2018年，谷歌人工智慧實驗室造出了一款名為 Bristlecone 的 72 量子位元 (qubit) 的量子處理器。
近期有學者提出了一個提議：如何從單個裝置中獲得隨機性——僅靠一臺量子計算機。這被稱之為取樣任務（sampling task）。這也是首批進行測試的量子優勢。我們可以這樣理解這項任務：
假設，有一個裝滿卡片的盒子。每一個棋子上都有一些諸如 000、010、101 的 01 序列。如果是三位數字，那麼一共有 8 種可能，但是每一種卡片都不是唯一的，也許會有 50 張“010”，25張 “001”。這些卡片數量的分佈情況決定了每次隨機抽取出一張卡片上數值的可能性。在上面那個例子中，拿出一張“010”的可能性是拿出“001”的兩倍。
對於一個取樣任務來說，其中包含著一個演算法：一個盒子中裝有以一定機率分佈的各種卡片，從這個盒子中拿隨機抽出一張卡片。一種卡片的分佈機率越大，那麼它被演算法抽出的可能性也越大。
當然，一個抽象的演算法並不會真的把手伸到某個盒子裡去摸卡片。實以輸出一個50位長度的隨機數為例，實際上，這個演算法首先會給出一個指定了這50位數所有可能的輸出組合的機率分佈，然後隨機輸出一個二進位制數。
我希望這是量子計算機上的第一個應用。——John Martinis，谷歌量子計算專案主管
對於一臺傳統計算機來說，隨著輸出位數的增加，計算複雜度會指數快的增加。但是對於一臺量子計算機而言，無論是 5 位還是 50 位隨機數的生成都一樣直接。
量子計算機從所有的量子位元（qubits）的某個特定狀態開始運算（比如，初始態為 0）。就像傳統計算機使用邏輯電路操縱位元一樣，量子計算機使用量子等價物（量子門）操縱量子位元。
但是有所區別的是，量子門可以把量子位元置於奇怪的狀態。比如，有一種門可以把始態為 0 的量子位元置入 0、1 疊加的狀態中。這時如果你去測量這個量子位元的狀態，它就會以相等的機率隨機的塌縮至 0 或 1 狀態。
更令人驚奇的是，同時作用於兩個或多個量子位元的量子門會導致這兩個量子位元發生糾纏。在這種情形下，量子位元的狀態的測量結果就會出現統計關聯。這時候，量子位元的狀態就只能用量子狀態來描述了。
如果把眾多量子門連線在一起，讓它們以特定的順序作用於一組量子位元，就建立了一組量子電路。以我們上面提過的例子來
2018年，谷歌人工智慧實驗室造出了一款名為 Bristlecone 的 72 量子位元 (qubit) 的量子處理器。
近期有學者提出了一個提議：如何從單個裝置中獲得隨機性——僅靠一臺量子計算機。這被稱之為取樣任務（sampling task）。這也是首批進行測試的量子優勢。我們可以這樣理解這項任務：
假設，有一個裝滿卡片的盒子。每一個棋子上都有一些諸如 000、010、101 的 01 序列。如果是三位數字，那麼一共有 8 種可能，但是每一種卡片都不是唯一的，也許會有 50 張“010”，25張 “001”。這些卡片數量的分佈情況決定了每次隨機抽取出一張卡片上數值的可能性。在上面那個例子中，拿出一張“010”的可能性是拿出“001”的兩倍。
對於一個取樣任務來說，其中包含著一個演算法：一個盒子中裝有以一定機率分佈的各種卡片，從這個盒子中拿隨機抽出一張卡片。一種卡片的分佈機率越大，那麼它被演算法抽出的可能性也越大。
當然，一個抽象的演算法並不會真的把手伸到某個盒子裡去摸卡片。實以輸出一個50位長度的隨機數為例，實際上，這個演算法首先會給出一個指定了這50位數所有可能的輸出組合的機率分佈，然後隨機輸出一個二進位制數。
我希望這是量子計算機上的第一個應用。——John Martinis，谷歌量子計算專案主管
對於一臺傳統計算機來說，隨著輸出位數的增加，計算複雜度會指數快的增加。但是對於一臺量子計算機而言，無論是 5 位還是 50 位隨機數的生成都一樣直接。
量子計算機從所有的量子位元（qubits）的某個特定狀態開始運算（比如，初始態為 0）。就像傳統計算機使用邏輯電路操縱位元一樣，量子計算機使用量子等價物（量子門）操縱量子位元。
但是有所區別的是，量子門可以把量子位元置於奇怪的狀態。比如，有一種門可以把始態為 0 的量子位元置入 0、1 疊加的狀態中。這時如果你去測量這個量子位元的狀態，它就會以相等的機率隨機的塌縮至 0 或 1 狀態。
更令人驚奇的是，同時作用於兩個或多個量子位元的量子門會導致這兩個量子位元發生糾纏。在這種情形下，量子位元的狀態的測量結果就會出現統計關聯。這時候，量子位元的狀態就只能用量子狀態來描述了。
如果把眾多量子門連線在一起，讓它們以特定的順序作用於一組量子位元，就建立了一組量子電路。以我們上面提過的例子來