AI 為什麼會「學新忘舊」？研究團隊用量子混合態挑戰災難性遺忘

人工智慧如果已經學會辨認貓、狗與汽車，接著再教它辨認飛機、船隻與卡車，理論上它應該只是增加新的知識。但對神經網路而言，事情沒有這麼簡單。

當模型使用新資料持續更新參數時，原本為舊任務建立的特徵與決策邊界可能被改寫，使模型在學會新類別的同時，逐漸失去辨認舊類別的能力。這個現象被稱為 Catastrophic Forgetting，也就是「災難性遺忘」，是持續學習（Continual Learning）與增量學習（Incremental Learning）長期面對的重要問題。

2026 年 8 月發表於 arXiv 的研究《Quantum Incremental Learning with Mixed State Prototypes》，則提出一個相當不同的方向：如果不完全依賴傳統神經網路的分類方式，而是利用量子態來建立每個類別的「原型」，能不能讓模型在加入新類別時，不需要不斷擴張主要分類器？

這項研究提出 Quantum Incremental Learning with Mixed-State Prototypes 架構，核心概念是讓每一個類別擁有自己的量子混合態原型（Mixed-State Prototype），再透過量子態之間的距離進行分類。

為什麼 AI 會忘記以前學過的東西？

傳統深度學習通常假設訓練資料可以一次取得，而且資料分布相對固定。例如訓練一個 100 類影像分類器時，可以把所有類別一起交給模型學習。

但真實世界往往不是如此。新的商品、新疾病影像、新物種、新工業缺陷或新的使用情境會持續出現，模型因此需要不斷加入新的類別。

問題在於，神經網路的知識並不是一個個獨立存放的檔案，而是共同分散在大量權重之中。當模型為了適應新資料而調整權重時，舊知識使用的參數也可能一起受到影響。

因此，Continual Learning 的核心問題之一，就是如何取得「可塑性」與「穩定性」之間的平衡：模型必須具有足夠的 plasticity 學習新知識，同時又需要 stability 保留舊知識。

把類別變成量子世界中的「原型」

這篇研究採取 Prototype-based Learning 的概念。

如果把傳統分類器想像成替不同類別畫出決策邊界，那麼 prototype 方法更接近替每個類別建立一個代表性的「中心」。新資料進來之後，模型判斷它最接近哪一個 prototype，再決定它屬於哪個類別。

研究團隊進一步把這個概念搬進量子機器學習。

經過量子電路轉換後，一個類別不再只是普通向量，而可以利用 density matrix，也就是密度矩陣描述。每個類別因此能建立自己的量子 prototype。

例如模型已經知道「貓」、「狗」與「汽車」，系統便可以分別建立三個 mixed-state prototypes。未來加入「飛機」類別時，理論上只需要建立新的飛機 prototype，而不是重新設計一個容量更大的量子分類器。

這對量子機器學習特別重要，因為傳統量子分類架構的輸出能力可能受到 qubit 數量、測量方式與 Hilbert space 結構限制。如果每增加類別都必須擴大量子電路，不僅硬體需求提高，也可能增加訓練困難。

為什麼不是 Pure State，而是 Mixed State？

這也是整篇研究最值得注意的地方之一。

如果只使用單一 pure quantum state 表示一個類別，就有點像用一個點代表整群資料。然而同一類別的影像通常存在大量變化，例如不同角度、背景、亮度與物體外觀。

Mixed state 則能描述由多個量子態組成的統計分布，因此更適合表示一個類別內部的變異。

研究利用 density matrix 建立這些 prototype，並控制其 rank K。直覺上可以把 K 想成模型保留多少主要資訊方向：K 太低可能丟失重要特徵，K 太高則可能把雜訊一起保存。

作者因此將這個過程類比為某種與 PCA 相似的降維與去噪機制，透過保留較重要的成分建立更穩定的類別 representation。

新資料進來後，模型怎麼判斷？

分類階段則利用量子態之間的距離。

研究採用 Hilbert-Schmidt distance 比較輸入資料形成的量子 representation 與各類別 mixed-state prototype 之間的差異。

概念可以簡化成：

輸入影像 → 特徵抽取 → 量子 representation → 與所有 prototype 比較距離 → 選擇最接近的類別。

因此模型不必依靠一個固定大小的輸出分類層。當新的類別出現時，可以增加新的 prototype，讓分類系統逐步擴充。

這其實是一套「混合式」量子 AI

不過需要特別注意，這篇研究並不是完全由量子電腦完成影像辨識。

整個架構首先利用 ResNet-18 處理影像，再經過 256 維 MLP，接著進入 8-qubit quantum backbone。模型進一步利用其中的 4-qubit subsystem 建立 density matrix 與 mixed-state prototypes。

初始 representation learning 階段還包含 classical MLP classification head，完成 representation 訓練後才將這個分類 head 移除。

因此，更準確的描述應該是 Hybrid Quantum-Classical Machine Learning，也就是量子與傳統運算混合的機器學習架構，而不是量子電腦完全取代 GPU 或神經網路。

實驗結果如何？

研究團隊在 CIFAR-100 與 TinyImageNet 等影像資料集上測試 incremental learning。

在 CIFAR-100 Split A 實驗中，提出的量子 mixed-state 方法取得約 57.28% Last Accuracy 與 71.78% Average Accuracy。

相比之下，傳統增量學習方法 FeCAM 達到約 68.69% Last Accuracy 與 78.26% Average Accuracy；FeTrIL 約為 64.53% 與 74.17%；PASS 則約為 63.47% 與 72.36%。

換句話說，量子方法已能與部分 incremental-learning baseline 競爭，但仍沒有超越實驗中最強的 classical methods。

TinyImageNet 的差距更加明顯。量子方法取得約 38.38% Last Accuracy 與 53.71% Average Accuracy，而 FeCAM 分別達到約 59.19% 與 66.53%。

因此，這篇論文並不能證明「量子 AI 已經比傳統 AI 更強」。它真正展示的是另一件事情：mixed-state quantum prototypes 確實可以形成一套可運作的 incremental-learning 架構，而且在類別持續增加時，不需要以相同方式持續擴張主要分類器。

另一項潛在優勢：Prototype 儲存成本

作者也特別討論 prototype 的參數複雜度。

傳統 prototype-based incremental learning 通常需要為每個類別保存高維特徵向量或統計資訊，而 mixed-state quantum representation 可以利用有限 qubit subsystem 與低 rank density matrix 表示類別資訊。

因此研究主張，這種設計具有降低 prototype parameter complexity 的潛力。

不過「參數比較少」並不等於「現在跑得比較快」。量子電路模擬本身在傳統電腦上可能非常昂貴，而真正量子硬體又存在噪聲、qubit 數量、量子閘精度與資料編碼等問題。

所以這項優勢目前主要仍是模型表示方式與理論架構上的特性，而不是已經證明的實際運算成本優勢。

最大限制：目前根本沒有真正的量子電腦參與

這是閱讀這篇論文時最重要的限制。

研究實驗使用 NVIDIA RTX 3090 GPU、PyTorch 與 PennyLane 執行，量子電路是在 classical hardware 上進行 simulation。

換句話說，論文證明的是「這套量子機器學習架構在模擬環境中可以運作」，並沒有證明真正量子處理器執行時會比 GPU 更快、更省電或更準確。

目前也無法從這些結果得出 quantum advantage。

而且由於 classical baseline 在 CIFAR-100 與 TinyImageNet 上仍然取得更高準確率，現階段更合理的解讀，是研究人員找到了一種值得繼續探索的 quantum continual-learning representation，而不是量子機器學習已經擊敗傳統深度學習。

為什麼這項研究仍然值得關注？

量子機器學習目前最大的問題之一，就是找到真正適合量子資訊表示方式的應用，而不是單純把傳統神經網路搬進量子電路。

Mixed-State Prototype 的有趣之處，就在於它利用 density matrix、Hilbert space 與 quantum-state distance 等量子資訊本身的數學結構，重新思考 incremental learning。

它提出的問題並不是「量子電腦能不能把 ResNet 跑得更快」，而是：量子態是不是能提供一種不同的知識表示與類別擴張方式？

這可能才是這篇論文真正值得關注的地方。

AI 的災難性遺忘問題距離解決仍然很遠，量子電腦也尚未證明能在這項任務上超越傳統硬體。但這篇研究展示了一條有意思的路線：未來的量子 AI，價值或許不只是『算得更快』，而是用完全不同的方法表示與保存知識。