量子机器学习（Quantum Machine Learning，QML）是把量子计算与机器学习相结合的研究方向，目标是利用量子力学特性加速数据处理、优化与模型训练。
基础概念
- 量子比特（Qubit）：与经典比特只能取0或1不同，量子比特可处于叠加态，理论上拥有指数级的表达空间
- 叠加与纠缠：让量子系统同时并行处理多个状态
- 量子优势：在某些特定问题上，量子算法可能大幅超越经典算法
主要研究方向
- 用量子算法加速机器学习中的核心运算（如线性代数、优化问题）
- 量子神经网络：在量子电路上构造类神经网络结构
- 量子核方法与量子数据：探索小规模量子设备上的模式识别
现实状态
- 当前处于含噪声中等规模量子（NISQ）时代，设备规模小、噪声大
- 谷歌、IBM等公司和科研机构在持续推进量子处理器研发，谷歌2019年宣布实现“量子霸权”实验
- 量子机器学习真正产生实用价值仍需多年，更多属于“探索赛道”
误区澄清
量子机器学习不会让现有AI立刻变快，它更适合特定的问题结构，与经典计算的协同将是长期的主流形态。