件。Hartmut Neven算是谷歌的元老了，2006年的时候谷歌收购Neven Vision，顺便把他也收到谷歌里，那个时候的Hartmut Neven还在搞图像识别和媒体通讯。很多人说2006年的时候Hartmut Neven就已经开始接触量子计算了，不过我估计那个时候的接触可能就是看看Nielsen的“Quantum Computation and Quantum Information”。Hartmut的第一篇量子计算领域的文章是2009年提出来的，用D-Wave量子退火机做分类[1]。这项工作结束之后的三年里面Hartmut没有在产出任何量子相关的文章，直到2012年的QBoost[2]，有趣的是刚好在一年前D-Wave发布了他们的D-Wave One，128位的商用量子退火机，乘着D-Wave的这波嘘头Hartmut也顺道和Pete Worden一道创办了Quantum AI Lab，也就是John Martinis刚刚离职的这家单位。在2014年John Martinis加入Quantum AI Lab之前，Harmut他们一直都在针对D-Wave的产品进行各种算法测试[3-6]，可以看出来Harmut本人其实是对硬件不感兴趣的，不需要去关心硬件怎么做的，也不想去研究怎么提升量子硬件的fidelity和coherence time，他想要的自始至终就是用量子器件来做出更好的机器学习算法，器件本身不重要，重要的是能不能带来算法上的优势。John Martinis的加入为谷歌带来一些硬件文化，在2014年官宣与UCSB合作之后，谷歌便开始了长达六年的硬件研发。这些硬件研发基本上都是由John领导的[7-13]，第一单位大多还是UCSB，而Harmut本身是不懂量子硬件的，也几乎没有参与到硬件研发中，谷歌的硬件相关文章全都是挂的John的名字，Harmut本人在John加入之后依然主要从事理论与算法方面的工作。二者的矛盾在谷歌量子计算起步前期是不明显的，因为那个时候两个人的目标还是一致的，Harmut想要更好的量子算法，John想要更好的量子芯片，这二者是不冲突的，因为很显然，两三个qubit组成的芯片可以用来发文章，但不会有什么实际应用，所以想要更强大的量子算法，那么首先就要先有足够强大的量子芯片，这也是Quantum AI Lab和John Martinis合作的基础。

但是当quantum supremacy的实验结束之后，情况就发生了一些变化。John本人的目的自始至终就是制造large-scale fault tolerant quantum computer，所以他想要的一定是更多的qubit，更高的fidelity。这件事说起来简单，但实际研发的时候所需要投入大量的真金白银。像稀释制冷液氦就先不提了，如果想要实现大规模的量子计算，那么对于超导系统来说一个qubit就需要一个AWG来进行操控，超导系统里的gate操作时间通常还只有几个、十几个纳秒，这就要求AWG必须要是超高精度的，谷歌现在用的AWG是之前UCSB用GHz采样速率DAC自制的，一个通道的价格估计在一两万美金左右，如果我们现在想要把50个qubit芯片升级成500个qubit，那么AWG的投入瞬间就翻了十倍，差不多需要千万美金的投入，这其中还没有包括各种配套的高频传输线、高频mixer、10MHz参考铷钟、时钟信号发生器等各种电子学器件和海量硬件开发人员动辄二三十万美金的年薪。而500 physical qubit可能还是只能对应50个噪声小了点的logic qubit，仍然不足以跑Shor算法或者HHL算法。

真正实现可纠错的量子计算机是John Martinis的学术追求，或许也是谷歌未来的追求，但肯定不是Quantum AI Lab的近期目标。2017年的时候Harmut Neven带着自己的小弟在nature上发了个评论，叫做“在五年内实现商用量子技术”[14]，这个时候QAOA提出来三年了[15]，VQE也在同年十月在IBM的超导芯片上成功运行[16]，而Quantum GAN[17]和Quantum CNN[18]也在一年后出现。这个时候的谷歌满怀信心地对资本、商业圈宣称，技术领域1%的提升就足以为企业带来海量的客户与收入增加，这种“superstar”效应将会是量子技术的第一个赢利点。Harmut他们相信，NISQ所带来的quantum-assisted优化与推断技术将会为业界更强大的机器学习与人工智能系统，他们将会被用于可再生能源的功率分配、远程诊断与早期预警等各种技术系统，甚至还有可能加速自动驾驶的发展，而这所有的一切的开始都需要一个证明，一个量子系统比经典系统更加强大的证明，哪怕只强1%不到，而这个证明就是2019年的quantum supremacy。

所以当quantum supremacy完成之后，Quantum AI Lab的阶段性任务就完成了，Hartmut已经向投资基金们证明了量子确确实实是比经典更加强大的，那么下一步就是去寻找去构建一个真正能够落地能够商业化的量子算法与量子器件。Fault tolerant的故事很美，但这种架构真的是最适合NISQ应用的吗？继续往这个方向砸海量经费在近期能有什么回报？谷歌虽然有着海量的研究经费，但他毕竟是一家公司，一家以客户为最终导向的公司，让John Martinis去跟现在的CEO劈柴描述大规模量子计算有着多么美好的前景，多么重大的物理意义，他会听吗？他要是会听怎么不去投资超级对撞机。Quantum supremacy的结果已经标志着我们进入了一个新的时代，一个NISQ量子器件好像真的比经典计算机更强大的时代。实验物理学家们搭完了系统之后尚且总想着水几篇文章在继续开发系统，何况谷歌。既然有了现在这样好像已经有点强大的量子器件，为何不先集中精力开发开发商业落地，回收一下成本再继续去想那谁也不知道会不会成为下一个核聚变的量子计算机呢？而这大概就是Hartmut Neven与John Martinis的分歧所在。

John Martinis的出走对于量子计算行业来说可能是一个利好，但也有可能是凛冬将至的信号。未来数年量子计算的发展将全系于NISQ器件是否能真正商业化落地，展现出超出经典器件的算力。倘若这一商业化目标得以成功，那么科研行业必定会得到反哺，风险投资与政府基金将进一步加大对量子器件的投入。而如果反之，那么叫嚣了多年的量子霸权注定会被投资人与官僚视作骗局，量子计算行业在舆论上多年狂暴的欢愉也将迎来狂暴的结局。不过就算NISQ器件商业化失败，也顶多就是回到正常水平的经费，看看隔壁核聚变失败了那么多年不还是持续不断地在往里砸钱。毕竟万一哪天成功了呢。

Reference

[1]Neven H, Denchev V S, Rose G, et al. Training a large scale classifier with the quantum adiabatic algorithm[J]. arXiv preprint arXiv:0912.0779, 2009.

[2]Neven H, Denchev V S, Rose G, et al. QBoost: Large Scale Classifier Training with Adiabatic Quantum Optimization[C]//ACML. 2012: 333-348.

[3]Denchev V S, Ding N, Vishwanathan S V N, et al. Robust classification with adiabatic quantum optimization[J]. arXiv preprint arXiv:1205.1148, 2012.

[4]Babbush R, Denchev V, Ding N, et al. Construction of non-convex polynomial loss functions for training a binary classifier with quantum annealing[J]. arXiv preprint arXiv:1406.4203, 2014.

[5]Boixo S, Smelyanskiy V N, Shabani A, et al. Computational role of collective tunneling in a quantum annealer[J]. arXiv preprint arXiv:1411.4036, 2014.

[6]Smelyanskiy V, Boixo S, Shabani A, et al. Collective disispative tunneling during quantum annealing on D-Wave II device[J]. Bulletin of the American Physical Society, 2015, 60.

[7]Kafri D, Quintana C, Chen Y, et al. Tunable inductive coupling of superconducting qubits in the strongly nonlinear regime[J]. Physical Review A, 2017, 95(5): 052333.

[8]Dunsworth A, Megrant A, Quintana C, et al. Characterization and reduction of capacitive loss induced by sub-micron Josephson junction fabrication in superconducting qubits[J]. Applied Physics Letters, 2017, 111(2): 022601.

[9]Bardin J C, Jeffrey E, Lucero E, et al. Design and Characterization of a 28-nm Bulk-CMOS Cryogenic Quantum Controller Dissipating Less Than 2 mW at 3 K[J]. IEEE Journal of Solid-State Circuits, 2019, 54(11): 3043-3060.

[10]Barends R, Quintana C M, Petukhov A G, et al. Diabatic gates for frequency-tunable superconducting qubits[J]. Physical Review Letters, 2019, 123(21): 210501.

[11]Foxen B, Neill C, Dunsworth A, et al. Demonstrating a continuous set of two-qubit gates for near-term quantum algorithms[J]. arXiv preprint arXiv:2001.08343, 2020.

[12]White T C, Mutus J Y, Hoi I C, et al. Traveling wave parametric amplifier with Josephson junctions using minimal resonator phase matching[J]. Applied Physics Letters, 2015, 106(24): 242601.

[13]Dunsworth A, Barends R, Chen Y, et al. A method for building low loss multi-layer wiring for superconducting microwave devices[J]. Applied Physics Letters, 2018, 112(6): 063502.

[14]Mohseni M, Read P, Neven H, et al. Commercialize quantum technologies in five years[J]. Nature, 2017, 543(7644): 171-174.

[15]Farhi E, Goldstone J, Gutmann S. A quantum approximate optimization algorithm[J]. arXiv preprint arXiv:1411.4028, 2014.

[16]Kandala A, Mezzacapo A, Temme K, et al. Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets[J]. Nature, 2017, 549(7671): 242-246.

[17]Lloyd S, Weedbrook C. Quantum generative adversarial learning[J]. Physical review letters, 2018, 121(4): 040502.

[18]Cong I, Choi S, Lukin M D. Quantum convolutional neural networks[J]. Nature Physics, 2019, 15(12): 1273-1278.