該圖片疑似ai生成
隨著生成式ai模型對算力需求的指數級增長，在數字化轉型的深水區，算力已成為企業核心競爭力的底層支撐。以cpu、gpu為核心的經典計算架構，經典計算架構的物理極限逐漸顯現。當前，企業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化的研究領域，迅猛發展為可能重塑未來算力格局的戰略性技術。兩者之間的交叉融合——「ai for quantum」與「quantum for ai」——正成為學界與產業界共同探索的前沿方向。
在此背景下，量子計算與企業級ai的深度融合，不再是實驗室中的理論推演，而是成為重構產業規則、催生萬億級市場的核心力量。這種加速迭代的趨勢，正在推動全球產業進入「量子增強智能」的新紀元。
量子技術重構算力新範式
數年前，當英偉達創始人兼ceo黃仁勛在一次採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係。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，黃仁勛親自發布了「cuda quantum」和「nvlink for quantum」兩款產品，其核心目標直指「如何將ai數據中心與量子計算連接起來」。
從「衝擊者」到「連接者」，角色的轉變揭示了一個根本性的共識：人工智慧的下一波浪潮，或許不再僅僅依賴於經典計算單元（cpu/gpu）的堆疊與工藝微縮，而可能依賴於一種全新的計算範式——量子計算。正如中國科學技術大學教授、「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。尤其在處理人工智慧、生物製藥、密碼分析等領域的特定複雜問題時，量子計算有望帶來指數級的加速能力。
當前，以大語言模型（llm）為代表的ai發展，其核心驅動力之一被認為是「縮放定律」（scaling law）——即模型性能隨著參數量、訓練數據量和計算量的增加而可預測地提升，也就是所謂的「大力出奇蹟」。然而，這個「力」的供給正面臨經典物理的嚴峻挑戰。根據國際半導體技術路線圖（itrs）的過往預測以及產業現實，傳統硅基cmos晶體管的微縮已逼近物理極限，功耗牆、存儲牆、可靠性等問題的制約日益凸顯。儘管先進封裝、chiplet、存算一體等技術創新仍在持續推動算力增長，但其本質仍是經典框架內的漸進式改良。
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級增加的，那麼前者永遠追不上後者。」ai未來若要邁向更高級的通用人工智慧（agi），所需處理的複雜性問題（如全尺度物理世界模擬、高維組合優化、複雜因果推理）的難度很可能是指數增長的。經典算力的線性增長模式將難以為繼。
量子計算的潛力在於，其算力的增長在理想情況下可與量子比特數量呈指數關聯。例如，在量子機器學習（qml）的一些理論模型中，利用量子特徵映射和量子內核，有可能更快地處理高維數據或發現經典機器學習難以識別的數據模式。儘管通用量子機器學習仍處於早期研究階段，但一些特定應用已展現出前景。例如，在藥物發現和材料設計中，量子計算可用於更精確地模擬分子間的相互作用（求解電子結構的薛定諤方程），這本身就是一項對經典計算機而言計算量隨原子數指數增長的任務。這類模擬的突破，可以直接賦能ai製藥和ai材料科學，提供更高質量的訓練數據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展提供技術支持。
研製量子計算機本身，尤其是當前主流的含雜訊中等規模量子（nisq）設備，極度需要先進的計算工具，而ai正是關鍵之一。量子系統極其脆弱，極易受到環境雜訊的干擾。
為了進行有效的量子計算，尤其是實現容錯量子計算，量子糾錯（qec）是必不可少的核心技術。量子糾錯要求持續監測量子比特的狀態（通過輔助比特進行「綜合征」測量），並實時解碼這些測量結果以推斷錯誤發生的位置和類型，從而進行糾正。這個解碼過程本身就是一個複雜的、對實時性要求極高的計算問題。
2023年，谷歌研究團隊在《自然》雜誌上發表論文，詳細介紹了他們如何利用深度神經網路（一種ai方法）來優化其超導量子處理器上的表面碼糾錯解碼器。與傳統演算法相比，ai解碼器能在更短時間內獲得更高精度的解碼結果，從而提高了糾錯的效率和容錯閾值。這正是在量子計算硬體研製中，「ai for quantum」的一個典型範例。
此外，ai還被用於優化量子比特的控制脈衝、校準複雜的量子門操作、以及從雜訊數據中提取更純凈的量子信號等。正如朱曉波所言——也許造一台量子計算機，最終需要另一台量子計算機提供的算力，而這整個過程都離不開人工智慧。
量子計算與ai的融合在產業層面也已開始。英偉達推出的「cuda quantum」是一個開源的混合編程模型，允許開發者在同一程序中編寫經典cpu、gpu和量子處理單元（qpu）的代碼。這為演算法研究者探索混合量子-經典演算法（如變分量子演算法vqe、量子近似優化演算法qaoa）提供了統一的工具鏈，而這些演算法被認為是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）等雲服務商也紛紛提供了量子計算與經典ai/雲計算資源的集成訪問。
多條技術路線齊頭並進
儘管前景誘人，但通向實用化量子計算的道路布滿荊棘。當前，量子計算尚未像經典計算機那樣收斂於單一技術路徑，多種物理體系在並行發展，各有優劣。對此，香港城市大學講席教授、量子科學家區澤宇指出，「我們還沒有找到一個像經典計算機那樣『歸一』的、絕對主導的平台。」在這場競賽中，超導和硅基（cmos）路線目前備受關注，而光量子等路線則面臨著獨特的物理挑戰。
技術路線的多元化迭代，為企業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內比較常見，技術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）呈現零電阻特性的超導電路來構造人工原子。
2025年12月，中國超導量子處理器「祖沖之3.2號」實現了「低於閾值、越糾越對」的核心目標，荷蘭quantware發布的vio-40k架構成功突破萬級比特門檻，為企業級應用提供了硬體基礎。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，其基於超導量子比特開發的腫瘤邊緣檢測演算法，在北美完成臨床驗證，對比傳統gpu集群節省了72%的初診時間.......
多個案例已經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路線，神州數碼聯席董事長兼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，布線、qubits的壽命，噪音，i/o 瓶頸等相關挑戰」王冰峰強調。
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」。
單就超導技術發展來看，目前還存在三個挑戰。
- 首先是極低溫環境。維持毫開爾文級的極端低溫需要複雜、昂貴且能耗巨大的稀釋制冷機系統。這不僅限制了部署場景，也為大規模擴展帶來了散熱和控制的難題。
- 其次是量子比特性能（錯誤率）。當前最好的超導量子比特，單次量子門操作的錯誤率大約在千分之一（10^-3）量級。朱曉波教授指出，要實現有實用價值的容錯量子計算，邏輯量子比特的錯誤率需要至少降低到百億分之一（10^-11）甚至更低。這是多個數量級的差距。錯誤來源包括能量弛豫（t1）、退相位（t2）、門操作誤差、讀取誤差等。
- 第三是布線、串擾與集成挑戰。隨著晶元上量子比特數量增至數百甚至上千，如何為每個比特引入獨立的控制線和讀取線，同時避免它們之間的電磁串擾，成為一個巨大的工程瓶頸。二維平面布線已近極限，向三維集成發展是趨勢之一。
除了超導技術之外，硅基（cmos）路線依託成熟產業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，其最大優勢在於與全球萬億美元規模的半導體產業生態高度兼容。而英特爾則是這一路線的堅定推動者。
相較於超導的技術路徑，硅基路線的潛在優勢有三點。
首先是製造可擴展性：理論上可以直接利用或略微改造現有的cmos生產線進行大規模製造，這是其他路線難以比擬的成本和規模優勢。其次是量子比特穩定性，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，從而簡化系統複雜度。「於半導體產業積累的硅基cmos等技術，由於對現有半導體產業已有積累的利用，可能具備被低估的規模化潛力。」王冰峰指出。
然而，王冰峰提到其關鍵瓶頸在於「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衝，其操控速度相對超導較慢（微秒量級），且實現高保真度的雙量子比特門尤為困難。目前業界領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。
從推動新技術商業化落地發展的視角出發，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，轉向關注「quantum computing 來解決何種實際問題」，尤其現在加速計算和量子計算的hybird也將加速整體計算能力的發展。「或許通用的、容錯的量子計算機仍需要較長時間的技術驗證和突破，但在不斷探索的過程中，我們將發現更多未知方向和可能。」王冰峰如是說。
構建未來新圖景
無論哪條路線，一個核心共識是：容錯量子計算是最終目標，而量子糾錯是實現容錯的必經之路。 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。這是目前業內公認的「殺手級應用」候選。精確計算分子結構、反應路徑、材料屬性等，對藥物研發（靶點篩選、藥物設計）、新能源材料（催化劑、電池材料）、化工行業具有革命性意義。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）等小分子的基態能量。雖然規模尚小，但驗證了路徑的可行性。波士頓諮詢集團報告預測，量子計算可能在2030年代中期為化學和材料行業創造高達200-500億美元的價值。
除此之外，在短期內，量子計算還在組合優化、量子機器學習增強、量子感測與計量等方面已經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、人工智慧、基礎科學發現等方面做出貢獻。
這些應用並非需要等待「完美」的通用量子計算機才能落地，而是隨著量子比特數量和質量的穩步提升，通過混合量子-經典演算法，逐步顯示出其價值。王冰峰提到，業內有一種預測，到2030年左右，可實用的容錯量子計算技術有望出現。 這裡的「實用」可能首先體現在針對上述某一類問題的專用量子處理器或量子-經典混合系統上。
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。其投資不應僅局限於硬體公司，還應關注軟體演算法、量子云服務、糾錯技術、專用軟體開發工具、以及後量子密碼安全等更廣泛的生態系統環節。評估技術路線時，需深入理解其物理原理、工程瓶頸和團隊的執行力，警惕過度炒作的概念。投資應伴隨技術成熟度的曲線，從支持基礎研發，到推動特定應用驗證，再到規模化商業落地。（本文作者｜張申宇，編輯丨蓋虹達）
更多精彩內容，關注鈦媒體微信號（id：taimeiti），或者下載鈦媒體app
