导语：AI 正在重塑软件的生产力，量子计算也试图突破经典计算的能力边界，当这两条技术路线开始交汇的时候，面对的问题是未来的计算系统会如何组织？

带着这样的时代之问，在近期举办的 DeeCamp 圆桌论坛上，几位活跃在量子与AI交叉领域的顶尖学者与产业领军者，为我们带来了一场精彩的思想碰撞。本期 Z-Frontier 特别整理了这场分享的精华内容，试图从他们的前沿视角中，一窥未来计算范式的演进逻辑：

嘉宾分享：

罗迪：清华大学物理系副教授MIT、哈佛大学博士后UCLA前助理教授

刘弘斌：太一量生创始人、董事长兼CTO微软首席量子架构师

胡晓晓：量观知元创始人、CEO清华大学本博

在随后的圆桌对话环节中，嘉宾们直击行业核心，围绕“AI与量子的融合边界”、“产业落地的真实进度”等议题展开了深度交锋。以下为本次圆桌讨论的精华实录：

问题01 

AI x 量子，新工具or新范式？

Q：AI 与量子的结合，真正值得期待的是一种新工具，还是会形成一种新的科学发展范式？这种变化会如何传导到硬件和产业上？

A：嘉宾1：

AI量子是工具还是新的计算哲学或者新的范式，我个人理解可能分阶段来看：在未来 5 年到10 年，在量子计算机逐渐趋于成熟、迈向通用量子计算的过程当中，量子计算本身可能还是一个工具。但到量子计算成熟之后，带来的可能是颠覆性的范式变化，所以其实并不是一个“或”的关系。

现在这个阶段，在科学研究过程中量子计算能提供一个更精准的计算工具或者对复杂问题求解的求解器，对于特定的一些问题有很好的加速，这可能还是在工具的范畴。当量子计算真正实现数千个逻辑比特、错误率达到非常低的水准并且工程化程度特别高的时候，它会带来一个范式的变革。

我个人理解主要的变革在两个方面：

一方面，目前对于整个世界的认知都是基于假设，实验系统的验证和计算都是在经典的范畴之内。有了量子计算，在提出假设和通过假设推演实证结果的时候，我们可以采用的方式就发生了根本性的变化。费曼说我们的世界其实是量子的，那么去认知世界的方法和模式其实也应该是量子的。

举一个最简单的例子，计算蛋白质结构的时候，经典计算能算到特定的精度就再算不下去了，算力不再够了；但是量子计算能够算一个极大的体系，到一定阶段也能算到特别高的精度，我们对世界的认知和理解就能达到前所未有的程度。在这样的新范式之下，我们的学习发现、对于世界的理解，会达到一个更新、更高的高度。

第二个方面，原来的科学发展和认知范式的历程和发展是线性的，从提出问题到验证假设。有了量子+AI 之后，整个范式可能形成一个闭环，从问题的提出、到量子科学的计算，可以真正把这个世界所有的细节都模拟到非常精确的程度，形成一个自闭环。那么你的假设可以得到直接的验证，可以很快地去迭代科学发现的过程，这个是我的理解。

最后，随着工具能力的提升和范式逐渐出现新的变革，对于硬件本身的要求也逐渐提升。我们对硬件的期待不仅只是在实验室里面运行一两个单次的实验，而是它能够可重复的、长期稳定的来输出结果。这样才能让量子计算和人工智能在我们讲到的闭环当中，去形成一个 close loop（闭环），不断地迭代。

A：嘉宾2：

我可能更加激进一点，我认为它是一个新工具，我不认为它会是一个新的计算范式。当然这当中可能有一点 loose end（未解之谜）。

主要原因是，量子和 AI 的结合其实是双向的，既有 AI for quantum，也有 quantum for AI。 AI for quantum ，其实这个范式并不罕见，在我们经历的大多数智能制造行业，都可以看到这个范式——用 AI 的方法来提升硬件的性能。今天我们很多自动化的工厂背后运行着很多 AI 的算法，从贝叶斯到现在 VLA 的这些算法——在量子计算也是一样的，我们可以通过类似的AI 算法去对硬件做加速，对硬件做性能的提升，让硬件本身在性能没有达到一定指标下，超额地去兑现它的一些能力或者价值。但我不认为这是一个新的范式，因为在过去的很多年，在智能制造等一系列方面我都见过这样的事情出现。

至于说 Quantum for AI，其实是量子试图在解一个更复杂的方程、更复杂的问题，它试图为这些复杂的问题提供一个精确解。在没有量子的情况下，我们依然在求解这些复杂的问题，对它做一个近似解，我们今天用很多这样的近似解去训练我们的 AI 模型、去做科学发现。量子的出现只是让我们数据的精度更加提高，所以我本身认为在范式这件事情上，它对于今天的智能制造场景或者 AI for science 场景，没有出现一个根本性的突破，这是我会把它认为是新工具的一个原因，我不认为是新范式。

但是一开始提到，我认为这件事情有一个 loose end，是基于一些非常新的工作：比如 quantum oracle scaling 这样的理论，能不能把量子高维空间的信息往经典空间做线性的映射？我认为在理论上还没有被完全证实，如果这一套理论能够真的被证实，尤其是在往后的一些观测的角度去证明它真的是线性或者是非指数性的话，那我认为它可能会是一个范式的变革。因为这是把高维的复杂空间和有限的经典空间去做线性或者非指数性的映射。

问题02

从多维度评价当前量子计算机的进展？

Q：除了量子比特数的数目、保真度，我们还应该看看哪些更长期、更本质的应用？请从科研界、产业界和资本界的维度来评价当前量子计算机的进展：

A：嘉宾1

这个问题很有价值。现在大家对于量子计算可能有两个极端：一是觉得量子计算特好，马上就能颠覆世界、改变所有的东西；也有人对量子计算非常悲观，觉得很长时间也实现不了。我觉得去真正客观地看待量子计算发展的阶段需要有一个比较完善的评价体系：我们知道最终的目标在哪，在这个过程当中我们目前站在什么地方，这些很重要。

我一直都把这个事情分为三个部分，一个是科学，一个是工程，还有一个是产业，当然资本可能也是一个维度。

第一，科学维度上，目前量子计算长期来说需要解决的问题，是在一个很大规模的逻辑比特尺度上，能够做到较低的逻辑错误率。当然这个错误率我们要分阶段，目前可能还在 10 的-3次方 ，要有一些价值的应用可能要到 10 的−5次方 、10的−6次方，真正到通用计算大概要 10的−10次方级，这是分阶段的。这是一个重要的评价标准，是否能够在科学上达到用大规模低错误率的逻辑比特去做运算并且实现实时的 real time 纠错，现在 real time 是有很多挑战的。我们还是应该理性看待现在所处的阶段，不可否认整个领域发展很快，可能在未来的 2 ～ 3 年的时间就会有很多突破。

第二，工程维度上，量子计算机不可能永远放在实验室，需要非常苛刻的环境、特别多科研人员、工程师的维护。现在很多机器在 24 小时里面，up time（正常运行时间）可能只有比较短的几个小时，这不是一个可以真正工业化、产业化的机器形态。真正要达到长期稳定运行、不需要苛刻环境、不需要复杂维护的量子计算机，才是评价它的工程成熟度是否达到相应水平的重要标志。

第三，产业维度上，现在已经有一些不同的硬件、不同的技术路线，已经有了一些（量子）计算机可以去 access，而真正的应用能形成超越经典计算机的 advantage（优势），在 practical level（实用层面）上有超越经典的典型应用，并实现产业上、商业上对原来特定应用场景的改变或者赋能，这可能是评价的一个重要指标。

综合这几个维度，每个维度都在以不同的速度往前发展，又相互依赖。

A：嘉宾2：

同意，尤其是工程和产业，这是我们今天在科学考核上没有去纳入的一些指标。量子计算机不可能永远只在实验室，它要产生商业价值，它要能真的去解决问题。

科学上的指标，比如比特数或者保真度，它们也重要，但它们不是 2022 年之后主要的竞争因素。第一，2022 年之后，这些指标在像超导这样的平台上可能也没有什么特别大的进展；第二，如果要去真正解决有用的问题，需要去做纠错、去做逻辑比特。有一些其他的核心指标现在也逐渐浮现，比如实时解码，以及算法和硬件的协同设计，这些都在 2022 年之后变成了一些新的指标。

问题03

AIx量子需要协同解决的大问题是什么？

Q:从交叉研究、硬件、工程产业化这些角度出发，我们从各自关注的领域，提出一个 AI 与量子需要协同解决的大问题，各位会选择什么？

A：嘉宾1

我认为这个大问题应该是，如果我们真的拿到了量子计算机的数据，我们是不是能够确保它可以对AI 产生作用。

很多人认为AI 模型或者 AI for Science 可以沿着这条路发展：有更好的数据就可以提升模型的能力。

但是首先，量子数据和经典的数据可能不一样，量子计算机接受的输入是希尔伯特空间的参量，它的输出可能是一样的 label，但是经典 AI 有没有消化这些量子数据的能力？

另外，我们不可能产生非常多的量子计算机的数据，至少在可见的未来我们量子数据可能是很少的。如果是这样，它是不是可以对 AI 有一个明确的提升？这可能是今天我们在做量子计算机研发时，朝着终极目标努力的过程中，要去验证这个终极目标是不是真的成立的大问题。

A：嘉宾2

从 AI4S的角度，量子数据其实是给模型带来了更多理解世界的维度，从原来经典数据的基础之上，使得模型更加充实，模型的准确度更加提高，AI 模型可以干之前不能干的事。

我个人特别关心的一个问题是：量子计算是否能够改变或者颠覆 AI 本身现有的架构? 我们都知道所谓神经网络、Transformer 现有的 AI 架构不断演进，带来了很多巨大的变革。而量子计算的计算结构和经典是不一样的，数据的输入方式、最终结果获取的方式不一样。

原则上我们说量子计算的计算能力是极强的，算力是有巨大的指数级加速潜能的，那么这个潜能怎么用在人工智能上？现在没有一个准确的答案。量子算力能否真正加速人工智能，可能要回到它是不是能改变现有的人工智能架构上。从目前的经典架构上，不足以让量子计算去颠覆现有的训练推理速度。那么是否有一个新的量子人工智能本身的架构，可以使得量子计算发挥它全部的能力，让大模型本身能够做到更大的尺度，更强的能力？我想这是大家长期需要去探究的一个问题。

A：嘉宾3

我们是不做硬件的团队，现有量子计算的研究还是需要依赖于专家的介入。我们想的是量子计算能不能在每一个界面把所有的 interface 设计成 AI for AI 的架构，这样可以让 AI 来自动地驱动整个量子计算，这是现在我们在探究的一个地方。

问题04

给年轻人的建议：下一次计算革命需要什么底层能力？

Q:DeeCamp 面向一批正在选择未来方向的年轻人，如果他们也希望参与下一轮的计算革命，大家希望他们具备什么样的底层能力？请用一句话给在场的年轻人一个具体的建议。

A：嘉宾1

如果大家认为量子计算是这一代的计算革命的话，我给大家讲讲这一代计算革命的领导者是一个什么样的人：Google Quantum AI 的负责人不是物理学家，他是计算神经生物学家；英伟达量子之前的负责人 Tim Costa 也不是物理学家，他是计算流体力学家；就讲这么两个例子。所以如果要参与下一代计算革命，其实不在于你是不是学物理，而在于你是不是懂计算，这是我的一个观察。

A：嘉宾2

我的建议是，我发现现在人工智能使得大家形成了一个习惯：一旦有什么问题，你把它输进去，然后得到了答案。其实这非常直接，答案可能也非常漂亮，但是这使得大家在思考上变得更加懒惰，这是一个不可忽视的现状。

如果说下一个计算革命诞生在量子计算上的话，不管是它 physical 的 level 上，还是计算架构本身的革命上，非常需要每个人和 AI 一起来解决问题，而不是只依靠 AI。每个人自己的思考、思辨和创造性是非常重要的。总结来说，参与到这个新的革命当中的时候，不仅要把人工智能当成一个工具，更多的是培养自己在认识世界和理解世界当中的底层逻辑和思辨能力。

Z-Frontier 观点：

中国量子人工智能机遇与下一代科学发现范式

此次圆桌对话为我们揭示了一个清晰的行业趋势：“AI与量子的交汇”正在跨越单纯的理论探讨，步入工程化与产业验证的新阶段。正如嘉宾所言，无论是 AI for Quantum 还是 Quantum for AI，未来的关键破局点在于底层硬件与算法的协同设计，以及如何探索出让 AI 真正“消化”高维度量子数据的有效路径。

回到国内市场，在这条交叉赛道上同样蕴藏着关键的产业机遇。我国在量子计算的物理学研究和人工智能应用端都有着扎实的基础，而在技术演进的当下，如果国内的科研机构与初创企业能够抓住“量子-经典混合计算”的窗口期，在实时纠错、逻辑比特的工程化，以及利用 AI 辅助量子硬件优化等方面形成合力，完全有机会在下一代计算架构中占据重要的一席之地。

更长远来看，量子计算或许不仅仅是为特定复杂问题加速的“高级工具”。当量子硬件真正跨越容错阈值、走向成熟时，它有望为现有的 AI 引入全新的维度——用量子的方式去精确认知和模拟真实的物理世界。从微观分子结构的计算到宏观科学假设的推演，量子与 AI 的深度融合，有望打破经典计算的能力边界，甚至推动现有 AI 底层架构的演进，形成从提出问题到验证结果的“科学发现自闭环”。

在摩尔定律日益逼近物理极限的当下，探索下一代计算系统已成为必然。而在这场漫长而硬核的技术接力中，兼具计算科学思维与跨学科认知的人才，将是最宝贵的创新资产。这场关于未来计算边界的探索，才刚刚起步。