ARTICLE · 1244906
量子计算融资:三个被误解和二个说明
量子计算融资:三个被误解和二个说明有人形容量子计算的融资是“烈火烹油”。这里面热闹的不止是钱，还有各种似是而非的认知。大家判断这个赛道的尺子，大多是从半导体或者从AI 大模型借来的。以下是笔者观察的几个现象。 量子计算今天的状态，更像2018-2019 年的大语言模型：GPT1、GPT2 已经证明transformer方向成立，但没人能精确预判ChatGPT3什么时候出现。这个阶段，更加考验的是在目标明确的情况下，高密度科技人才的管理，工程体系的攻坚能力。 如果从终局看，现在，量子企业是一岁小孩和三岁小孩的区别。 很多机构看量子团队的习惯：先看出自哪个院士体系、有没有Nature/Science 正刊、手里有没有“黑科技”。这套评价标准适合 2015 年以前的量子计算，那时候核心问题是“纠错到底能不能成立”。今天这个问题已经被四条路线分别用实验回答了。 Google Willow（超导）：2024年首次证明逻辑错误率随码距增加而指数下降，即低于阈值；前两天，在 Science 发表魔态量子，是迈向真正实用量子计算的关键技术之一。 Quantinuum Helios（离子阱）：10月公布逻辑保真度 99.9995%，即每百万次操作5个错误；码距每增加一级，逻辑错误下降 12 倍（Quantinuum IR）。 QuEra（中性原子）：2026年1月 Nature 论文用 [[16,6,4]] 高码率编码实现 96 个逻辑比特（Entangled Future）。 剩下的问题是：比特数怎么从几百扩到几十万，良率怎么提，控制电子学、低温、激光、测控软件怎么做成可复制的系统。 甚至，和火热的具身智能、世界模型相比，量子计算有一个结构性优势：目标是确定的。硬件达成什么条件，就可以解决什么问题！ 具身智能和世界模型今天还有科学问题没有答案：机器人的通用策略能不能像语言模型一样靠数据规模涌现？世界模型到底需要什么样的表征？ 量子计算不一样：Shor 算法、量子相位估计、哈密顿量模拟这些算法 20-30 年前就被数学证明了指数级加速成立，纠错的阈值定理也是定理。剩下就是把机器造出来。 这句是AI的总结：量子计算是“时间风险+ 路线风险”，而不是科学风险。时间风险可以用分期投入来管理，路线风险可以用组合来分散，科学风险则没有对冲手段。 对于投资，很真正的问题是：在通用容错所需的几十万到百万物理比特到来之前，能不能拿出一个GPT3时刻，即一个可能不是工业级，但是科学界公认的“经典不可解+现实相关性+可验证性”的成果，谁就能拿到未来的入场券。 中性原子的优点是真实的：比特数容易上万，室温运行，相干时间以秒计，任意两比特可以连接，适合高码率纠错码。Google 2026 年 3 月也宣布启动中性原子项目。 但有一个物理特性是绕不过去的：时间。Google Quantum AI 负责人 Hartmut Neven 自己的表述是，超导比特每个门与测量周期约 1 微秒，中性原子在毫秒量级，慢1000倍。 中性原子的拥护者会说可以用更多比特换时间，这在物理上成立，但在商业上要回到：针对一个具体的目标算法（比如一个2000 逻辑比特、10^10 Toffoli门的化学模拟）：这条路线跑完要几天、机器成本多少、能复用几次。 在DARPA 的量子基准计划中，QBI 负责人 Micah Stoutimore 的原话是：我们越来越相信 2033 年前会有人造出来，但不知道是哪支队伍、哪条路线。量子计算现在至少有五条主流路线并行，而且没有一条被淘汰出局。 翻译成投资语言就是：谁先跑出阶段性应用，很大程度上取决于哪条路线上出现一个类似马斯克的人物，用极端的工程执行力把一条路线做到可用。 承认一件事，绝大多数人听不懂量子计算的技术细节，这完全正常。太多反直觉和抽象数理知识；毕竟清华的天才，deepmind研究员，做过量子力学的姚顺宇说“做AI不用脑子，不像量子”。因为微观世界和宏观世界运营的法则完全不一样。 对量子计算来说，“看人”应该更重要。人是否足够聪明、是否有极强的执行力、是否能在路线错了的时候快速调头。具体内容可以更明确一点： 很多量子计算的BP都会列出金融风控、组合优化、天气预报、物流调度、药物发现等。 这些故事的共同特征是：大多依赖 Grover 类算法的二次加速（把 N 步变成根号N步），而不是指数加速。另一个被忽略的坑是I/O：金融和物流问题需要把大量经典数据读进量子机器，而数据加载本身就会吃掉指数加速。 所以，GPU可以算的问题，就多加几块GPU去算。又回到前面提到的，量子计算的应用，应该符合，经典不可解*现实相关性*可验证性。 真正适合量子计算的，除了破解RSA等主流公钥加密算法，就是本征强关联、多体仿真问题。强关联问题，占了可能存在的材料、催化剂的99%空间，是量子计算的领域。我们现在 一句话，量子计算把材料科学由现在的炼金术，发展为数据驱动的高通量计算的科学。 
今天的材料学和催化化学，本质上还是靠经验、靠试错、靠高通量实验筛。原因是薛定谔方程对任何有几十个电子强关联的体系都算不动，经典计算机只能用近似方法（DFT 等），而近似方法在最有价值的体系上恰恰最不准：过渡金属催化剂、高温超导体、电池电解液、固氮酶。 前提是10万比特，并且算的速度足够快！量子计算在这件事上的资源需求已经被反复测算，而且数字在快速下降。 也就是说，第一批“设计出不存在的材料”的工作，大概率发生在 2030—2035年之间，用的是几千逻辑比特、运行几天的机器。 压缩成一句话：量子计算的科学风险已经基本出清，剩下的是路线风险和时间风险，前者用组合对冲，后者用分期投入；钱应该花在可验证的工程卡点上，近期价值看科学研究，终局是材料学的范式转换。 用半导体的尺子会觉得晚了，用大模型的尺子会觉得该All in。更合适的问题是：这支团队能不能在未来三年用5-10亿元攻下自己路线上的两三个卡点，并且拿出一个物理学家认可的结果。 风险提示：本文仅为个人观察，不构成投资建议本文AI含量30%，主要用于辅助资料支撑。
一、用半导体的时钟看量子？
做半导体投资的人有一个肌肉认知：晚入场一年就是晚了，其他家规模上来，形成了效率、产能、生态，后来者很难赶上。因为半导体的技术路线早已收敛（CMOS、FinFET、EUV）。
但这把尺子拿到量子计算上是错的。量子计算，现在不是“晚了一年”，而是GPT1/GPT2时刻。
二、量子计算不确定性很大？
其实，量子计算的科学问题基本解决了，剩下的是工程和人才管理。
三、中性原子优势已定？
中性原子很受关注，但最终要看的是“一个算法跑完要多久、花多少钱”。
四、听不懂量子计算很正常
核心团队有没有把一个复杂硬件系统从0 做到可重复交付的经验（不限于量子，商业航天、半导体设备等）。 创始人对自己路线的物理瓶颈是否诚实。能说清楚我们这条路线最大的坑是什么、打算怎么绕的团队。 迭代速度。过去18 个月硬件出了几代、每代解决了什么具体指标。
五、应用在金融、天气、物流？
真正靠谱的近期价值在科学研究
结语
AI参考资料
PitchBook：Q2 2026 Bit by Qubit 全球量子计算融资报告 PitchBook：Inside quantum computing's record-setting investment run（2026-06-26） DARPA：Four more teams enter QBI's final stage（2026-10-07） Quantinuum：99.9995% 逻辑保真度新闻稿（2026-10-19） CACM：Building Qubits from Neutral Atoms（Neven 关于速度差距的表述） arXiv 2510.26078：The Fast for the Curious，容错算法在各路线上的运行时间对比 arXiv 2604.13158：中性原子快速测量协议 Hoefler, Häner, Troyer：Disentangling Hype from Practicality（CACM 2023） Scott Aaronson：Quantum Computing: Between Hope and Hype PostQuantum：Google Quantum Echoes 解读 arXiv 1605.03590：Reiher 等，FeMoco 资源估算 PostQuantum：量子化学资源估算汇总 Sacra：PsiQuantum 估值与融资 Startup Daily：PsiQuantum 布里斯班项目进度 36氪：量子「大月」降临，本源量子 Pre-IPO 投资界：10000 家芯片公司「死于」2023
