隨著生成式AI模型對算力需求的指數(shù)級增長，在數(shù)字化轉(zhuǎn)型的深水區(qū)，算力已成為企業(yè)核心競爭力的底層支撐。以CPU、GPU為核心的經(jīng)典計算架構(gòu)，經(jīng)典計算架構(gòu)的物理極限逐漸顯現(xiàn)。當前，企業(yè)級算力底座正遭遇高性能計算（HPC）能耗激增、算力增長瓶頸的雙重桎梏。
與此同時，量子計算正從一個高度專業(yè)化的研究領(lǐng)域，迅猛發(fā)展為可能重塑未來算力格局的戰(zhàn)略性技術(shù)。兩者之間的交叉融合——“AI for Quantum”與“Quantum for AI”——正成為學界與產(chǎn)業(yè)界共同探索的前沿方向。
在此背景下，量子計算與企業(yè)級AI的深度融合，不再是實驗室中的理論推演，而是成為重構(gòu)產(chǎn)業(yè)規(guī)則、催生萬億級市場的核心力量。這種加速迭代的趨勢，正在推動全球產(chǎn)業(yè)進入“量子增強智能”的新紀元。
數(shù)年前，當英偉達創(chuàng)始人兼CEO黃仁勛在一次采訪中簡要談及對量子計算的看法時，其言論竟在次日導致美國所有量子計算上市公司的總市值蒸發(fā)約60%。這個常被引述的軼事，深刻反映了資本市場對新興技術(shù)的敏感，以及當時量子計算與以GPU為代表的AI算力之間若即若離、甚至被部分視為競爭的關(guān)系。然而，時間快進至當下，故事的腳本已然翻新。在近期的英偉達GTC大會上，黃仁勛親自發(fā)布了“CUDA Quantum”和“NVLink for Quantum”兩款產(chǎn)品，其核心目標直指“如何將AI數(shù)據(jù)中心與量子計算連接起來”。
從“沖擊者”到“連接者”，角色的轉(zhuǎn)變揭示了一個根本性的共識：人工智能的下一波浪潮，或許不再僅僅依賴于經(jīng)典計算單元（CPU/GPU）的堆疊與工藝微縮，而可能依賴于一種全新的計算范式——量子計算。正如中國科學技術(shù)大學教授、“祖沖之號”量子計算總師朱曉波所言——量子計算有可能為人類提供一種硅基半導體無法提供的算力。而在他看來，人腦的工作模式本身就具有量子特性，“量子計算是人類通向AGI的必要條件之一。”朱曉波斷言。尤其在處理人工智能、生物制藥、密碼分析等領(lǐng)域的特定復雜問題時，量子計算有望帶來指數(shù)級的加速能力。
當前，以大語言模型（LLM）為代表的AI發(fā)展，其核心驅(qū)動力之一被認為是“縮放定律”（Scaling Law）——即模型性能隨著參數(shù)量、訓練數(shù)據(jù)量和計算量的增加而可預測地提升，也就是所謂的“大力出奇跡”。然而，這個“力”的供給正面臨經(jīng)典物理的嚴峻挑戰(zhàn)。根據(jù)國際半導體技術(shù)路線圖（ITRS）的過往預測以及產(chǎn)業(yè)現(xiàn)實，傳統(tǒng)硅基CMOS晶體管的微縮已逼近物理極限，功耗墻、存儲墻、可靠性等問題的制約日益凸顯。盡管先進封裝、Chiplet、存算一體等技術(shù)創(chuàng)新仍在持續(xù)推動算力增長，但其本質(zhì)仍是經(jīng)典框架內(nèi)的漸進式改良。
朱曉波指出：“當我們用算力去解決問題時，如果算力只是線性或多項式級增長，而問題的難度卻是指數(shù)級增加的，那么前者永遠追不上后者。”AI未來若要邁向更高級的通用人工智能（AGI），所需處理的復雜性問題（如全尺度物理世界模擬、高維組合優(yōu)化、復雜因果推理）的難度很可能是指數(shù)增長的。經(jīng)典算力的線性增長模式將難以為繼。
量子計算的潛力在于，其算力的增長在理想情況下可與量子比特數(shù)量呈指數(shù)關(guān)聯(lián)。例如，在量子機器學習（QML）的一些理論模型中，利用量子特征映射和量子內(nèi)核，有可能更快地處理高維數(shù)據(jù)或發(fā)現(xiàn)經(jīng)典機器學習難以識別的數(shù)據(jù)模式。盡管通用量子機器學習仍處于早期研究階段，但一些特定應用已展現(xiàn)出前景。例如，在藥物發(fā)現(xiàn)和材料設計中，量子計算可用于更精確地模擬分子間的相互作用（求解電子結(jié)構(gòu)的薛定諤方程），這本身就是一項對經(jīng)典計算機而言計算量隨原子數(shù)指數(shù)增長的任務。這類模擬的突破，可以直接賦能AI制藥和AI材料科學，提供更高質(zhì)量的訓練數(shù)據(jù)或更精確的物理模型。
另一方面，量子計算與AI的融合不是單方面的。AI也可以為量子計算的發(fā)展提供技術(shù)支持。
研制量子計算機本身，尤其是當前主流的含噪聲中等規(guī)模量子（NISQ）設備，極度需要先進的計算工具，而AI正是關(guān)鍵之一。量子系統(tǒng)極其脆弱，極易受到環(huán)境噪聲的干擾。
為了進行有效的量子計算，尤其是實現(xiàn)容錯量子計算，量子糾錯（QEC）是必不可少的核心技術(shù)。量子糾錯要求持續(xù)監(jiān)測量子比特的狀態(tài)（通過輔助比特進行“綜合征”測量），并實時解碼這些測量結(jié)果以推斷錯誤發(fā)生的位置和類型，從而進行糾正。這個解碼過程本身就是一個復雜的、對實時性要求極高的計算問題。
2023年，谷歌研究團隊在《自然》雜志上發(fā)表論文，詳細介紹了他們?nèi)绾卫蒙疃壬窠?jīng)網(wǎng)絡（一種AI方法）來優(yōu)化其超導量子處理器上的表面碼糾錯解碼器。與傳統(tǒng)算法相比，AI解碼器能在更短時間內(nèi)獲得更高精度的解碼結(jié)果，從而提高了糾錯的效率和容錯閾值。這正是在量子計算硬件研制中，“AI for Quantum”的一個典型范例。
此外，AI還被用于優(yōu)化量子比特的控制脈沖、校準復雜的量子門操作、以及從噪聲數(shù)據(jù)中提取更純凈的量子信號等。正如朱曉波所言——也許造一臺量子計算機，最終需要另一臺量子計算機提供的算力，而這整個過程都離不開人工智能。
量子計算與AI的融合在產(chǎn)業(yè)層面也已開始。英偉達推出的“CUDA Quantum”是一個開源的混合編程模型，允許開發(fā)者在同一程序中編寫經(jīng)典CPU、GPU和量子處理單元（QPU）的代碼。這為算法研究者探索混合量子-經(jīng)典算法（如變分量子算法VQE、量子近似優(yōu)化算法QAOA）提供了統(tǒng)一的工具鏈，而這些算法被認為是NISQ時代最有希望展示實用價值的途徑。IBM、谷歌、亞馬遜（通過Braket服務）、微軟（Azure Quantum）等云服務商也紛紛提供了量子計算與經(jīng)典AI/云計算資源的集成訪問。
盡管前景誘人，但通向?qū)嵱没孔佑嬎愕牡缆凡紳M荊棘。當前，量子計算尚未像經(jīng)典計算機那樣收斂于單一技術(shù)路徑，多種物理體系在并行發(fā)展，各有優(yōu)劣。對此，香港城市大學講席教授、量子科學家區(qū)澤宇指出，“我們還沒有找到一個像經(jīng)典計算機那樣‘歸一’的、絕對主導的平臺。”在這場競賽中，超導和硅基（CMOS）路線目前備受關(guān)注，而光量子等路線則面臨著獨特的物理挑戰(zhàn)。
技術(shù)路線的多元化迭代，為企業(yè)級融合應用提供了差異化選擇空間。超導量子計算是目前業(yè)內(nèi)比較常見，技術(shù)成熟度也最高的一種方面。其利用在極低溫下（通常在10毫開爾文左右，接近絕對零度）呈現(xiàn)零電阻特性的超導電路來構(gòu)造人工原子。
2025年12月，中國超導量子處理器“祖沖之3.2號”實現(xiàn)了“低于閾值、越糾越對”的核心目標，荷蘭Quantware發(fā)布的VIO-40K架構(gòu)成功突破萬級比特門檻，為企業(yè)級應用提供了硬件基礎。IBM推出的Qiskit Runtime框架，支持PyTorch/TensorFlow量子擴展，已服務全球超過120家金融服務機構(gòu)，其基于超導量子比特開發(fā)的腫瘤邊緣檢測算法，在北美完成臨床驗證，對比傳統(tǒng)GPU集群節(jié)省了72%的初診時間.......
多個案例已經(jīng)證實了超導很有可能是量子計算的“未來”。談及量子計算未來的技術(shù)路線，神州數(shù)碼聯(lián)席董事長兼CEO王冰峰認為，超導是目前最受矚目，也最樂觀的路線，但同時也可能是“過度樂觀”的，“量子計算技術(shù)尚未收斂，超導路線雖備受矚目且進展顯著，但仍面臨工程化、cooling系統(tǒng)，布線、qubits的壽命，噪音，I/O 瓶頸等相關(guān)挑戰(zhàn)”王冰峰強調(diào)。
這恰恰點出了其核心矛盾：前景廣闊，但工程難度極高。朱曉波教授將之比作攀登“珠穆朗瑪峰”，而非無法突破的“天花板”。
單就超導技術(shù)發(fā)展來看，目前還存在三個挑戰(zhàn)。
除了超導技術(shù)之外，硅基（CMOS）路線依托成熟產(chǎn)業(yè)基礎成為了量子計算的“潛力股”。硅基量子計算，特別是利用硅中摻雜磷原子或硅-28同位素中的量子點來定義量子比特，其最大優(yōu)勢在于與全球萬億美元規(guī)模的半導體產(chǎn)業(yè)生態(tài)高度兼容。而英特爾則是這一路線的堅定推動者。
相較于超導的技術(shù)路徑，硅基路線的潛在優(yōu)勢有三點。
首先是制造可擴展性：理論上可以直接利用或略微改造現(xiàn)有的CMOS生產(chǎn)線進行大規(guī)模制造，這是其他路線難以比擬的成本和規(guī)模優(yōu)勢。其次是量子比特穩(wěn)定性，硅中的自旋量子比特相干時間相對較長；第三是硅基路線更容易設想將量子比特與控制電子學（CMOS電路）單片集成，從而簡化系統(tǒng)復雜度。“于半導體產(chǎn)業(yè)積累的硅基CMOS等技術(shù)，由于對現(xiàn)有半導體產(chǎn)業(yè)已有積累的利用，可能具備被低估的規(guī)?；瘽摿?。”王冰峰指出。
然而，王冰峰提到其關(guān)鍵瓶頸在于“柵極保真度”。操控硅自旋量子比特通常依賴精密的微波或電脈沖，其操控速度相對超導較慢（微秒量級），且實現(xiàn)高保真度的雙量子比特門尤為困難。目前業(yè)界領(lǐng)先水平正在向錯誤率百分之一努力，與超導路線的千分之一仍有差距。
從推動新技術(shù)商業(yè)化落地發(fā)展的視角出發(fā)，王冰峰認為，應該突破“建造通用量子計算機- Quantum Computer”的固有框架，轉(zhuǎn)向關(guān)注“Quantum Computing 來解決何種實際問題”，尤其現(xiàn)在加速計算和量子計算的Hybird也將加速整體計算能力的發(fā)展。“或許通用的、容錯的量子計算機仍需要較長時間的技術(shù)驗證和突破，但在不斷探索的過程中，我們將發(fā)現(xiàn)更多未知方向和可能。”王冰峰如是說。
無論哪條路線，一個核心共識是：容錯量子計算是最終目標，而量子糾錯是實現(xiàn)容錯的必經(jīng)之路。 目前，表面碼是被研究最廣泛的一種糾錯方案，但它需要大量的物理量子比特來編碼一個邏輯量子比特。因此，短期內(nèi)突破千個、乃至百萬個高性能物理量子比特的集成和控制，是各技術(shù)路線的共同競賽焦點。
在王冰峰看來，量子計算在近期就有望在特定領(lǐng)域提供幫助。而這些應用中，走在最前面的就是量子化學與材料模擬。這是目前業(yè)內(nèi)公認的“殺手級應用”候選。精確計算分子結(jié)構(gòu)、反應路徑、材料屬性等，對藥物研發(fā)（靶點篩選、藥物設計）、新能源材料（催化劑、電池材料）、化工行業(yè)具有革命性意義。例如，2022年，IBM與化學公司合作，使用量子計算機模擬了氫化鋰（LiH）等小分子的基態(tài)能量。雖然規(guī)模尚小，但驗證了路徑的可行性。波士頓咨詢集團報告預測，量子計算可能在2030年代中期為化學和材料行業(yè)創(chuàng)造高達200-500億美元的價值。
除此之外，在短期內(nèi)，量子計算還在組合優(yōu)化、量子機器學習增強、量子傳感與計量等方面已經(jīng)有諸如應用案例落地。而從長遠角度上看，量子計算還能在密碼學、人工智能、基礎科學發(fā)現(xiàn)等方面做出貢獻。
這些應用并非需要等待“完美”的通用量子計算機才能落地，而是隨著量子比特數(shù)量和質(zhì)量的穩(wěn)步提升，通過混合量子-經(jīng)典算法，逐步顯示出其價值。王冰峰提到，業(yè)內(nèi)有一種預測，到2030年左右，可實用的容錯量子計算技術(shù)有望出現(xiàn)。 這里的“實用”可能首先體現(xiàn)在針對上述某一類問題的專用量子處理器或量子-經(jīng)典混合系統(tǒng)上。
展望未來，王冰峰認為，量子計算是長周期、高投入的硬科技賽道，需要耐心資本。其投資不應僅局限于硬件公司，還應關(guān)注軟件算法、量子云服務、糾錯技術(shù)、專用軟件開發(fā)工具、以及后量子密碼安全等更廣泛的生態(tài)系統(tǒng)環(huán)節(jié)。評估技術(shù)路線時，需深入理解其物理原理、工程瓶頸和團隊的執(zhí)行力，警惕過度炒作的概念。投資應伴隨技術(shù)成熟度的曲線，從支持基礎研發(fā)，到推動特定應用驗證，再到規(guī)模化商業(yè)落地。（本文作者｜張申宇，編輯丨蓋虹達）
快報
根據(jù)《網(wǎng)絡安全法》實名制要求，請綁定手機號后發(fā)表評論