AI能幫量子計算做什麼，量子計算又能為AI帶來什麼？｜PAIR 2026

9 月 20 日至 21 日，以“下一代物理智能前沿”為主題的 PAIR Conference 2026 在上海舉行。會議由上海物理智能與機器人研究院舉辦，大會邀請來自高校、科研機構及產業界的多位專家學者參與，圍繞下一代智算系統、下一代智能載體、下一代科學發現和下一代計算範式等方向展開討論。

其中，“下一代計算範式”專題將量子計算與人工智能的結合列為重要議題。在題為《量子計算與人工智能：雙向賦能的現實路徑與邊界》的圓桌討論中，中國科學院物理研究所特聘研究員扈鴻業、西湖大學研究員嚴正、上海交通大學助理教授吳安邦，在香港中文大學助理教授梁之鼎的主持下，圍繞 AI 如何推動量子計算走向實用、量子計算能為 AI 帶來什麼，以及兩者如何協同解決科學問題展開交流。

隨著 AI Agent 開始參與科研工作，量子計算領域的一些實驗和軟件任務也在發生變化。過去需要實驗人員反覆調試的量子芯片，如今已經可以在百餘量子比特規模上進行自動校準；量子編譯、程序驗證和糾錯碼優化，也成為研究人員嘗試引入 AI 的方向。

但量子計算有其特殊的物理規律。AI 能否真正提高這些任務的效率？如果未來擁有足夠可靠的量子計算機，它又能否反過來為 AI 提供新的計算能力？

圖 | 梁之鼎、扈鴻業、嚴正、吳安邦進行圓桌討論（來源：PAIR）

圍繞這些問題，三位研究者結合各自的工作，分享了具體進展，也對 AI 和量子計算各自的能力邊界提出了不同看法。

AI 正在改變量子計算的研發方式

在量子計算研究中，AI 可以參與的環節很多，從硬件設計、噪聲建模、控制校準，到軟件編譯、量子糾錯和科學應用，都有相應的探索。但中國科學院物理研究所特聘研究員扈鴻業首先強調，並不是所有問題用了 AI 就一定更好。

他認為，一些目標明確、需要實驗人員重複執行的任務，尤其適合由 AI Agent 接管。例如量子芯片的校準，超導量子比特的頻率可能存在差異，中性原子平臺中的激光參數也會隨時間發生漂移。過去，這些工作需要實驗人員不斷測量、調整，才能讓設備維持正常運行。

扈鴻業介紹，今年年初，物理所、北京量子院相關量子研究團隊已經在百餘個量子比特規模上開展自動校準，實現了無需實驗人員持續參與的芯片校準。他將其形容為“無人駕駛版”校準。同時對於中性原子平臺中的激光穩定控制、原子重排等任務，中科大團隊率先實現了人工智能完成快速原子陣列重排，展示了“原子電影”，清華團隊則利用智能體完成實驗室的“自動託管”，讓原子裝載率實現持續穩定，隨時開機實驗。這些都是國內將 AI 與量子結合走在前面的案例。他也預期近期一定能夠看到更多的實驗室實現自動化，讓研究人員不必再把大量時間花在重複實驗上。

不過，在扈鴻業看來，AI 能夠完成一項任務，與它能否高效完成這項任務，是兩回事。例如在量子態學習和信息讀取中，神經網絡雖然能夠發揮作用，但如果沒有結合問題本身的物理規律，可能需要消耗大量的測量與訓練樣本和計算資源。

他提到，Google 近期的一項相關研究給他留下了深刻的印象，他們首次在實驗中利用人工智能操控物理器件實現了無需停機的量子運算。但是強化學習方法需要約 10⁵～10⁶ 次採樣，而如果設計更合適的學習方法，採樣的需求可以數量級式降低。兩者之間的差距，恰恰體現了人類對物理問題的理解在算法設計中的價值。

“不是說所有問題用了 AI 就好。”扈鴻業說道，有些任務仍然需要可理解、可證明的學習方法，而不是直接把神經網絡應用到量子問題上。

主持人梁之鼎也談到了自動校準的難度。他此前曾認為，校準可能成為量子計算走向大規模系統的一個瓶頸。雖然相關研究已經取得進展，但如果未來量子比特數量大幅增加，如何利用 AI 進行實時、大規模校準，仍然需要更多工作。

從實驗中的重複操作延伸到軟件研發，上海交通大學助理教授吳安邦對 AI 的發展更加樂觀。

他提到，計算機領域的研究速度正在明顯加快，論文和新研究出現的數量，已經遠超自己讀博時的水平。如今，研究人員可以在一臺或多臺服務器上同時運行十幾個甚至上百個 AI Agent，讓它們不斷提出想法、編寫原型程序、驗證結果，再進入下一輪迭代。

吳安邦經常和學生開玩笑，面對能夠持續工作的 Agent，研究人員感受到的競爭壓力越來越大。在他看來，這種變化也會發生在量子計算領域，尤其是量子軟件研發。

以量子編譯器為例，AI 可以幫助分析量子電路的特徵，尋找新的等價變換方法，提出優化方案，甚至參與設計更高效的量子程序驗證方式。量子程序驗證本身就是一項困難任務，部分問題的計算複雜度會隨著系統規模增長而迅速增加。如果 AI 能夠同時參與方案設計與驗證，就有機會形成持續迭代的研發過程。

量子糾錯也是他看好的方向。吳安邦提到，扈鴻業團隊提出的相關量子糾錯碼方案，未來可能通過 AI 進一步優化，降低實現糾錯所需要的資源成本。他預計，未來兩三年量子計算軟件領域可能出現非常快的發展，AI 甚至可能提出一些過去研究人員沒有想到的優化技術。

對於 AI 的快速發展，西湖大學研究員嚴正則從量子多體研究中觀察到了不同的情況。

嚴正主要研究量子多體問題，也就是大量量子粒子相互作用時產生的複雜物理現象。他注意到，AI 快速發展以後，數學物理以及部分少體問題相關研究的論文數量增長很快，但強關聯量子多體領域的發文量並沒有出現同樣明顯的變化。

這並不是說 AI 完全幫不上忙。嚴正介紹，團隊近期嘗試利用量子門改變多體問題的表象。對於一些複雜的量子問題，如果能夠找到合適的數學表達方式，計算就可能變得容易處理。AI 可以幫助研究人員尋找更合適的局域量子門，簡化其中一部分問題。

困難在於，真正複雜的多體系統可能存在很強的長程糾纏，整個體系中的不同部分相互關聯。對於這樣的系統，僅僅通過局部變換往往無法解決根本問題，而涉及整個體系的全局量子變換又非常困難。

嚴正認為，AI 可以幫助研究人員在現有算力條件下尋找更好的解，但那些依然無法處理的強關聯量子問題，最終還是需要量子計算技術本身的發展。

從扈鴻業介紹的自動校準，到吳安邦期待的量子軟件優化，再到嚴正研究的複雜量子多體問題，AI 在不同環節能夠發揮的作用並不相同。有些重複性實驗任務已經開始實現自動化，而部分涉及複雜量子關聯的問題，仍然很難僅靠現有的 AI 方法解決。

量子計算能否為 AI 帶來新的能力？

AI 正在參與量子計算的研發，但反過來，量子計算能夠為 AI 帶來什麼？在這一問題上，三位嘉賓關注的方向並不相同。

嚴正首先談到了量子啟發式算法。這類方法借鑑量子物理中的思想，在經典計算機上設計新的求解方式，並不一定需要真正的量子硬件。例如，量子退火相關思想，以及概率比特、概率計算機等研究，已經為一些優化問題提供了新的方法。

不過，嚴正強調，量子啟發式算法與真正的量子算法之間仍然存在差距。

經典計算機在一定條件下可以模擬部分量子系統，例如利用張量網絡等方法處理量子多體問題。但如果系統中的量子糾纏非常複雜，這類方法就可能變得難以使用。其他利用經典計算模擬量子過程的方法，也同樣受到適用條件的限制。

嚴正用了一個比喻：量子啟發式算法相當於告訴人們一條新的道路，但道路很寬，經典計算機只能走到自己能力所及的地方。要繼續向前探索，仍然需要真正的量子計算技術。

與借鑑量子思想來改進經典算法不同，扈鴻業更關心直接利用量子系統構建生成模型的可能性。他回憶，過去在哈佛時，研究人員經常討論，如果未來真的擁有一臺能夠可靠糾錯、具有 100 個或者 1,000 個量子比特的計算機，究竟應該用它做什麼。

扈鴻業感興趣的一個方向，就是量子生成模型。目前的生成式 AI 可以學習數據的概率分佈，再按照一定概率生成結果。量子系統本身也具有類似的特徵：對量子態進行測量，就會按照相應的概率分佈得到測量結果。

由此產生一個問題：對於某些複雜的數據分佈，如果使用經典生成模型進行模擬，與直接利用量子系統生成結果相比，兩者的資源消耗究竟有多大差距？

扈鴻業將這一問題與愛因斯坦提出的 EPR 問題，以及後來的貝爾不等式研究聯繫起來。相關研究表明，量子糾纏產生的某些關聯，無法由滿足特定條件的經典局域隱變量模型解釋。從生成模型的角度，也可以重新理解經典模型與量子系統在表示這些關聯時的差異。

他介紹，與郜勳、Eric 等人沿著這一思路，將相關問題擴展到量子多體系統和生成模型，並在特定任務中證明，量子生成模型相對於相應經典生成模型具有無條件的、多項式級的內存資源優勢。

不過，扈鴻業認為，目前能夠證明的多項式級差距，可能還不是實際差距的極限。量子生成模型在內存資源需求上的優勢是否可達到指數級，也是一個很有意思的問題，但現有理論還不足以證明這一點。如果未來有了合適的量子計算機，他希望能夠通過實際設備進一步驗證這一設想。

對於量子計算如何幫助 AI，吳安邦提出了另一個問題：量子計算能否帶來一種全新的 AI 模型結構，還是主要體現為計算效率的提升？

在他看來，經典計算機原則上也能夠模擬量子計算，只是在某些問題上，可能需要付出極高的時間和計算資源成本。因此，他更關心量子計算與經典計算在模型表達能力上是否存在根本差異。

吳安邦提到，自己閱讀過不少量子機器學習相關論文，但目前看到的很多研究，仍然借鑑經典神經網絡的結構，再嘗試使用量子電路實現。他還沒有看到一種真正充分利用量子計算優勢，並在實際演示中取得突出結果的全新 AI 範式。

相比之下，他更看好量子計算未來在特定任務上的計算加速能力。例如，國際象棋、圍棋等問題可以轉化為搜索樹，如果能夠更快地探索不同路徑，就可能提高求解效率。這也是他理解量子計算幫助 AI 的一個方向。

從複雜材料到未來應用，AI 和量子計算如何分工？

在討論了兩種技術各自的能力以後，話題進一步轉向具體科學研究：面對材料、分子和複雜量子系統等問題，經典計算、AI 與量子計算應該怎樣配合？

扈鴻業介紹了哈佛與伯克利研究人員合作的材料計算案例。他提到，材料研究經常涉及多個不同尺度的物理問題，並不是每一個尺度都需要使用量子計算。

例如，對於某些複雜磁性材料，研究人員可以先確定原子的穩定構型，再進一步處理電子自旋之間的相互作用，而後者可以轉化為量子磁性的問題利用量子計算機求解基態。這種方式把傳統計算和量子計算結合起來，讓不同方法分別處理適合自己的任務，而不是要求量子計算機完成整個材料研究中的所有計算。

除了具體計算任務的分工，吳安邦更關注 AI 在跨學科合作中能夠發揮的作用。

作為計算機背景的研究者，他進入量子化學、材料科學等陌生領域時，首先面臨的問題往往是不知道哪些研究最重要，也不瞭解解決問題需要經過哪些步驟。過去，這需要通過大量閱讀論文，花費很長時間才能逐漸掌握。

現在，AI 可以幫助快速梳理一個領域的重要問題、已有研究和常見技術路線。吳安邦舉例，過去可能需要花一年時間閱讀文獻，才能對某個領域形成比較清晰的認識，而利用 AI，可能半個小時就能得到一個初步概覽。

他還提出，量子研究積累的知識和研究方法，也可以反過來豐富 AI。在吳安邦看來，一篇論文的重要價值不一定只是最終結果，還包括研究者思考問題和解決問題的方式。如果能夠將這些知識進一步融入 AI Agent，未來也有機會幫助研究人員開展量子領域的研究。

對於哪些科學問題真正需要量子計算，嚴正以高溫超導為例進行了說明。

他指出，對於普通半導體等材料，密度泛函理論、能帶理論已經能夠有效處理許多問題。但強關聯量子材料不同，大量電子之間存在複雜的相互作用，傳統計算方法往往難以準確描述。

高溫超導就是其中一個代表。雖然相關研究已經開展多年，但其微觀機制仍有重要問題沒有解決。如果能夠進一步理解這些規律，才有可能更清楚地判斷室溫超導等研究方向的可行性。

嚴正認為，這類問題涉及大量相互關聯的量子自由度，計算複雜度非常高，也是量子計算未來值得重點探索的方向。

他用一個形象的比喻解釋 AI 和量子計算的分工：AI 更像一個能夠整合理論、實驗和已有知識的指揮者，幫助研究人員判斷方向；量子計算機則像真正進入實驗室執行任務的人，負責處理那些需要複雜量子計算能力的問題。

在嚴正看來，未來相當長一段時間內，這種分工可能仍然適用。量子計算不需要解決所有問題，而應當重點處理那些適合它的複雜任務。

討論最後，主持人梁之鼎提出了一個更加開放的問題：量子計算未來究竟會以什麼形式進入社會？

他回顧了傳統計算機和 GPU 的發展歷史。很多技術在發展初期，人們設想的用途，與後來真正產生重大影響的應用並不完全相同。隨著技術不斷髮展，一些原本沒有預想到的用途才逐漸出現。

相比具身智能、太空計算等能夠通過科幻作品形成直觀想象的技術，梁之鼎認為，公眾對量子計算的未來應用仍然缺乏具體的畫面。科幻作品中的量子世界經常被表現為五彩斑斕的隧道或多元宇宙，卻很難告訴人們量子計算最終能夠做什麼。

為此，他介紹了自己正在開展的“量立方”創意徵集，希望通過文字、AI 生成短片等形式，鼓勵更多人想象量子科技未來可能具有的應用形態。

吳安邦回憶，自己最早接觸量子概念時，也曾想象能否實現從一個地方到另一個地方的“瞬間移動”。後來研究量子計算以後，他逐漸認識到，在物質世界中實現這樣的移動並不現實。他還進一步提出了遠距離意識交互等更加大膽的設想，討論未來能否通過量子信息技術，讓人在遙遠空間操作另一臺機器。

嚴正則用一個更簡單的比喻，解釋 AI 與量子計算未來可能形成的關係。他認為，AI 可以理解為一位知識豐富、擅長思考的數學家或物理學家，但即使再優秀的數學家，要把一萬個沒有規律的數字相加，也可能需要很長時間。量子計算機則更像一臺面向特定問題的計算器，兩者擅長的事情不同，但可以相互結合。

至於為什麼量子計算的未來應用很難被直觀想象，扈鴻業認為，這與人類長期生活在經典世界有關。我們通過感官獲得的主要是經典信息，很難直接觀察量子態，也就缺乏理解複雜量子現象的直觀經驗。

與此同時，人類對量子世界本身的認識也還十分有限。扈鴻業舉例，研究人員在量子多體系統中發現的疤痕態現象，以及近年來特殊量子線路相關研究中出現的一些新結果，都說明覆雜量子系統中還存在許多尚未充分認識的結構和規律。

他提到，量子系統所處的希爾伯特空間非常龐大，其中還有很多人類尚不瞭解的現象。對於量子計算未來究竟能夠做什麼，科學家仍然需要繼續探索。

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成

參考來源：麻省理工科技評論 · 17087（轉載自 落花）

免責聲明：轉載僅供信息參考，版權歸原作者及原媒體所有。