在普通人眼中， 並不是什麼如微軟和穀歌似的著名大公司， 但 D-Wave 實際上是世界全球首家讓量子電腦商用化的廠商。
雖然 D-Wave 採用的量子退火技術在計算應用上有所限制， 導致過去有部分人士認為其並不是真正的量子計算， 但隨著應用的增加， 連 Google 也開始大量採用其計算架構， D-Wave 的量子計算已經被證明的確是很好地利用了量子計算特性與原理， 同時在很多應用場景中都有極高的性能表現， 因此這部分的爭議也就逐漸消失。
在前不久舉辦的 EmTech China 大會上， D-Wave CEO Vern Brownell 發表了十分精彩的演講。 在演講中， Vern Brownell 提到， D-Wave 的最新產品“將會在未來的幾個月內正式發佈， 我們也將在真實產品的應用中展示我們的量子優勢”。 之所以使用了“量子優勢”這一說法， Vern Brownell 坦言， 自己不是很喜歡霸權這樣的詞。
值得注意的是， EmTech China 會議期間， 穀歌和微軟也分別高調宣佈， 即將公佈量子計算技術里程碑式的突破。
在會後， Vern Brownell 也接受了 DT 君的專訪， 暢談了量子計算未來的發展以及在產業中所扮演的角色， 其中 Brownell 提到了幾個十分關鍵的要點。
圖 | D-Wave CEO Vern Brownell 在演講
首先， Vern Brownell 認為， 量子計算未來會和其它計算架構長期並存，
由於 D-Wave 選擇了一種稱為量子融合的技術， 量子晶片本身的功耗需求極低， 甚至遠低於我們手機的晶片， 而因為量子的物理特性， 量子計算未來即便計算性能成倍增加， 但功耗幾乎不會改變， 與現今的傳統計算架構功耗會隨著規模與性能等比級數增加的狀況完全不同。
隨著 AI 議題的日益火熱， Vern Brownell 認為， 量子計算將是成為下一代 AI 計算革新的重要推動者， 其重要性將會像當初 GPU 推動機器學習與深度學習般重塑整個 AI 計算環境的架構與思維。 這不僅是體現在性能方面， 更可借助量子計算的低能耗特性， 從根本解決解決未來龐大 AI 計算所需的能源需求。
DT 君：為何量子電腦如此重要？甚至比目前半導體計算架構都還要重要？
Vern Brownell：由於量子計算源自量子物理， 所以我們可以把量子計算稱為自然計算， 由於取自普遍的自然界物理現象， 利用其龐大的自然計算能量， 我們可以快速的解決過去很難利用傳統計算架構解決的“人類規模”問題，
另外， 我也要提到關於量子計算晶片的特性， 由於我們的量子晶片目前都是基於超導體技術， 本身不像傳統半導體架構會有阻抗、發熱的問題， 而維持晶片本身運作的功耗僅需要 PicoWatt（皮瓦）， 可以說幾乎不耗電， 耗電的關鍵部分主要是在維持超低溫運作環境的冷卻設備， 以及為了達到良好的隔熱設計， 導致的龐大機櫃結構。
另外， 即便未來量子計算晶片性能成長數倍到數百倍， 功耗還是會維持接近零， 而傳統半導體計算架構的基礎， 也就是 CMOS 結構， 卻會隨著規模、頻率增加而增加功耗，畢竟半導體雖然也是導體，但是有阻抗，有了阻抗就會產生溫度，產生溫度就代表有一定比例的能量被浪費掉，這是傳統半導體技術的限制，但量子電腦沒有。
也因此，考慮到未來龐大 AI 計算所需要的能源供應問題，甚至溫室效應，量子計算都可能成為推動綠色環保的重要角色。
我舉個實際例子好了，如果使用量子電腦和特定規模 GPU 計算叢集相比，在某些應用達到一致的性能表現時，量子電腦的整體功耗會是 GPU 的數百分之一。
而作為冷卻用的設計若借助良好的隔熱，或者是在極地布建量子計算中心，都可大幅降低為了冷卻所需要的電力，而這部分的功耗基本上是穩定的固定支出，不會有太大變動，而會變動的部分，也就是量子晶片本身，其功耗更是小之又小，即便全負載，功耗還是維持一致，而這也是量子計算架構的最大優勢。
DT 君：如果量子計算晶片普及，是否未來就不需要其它架構的計算晶片？
Vern Brownell：我認為，未來數十年內量子電腦其實還是會和其它傳統計算架構並存，因為還是有不少數學計算工作是傳統計算架構比較在行的，比如說與浮點計算相關的工作，CPU 或者是 GPU 都可以有比量子計算更好的表現，尤其在超級電腦領域，處理的工作基本上也都是浮點為基礎的計算操作。
而其中更重要的一點，那就是量子計算的整體成本在未來不短的時間內還很難有效削減。但傳統計算架構，比如說 CPU 或 GPU，效能不斷增加，但成本削減的幅度要大於效能成長的幅度，未來隨著營收模式的改變，比如說租用或者是廣告營收的增加，或許這些傳統計算架構的硬體價格甚至會接近零，而這也是傳統計算架構在未來，我認為，至少在數十年內還難以被取代的最大關鍵。
當然，隨著時間過去，未來可能也會有更多不同的量子計算架構出現，比如說我在大會上提到過，以 Google、IBM、Intel 為首的 Gate Model 陣營，微軟主導的 TopoLogical 量子計算，或者是 D-Wave 以及 Google 合作的退火技術類型量子計算等等，這些新的量子計算架構可能會更好的適應某些我們常遇到的傳統類型的計算工作，屆時可能整個計算產業會有不同的面貌。
但短期之內，量子計算要大規模取代傳統計算的可能性不大。短期間之內，我指數十年之內，量子計算針對的還是比較特定的應用類型，而不是常見的通用計算。
最後還有一個原因，那就是目前的量子計算需要有非常龐大的冷卻設計，藉以維持量子晶片的量子態，這樣才有辦法利用觀測其量子變化來進行計算工作。相關的冷卻設計限制了量子計算的應用場景，使其小型化的困難度以及成本的降低暫時無法和傳統計算架構相提並論。
DT 君：您怎麼看待用半導體工藝創造量子計算架構的相關研究？
Vern Brownell：我認為，基於半導體工藝的量子計算還很遠，由於量子物理作用，如果沒有借助冷卻來大幅降低量子運動，基本上根本無法用來進行計算工作，或者是因為高溫造成量子運動過於躁動，不僅造成量子現象難以觀察，更會導致計算精度大幅下降。而半導體還有一個物理特性，那就是規模越大或頻率越高，溫度也會越高，這也相對增加了使用半導體技術來生產量子計算設備的難度。
雖然我不會說未來基於半導體技術的量子計算不可能實現，但很多人認為十年內要面世的機會不大。
DT 君：目前可見的量子計算設備都非常巨大，那未來是否有可能小型化？
Vern Brownell：其實，我們主要的客戶並不在意其佔用的空間，由於量子計算晶片功耗是固定的，也幾乎不會發熱，隨著晶片上量子比特規模的增加，我們可以輕易取得等比級數的效能成長，比如說一個量子晶片的計算性能每隔 18~24 個月都可以數倍的比例增加。
而我們在機櫃中可同時放入更多量子計算晶片，讓性能有更龐大的成長幅度，而機櫃其實就是固定成本，晶片的更換當然也要成本，但是能耗都是維持一定的，也就是說，絕大部分的能耗都是用來讓量子計算的環境接近絕對零度，量子計算晶片本身幾乎不耗用任何能源，也幾乎不會發出任何熱量。
這跟我們家裡的冰箱一樣，如果在冰箱裡面放了熱的料理，冰箱為了維持內部溫度的恒定，就必須耗用額外的電力來加強冷卻效率，但是在量子計算方面，由於我們的量子晶片不會發出熱量，這也對整體環境溫控以及能耗的維持更為有利，就好像一部幾乎都不開門的冰箱，其耗用的運作電力其實相當低，相較起傳統超級電腦，量子計算其實要更為省電。若從性能的擴充和維持成本來看，量子計算比起傳統資料中心的計算架構要更有優勢。
當然，也有不少客戶希望能夠獲得較小規模的量子計算架構，我們也設計了相關方案，可以在普通機櫃的大小就提供龐大的量子計算能力，這對於一些空間有限的客戶，或者是學術研究機構而言，會是個相當不錯的入門選擇。
另外，我也要強調一點，那就是我們目前使用的製造工藝，大概等同于于傳統半導體製造工藝的 250nm，而使用更細緻的工藝主要就是用來增加作為計算核心，相當於電晶體地位的 Josephson junction（約瑟夫遜結）。
目前，我們的晶片大約使用了 20 萬個約瑟夫遜結，下一代晶片可能直接增至百萬個，更重要的是，我們希望把晶片尺寸維持一定，但借助工藝的改良增加計算密度，相較起傳統半導體產業已經幾乎到頭的工藝進展，量子計算還有非常大的規模成長空間。
※在這邊 DT 君也要簡單科普一下，D-Wave 在 2013 年時就已經把相關的製造工藝轉移給 Crypress，因此目前 D-Wave 的量子計算晶片基本上都是在 Cypress 進行製造。
DT 君：您怎麼看量子計算往通用化發展的方向？
Vern Brownell：目前，要用於通用計算的量子計算架構以 IBM、Intel 和 Google 正在發展的 Gate Model 量子計算架構為主，而 D-Wave 所使用的退火技術其實也可以做到通用計算的目的。
一般而言，如果你要建造一個 2000 量子比特的量子電腦，就必須在晶片上集成 200 萬個以上的量子比特，而 IBM 所使用的 Gate-Model 架構，就必須使用高達數百萬個量子比特以上，因此在晶片成本或者是晶片的設計複雜度上，Gate-Model 就很難與退火技術架構相提並論，而退火技術架構其實也可以做到通用計算的工作。
值得注意的是，微軟主導的 TopoLogical 量子計算架構使用了 Majorana particle(馬約拉納粒子) 來作為量子計算的核心，理論上，要建造一個 1 量子比特的 TopoLogical 量子電腦，只需要一個馬約拉納粒子，而不需要額外的糾錯設計，就理論上而言，會是個極具競爭力的量子計算架構。然而馬約拉納粒子目前只存在於理論上，微軟還在尋求技術上的突破。
圖丨D-Wave 的使命和商業模式
也因為退火技術技術雖然有其應用限制，但是理論最成熟，應用也最快，複雜度也相對可接受，借此，我們能夠領先業界十年，推出世界上首部商用的量子電腦。
雖然退火技術在通用化的限制較大，這也常成為過去被攻擊的重點，但我們也針對通用計算增加了設計上的擴展，雖然一定程度增加了複雜度，但是在應對未來量子計算的應用廣度上就和 Gate-Model 或 TopoLogical 架構沒有什麼不同。
當然，未來量子計算一定會走向通用化，D-Wave 針對這方面的需求自然也有我們自己的考量，由於生態是循序漸進的，若當初第一時間在退火技術架構上就實作通用計算，其實並不合理，也會大大延遲量子電腦的商用腳步。
DT 君：您怎麼看 AI 時代，相關應用的火熱是否帶給量子計算很大的發揮空間？
Vern Brownell：沒錯，量子電腦的物理特性能夠有效的説明 AI 的邏輯推論過程，這點不論選擇的量子計算架構是何種都相差不大。我也認為，量子計算對於 AI 計算的變革，其實就像當初 GPU 架構之於深度學習一樣。
但這並不表示量子計算會取代 GPU 計算，而是量子計算可以和 GPU 合力解決很多 AI 應用更深層的問題，GPU 很好的應對了第一代以及第二代，也就是我們現有的 AI 環境計算需求，但我認為，量子電腦和 GPU 的合作，將是應對未來更複雜 AI 環境計算的最有力的組合。
我們都知道，量子計算都是基於可能性發展的計算方式，下一代我認為深度學習也將走向可能性的分析預測能力上，這點量子計算就能帶給產業非常大的幫助。通過可能性的推演，我們可以用更少的資料來進行訓練，或者是使用有噪訊，過去不能被用來當作訓練資料的資料來進行訓練，這可以讓 AI 拓展到更廣泛的應用環境中，並能夠大幅加速整個從訓練到建模的過程。
由於量子計算的節能特性，將大幅減少超級計算領域所需要的功耗需求。過去有不少人擔心，由於普及 AI 所需要的大量的資料計算會帶來龐大的能耗，將可能把地球能源消耗殆盡，但借助量子計算的特性，即便規模和性能大幅增加，但相關計算功耗仍可維持在極低狀態，這對於改善計算領域的能源使用效率以及幫助溫室效應議題方面，也都帶來極為正面的幫助。
卻會隨著規模、頻率增加而增加功耗，畢竟半導體雖然也是導體，但是有阻抗，有了阻抗就會產生溫度，產生溫度就代表有一定比例的能量被浪費掉，這是傳統半導體技術的限制，但量子電腦沒有。也因此，考慮到未來龐大 AI 計算所需要的能源供應問題，甚至溫室效應，量子計算都可能成為推動綠色環保的重要角色。
我舉個實際例子好了，如果使用量子電腦和特定規模 GPU 計算叢集相比，在某些應用達到一致的性能表現時，量子電腦的整體功耗會是 GPU 的數百分之一。
而作為冷卻用的設計若借助良好的隔熱，或者是在極地布建量子計算中心，都可大幅降低為了冷卻所需要的電力，而這部分的功耗基本上是穩定的固定支出，不會有太大變動，而會變動的部分，也就是量子晶片本身，其功耗更是小之又小，即便全負載，功耗還是維持一致，而這也是量子計算架構的最大優勢。
DT 君：如果量子計算晶片普及，是否未來就不需要其它架構的計算晶片？
Vern Brownell：我認為，未來數十年內量子電腦其實還是會和其它傳統計算架構並存，因為還是有不少數學計算工作是傳統計算架構比較在行的，比如說與浮點計算相關的工作，CPU 或者是 GPU 都可以有比量子計算更好的表現，尤其在超級電腦領域，處理的工作基本上也都是浮點為基礎的計算操作。
而其中更重要的一點，那就是量子計算的整體成本在未來不短的時間內還很難有效削減。但傳統計算架構，比如說 CPU 或 GPU，效能不斷增加，但成本削減的幅度要大於效能成長的幅度，未來隨著營收模式的改變，比如說租用或者是廣告營收的增加，或許這些傳統計算架構的硬體價格甚至會接近零，而這也是傳統計算架構在未來，我認為，至少在數十年內還難以被取代的最大關鍵。
當然，隨著時間過去，未來可能也會有更多不同的量子計算架構出現，比如說我在大會上提到過，以 Google、IBM、Intel 為首的 Gate Model 陣營，微軟主導的 TopoLogical 量子計算，或者是 D-Wave 以及 Google 合作的退火技術類型量子計算等等，這些新的量子計算架構可能會更好的適應某些我們常遇到的傳統類型的計算工作，屆時可能整個計算產業會有不同的面貌。
但短期之內，量子計算要大規模取代傳統計算的可能性不大。短期間之內，我指數十年之內，量子計算針對的還是比較特定的應用類型，而不是常見的通用計算。
最後還有一個原因，那就是目前的量子計算需要有非常龐大的冷卻設計，藉以維持量子晶片的量子態，這樣才有辦法利用觀測其量子變化來進行計算工作。相關的冷卻設計限制了量子計算的應用場景，使其小型化的困難度以及成本的降低暫時無法和傳統計算架構相提並論。
DT 君：您怎麼看待用半導體工藝創造量子計算架構的相關研究？
Vern Brownell：我認為，基於半導體工藝的量子計算還很遠，由於量子物理作用，如果沒有借助冷卻來大幅降低量子運動，基本上根本無法用來進行計算工作，或者是因為高溫造成量子運動過於躁動，不僅造成量子現象難以觀察，更會導致計算精度大幅下降。而半導體還有一個物理特性，那就是規模越大或頻率越高，溫度也會越高，這也相對增加了使用半導體技術來生產量子計算設備的難度。
雖然我不會說未來基於半導體技術的量子計算不可能實現，但很多人認為十年內要面世的機會不大。
DT 君：目前可見的量子計算設備都非常巨大，那未來是否有可能小型化？
Vern Brownell：其實，我們主要的客戶並不在意其佔用的空間，由於量子計算晶片功耗是固定的，也幾乎不會發熱，隨著晶片上量子比特規模的增加，我們可以輕易取得等比級數的效能成長，比如說一個量子晶片的計算性能每隔 18~24 個月都可以數倍的比例增加。
而我們在機櫃中可同時放入更多量子計算晶片，讓性能有更龐大的成長幅度，而機櫃其實就是固定成本，晶片的更換當然也要成本，但是能耗都是維持一定的，也就是說，絕大部分的能耗都是用來讓量子計算的環境接近絕對零度，量子計算晶片本身幾乎不耗用任何能源，也幾乎不會發出任何熱量。
這跟我們家裡的冰箱一樣，如果在冰箱裡面放了熱的料理，冰箱為了維持內部溫度的恒定，就必須耗用額外的電力來加強冷卻效率，但是在量子計算方面，由於我們的量子晶片不會發出熱量，這也對整體環境溫控以及能耗的維持更為有利，就好像一部幾乎都不開門的冰箱，其耗用的運作電力其實相當低，相較起傳統超級電腦，量子計算其實要更為省電。若從性能的擴充和維持成本來看，量子計算比起傳統資料中心的計算架構要更有優勢。
當然，也有不少客戶希望能夠獲得較小規模的量子計算架構，我們也設計了相關方案，可以在普通機櫃的大小就提供龐大的量子計算能力，這對於一些空間有限的客戶，或者是學術研究機構而言，會是個相當不錯的入門選擇。
另外，我也要強調一點，那就是我們目前使用的製造工藝，大概等同于于傳統半導體製造工藝的 250nm，而使用更細緻的工藝主要就是用來增加作為計算核心，相當於電晶體地位的 Josephson junction（約瑟夫遜結）。
目前，我們的晶片大約使用了 20 萬個約瑟夫遜結，下一代晶片可能直接增至百萬個，更重要的是，我們希望把晶片尺寸維持一定，但借助工藝的改良增加計算密度，相較起傳統半導體產業已經幾乎到頭的工藝進展，量子計算還有非常大的規模成長空間。
※在這邊 DT 君也要簡單科普一下，D-Wave 在 2013 年時就已經把相關的製造工藝轉移給 Crypress，因此目前 D-Wave 的量子計算晶片基本上都是在 Cypress 進行製造。
DT 君：您怎麼看量子計算往通用化發展的方向？
Vern Brownell：目前，要用於通用計算的量子計算架構以 IBM、Intel 和 Google 正在發展的 Gate Model 量子計算架構為主，而 D-Wave 所使用的退火技術其實也可以做到通用計算的目的。
一般而言，如果你要建造一個 2000 量子比特的量子電腦，就必須在晶片上集成 200 萬個以上的量子比特，而 IBM 所使用的 Gate-Model 架構，就必須使用高達數百萬個量子比特以上，因此在晶片成本或者是晶片的設計複雜度上，Gate-Model 就很難與退火技術架構相提並論，而退火技術架構其實也可以做到通用計算的工作。
值得注意的是，微軟主導的 TopoLogical 量子計算架構使用了 Majorana particle(馬約拉納粒子) 來作為量子計算的核心，理論上，要建造一個 1 量子比特的 TopoLogical 量子電腦，只需要一個馬約拉納粒子，而不需要額外的糾錯設計，就理論上而言，會是個極具競爭力的量子計算架構。然而馬約拉納粒子目前只存在於理論上，微軟還在尋求技術上的突破。
圖丨D-Wave 的使命和商業模式
也因為退火技術技術雖然有其應用限制，但是理論最成熟，應用也最快，複雜度也相對可接受，借此，我們能夠領先業界十年，推出世界上首部商用的量子電腦。
雖然退火技術在通用化的限制較大，這也常成為過去被攻擊的重點，但我們也針對通用計算增加了設計上的擴展，雖然一定程度增加了複雜度，但是在應對未來量子計算的應用廣度上就和 Gate-Model 或 TopoLogical 架構沒有什麼不同。
當然，未來量子計算一定會走向通用化，D-Wave 針對這方面的需求自然也有我們自己的考量，由於生態是循序漸進的，若當初第一時間在退火技術架構上就實作通用計算，其實並不合理，也會大大延遲量子電腦的商用腳步。
DT 君：您怎麼看 AI 時代，相關應用的火熱是否帶給量子計算很大的發揮空間？
Vern Brownell：沒錯，量子電腦的物理特性能夠有效的説明 AI 的邏輯推論過程，這點不論選擇的量子計算架構是何種都相差不大。我也認為，量子計算對於 AI 計算的變革，其實就像當初 GPU 架構之於深度學習一樣。
但這並不表示量子計算會取代 GPU 計算，而是量子計算可以和 GPU 合力解決很多 AI 應用更深層的問題，GPU 很好的應對了第一代以及第二代，也就是我們現有的 AI 環境計算需求，但我認為，量子電腦和 GPU 的合作，將是應對未來更複雜 AI 環境計算的最有力的組合。
我們都知道，量子計算都是基於可能性發展的計算方式，下一代我認為深度學習也將走向可能性的分析預測能力上，這點量子計算就能帶給產業非常大的幫助。通過可能性的推演，我們可以用更少的資料來進行訓練，或者是使用有噪訊，過去不能被用來當作訓練資料的資料來進行訓練，這可以讓 AI 拓展到更廣泛的應用環境中，並能夠大幅加速整個從訓練到建模的過程。
由於量子計算的節能特性，將大幅減少超級計算領域所需要的功耗需求。過去有不少人擔心，由於普及 AI 所需要的大量的資料計算會帶來龐大的能耗，將可能把地球能源消耗殆盡，但借助量子計算的特性，即便規模和性能大幅增加，但相關計算功耗仍可維持在極低狀態，這對於改善計算領域的能源使用效率以及幫助溫室效應議題方面，也都帶來極為正面的幫助。