4月7日，东芝公司发布了一项重要的技术突破：其自主研发的量子启发组合优化计算机“模拟分支机”（Simulated Bifurcation Machine，SBM）搭载第三代模拟分支算法后，计算速度最高提升至前代算法的100倍，求解精度也接近100%。
这一成果并未依赖于量子硬件，而是基于成熟的FPGA（现场可编程门阵列）架构，却宣称实现了“50年后量子计算机也难以企及的速度与精度”。
这表明，制药研发中的候选分子筛选、金融资产配置中的投资组合优化、物流体系中的配送路径规划等长期以来受困于“组合爆炸”的现实问题，正在获得一条无需等待量子计算机成熟即可落地的解决方案。
组合优化问题的“不可能三角”
在深入探讨东芝的技术细节之前，我们必须先回到问题的原点，那就是什么是组合优化问题？从物流路径规划到金融投资组合优化，再到新药研发中的分子对接，这类问题的核心特征在于“组合爆炸”。
随着变量数量的增加，可能的解空间呈指数级膨胀。即使使用当今最强大的超级计算机，面对成千上万个变量的全耦合伊辛模型（Ising Model），也可能会陷入“暴力穷举”的时间陷阱。
长期以来，业界试图打破这一瓶颈的“不可能三角”——即追求高并行性、高精度与低硬件依赖。
量子退火机（如D-Wave）和量子门电路（如IBM、Google的量子计算机）试图通过量子效应破局，但受限于量子比特的相干时间与纠错难度，目前仍主要停留在实验室阶段。东芝的SBM（模拟分支机）路线，本质上走的是“量子启发”路线。它不制造量子比特，而是用经典硬件（FPGA）模拟量子系统特有的动力学行为。
2019年，东芝推出第一代SBM，利用FPGA实现了高度并行的伊辛模型求解；2021年，第二代算法通过引入“分支现象”提升了跳出局部最优的能力。然而，直到2026年这次发布的第三代算法，东芝才真正触及了解决组合优化问题的核心动力学机制。
“混沌边缘”
在东芝公布的技术细节中，“混沌边缘”（Edge of Chaos）是理解此次突破的核心关键词。这一概念源于非线性动力系统理论，描述的是系统在由有序向混沌过渡时所处的临界状态。在这一状态下，系统既保持一定稳定性，又具备高度的探索能力。
东芝的创新在于，将这一物理现象引入计算过程之中。在传统优化算法中，系统往往容易陷入局部最优解，即在某一较优解附近无法继续搜索更优结果。而通过对分支参数进行非线性调控，使系统进入“混沌边缘”状态，可以显著增强其跳出局部最优的能力。
具体而言，新算法通过为每一个变量设置独立的分支参数，并引入非线性控制函数，使得系统在求解过程中动态调整自身行为。当参数处于特定范围时，系统既不会过于稳定而停滞，也不会完全混乱而失去方向，从而在搜索空间中实现高效探索。
在非线性动力学领域，混沌边缘（edge of chaos）早在上世纪就被认为是一类复杂系统展现最优计算能力的区域。东芝的研究团队通过大量的数值实验，在2000自旋的全耦合伊辛问题中验证了这一现象，并确认在多种不同变量结构的问题中同样存在相同趋势。
换句话说，第三代SB算法找到了一种可调控、可复现的方式来让动力学系统在混沌边缘运行，从而大幅提升了组合优化的性能。
这一机制带来的直接结果是，最优解的命中概率大幅提升至接近100%，同时计算时间显著缩短。在测试中，原本需要约1.3秒完成的计算，被压缩至毫秒级。
图：结果显示，新开发的第三代SB算法在2000自旋全耦合ising问题中，几乎100%的概率能在混沌边缘找到已知的最佳解
来源：东芝
与其说这是一次算法优化，不如说是一种计算逻辑的重构——计算不再依赖穷举，而是依赖系统在临界状态下的“自组织能力”。东芝资深研究员Fujita Hayato表示：“这实现了即便是50年后的量子计算机，也可能难以达到的速度与精度。”
从更宏观的视角来看，这一发现还为物理学启发的优化算法提供了一个新的理论支点。过去，模拟退火、遗传算法等启发式方法在组合优化领域取得了广泛应用，但它们的性能提升往往依赖于问题结构的特殊性质或大量参数调优。而SB算法提供了一种基于明确物理机制的替代路径——通过控制非线性动力学系统的临界行为来引导搜索过程。这种思路是否会催生出更通用的优化框架，值得持续关注。
量子价值最早落地的现实场景
东芝将该技术的应用重点放在组合优化领域，并非偶然。这类问题在数学上通常可以映射为Ising模型，其目标是寻找系统的最低能量状态。这一过程与量子系统寻找基态的行为高度一致，因此也成为量子计算最具潜力的应用方向之一。
在现实产业中，组合优化问题无处不在。在新药研发领域，研究人员需要在海量分子组合中筛选潜在候选物；在金融市场中，投资组合的构建涉及多变量权衡与动态调整；在物流系统中，路径规划与资源调度同样依赖复杂优化计算。
这些问题的共同挑战在于计算复杂度极高，且对时间敏感。东芝的SBM系统，通过显著减少求解所需的计算次数，使得这些问题从“可计算但昂贵”，转变为“可计算且高效”。
更进一步，这种能力的提升不仅体现在效率层面，也改变了决策模式。例如，在物流系统中，原本需要离线计算的路径规划，有可能转变为实时优化；在金融领域，更快速的计算能力意味着更高频的策略调整空间。
这标志着组合优化正在从后台计算问题，逐步演变为前台决策能力。
值得注意的是，东芝SBM的底层硬件依然是FPGA。这与当前主流的量子计算路线形成了鲜明对比。
为何东芝仍坚持经典硬件路线？答案在于“可部署性”与“稳定性”。量子计算机目前需要接近绝对零度的极低温环境，且极易受到环境噪声干扰导致退相干。而东芝的SBM基于FPGA，可以直接部署在现有的数据中心服务器机柜中，无需特殊的制冷系统，也无需担心量子纠错带来的额外开销。
东芝官方表示，该技术计划在未来1至2年内投入实际应用。这种“即插即用”的特性，使得SQBM+™（东芝的量子启发优化服务）在商业化落地速度上，天然领先于通用量子计算机。对于制药公司需要筛选数万种分子组合，或物流公司需要实时规划上千个网点的路径而言，一台能放进机房的FPGA服务器，远比一台造价数亿、需要专人维护的量子计算机来得实在。
图：结果显示，配备该算法的第三代SBM在许多问题上比第二代SBM快10-100倍
来源：东芝
量子启发vs量子硬件
在讨论量子技术时，一个容易被忽视的问题在于，量子启发计算与真正的量子计算机之间究竟是什么关系？它们是竞争对手、互补工具，还是不同阶段的技术路线？
从功能上看，两者的交集很大。量子计算机在理论上能够以指数级的加速解决某些特定问题，其中就包括组合优化。谷歌、IBM、霍尼韦尔等公司投入了大量资源研发超导量子比特、离子阱量子计算机等硬件平台，进展显著。
2025年，IBM量子计算博客的一篇文章指出，量子计算机有望在“多目标优化”等复杂问题上超越经典方法。然而，量子硬件的物理实现仍然面临诸多工程挑战：量子比特的退相干时间有限、错误率较高、制冷系统昂贵且庞大，这些问题短期内难以根本解决。
量子启发计算的逻辑恰恰相反。它不在硬件层面追求量子效应，而是在经典计算机上模拟量子系统的数学行为。东芝的模拟分支机、富士通的数字退火器、日立CMOS退火器等都属于这一路线。
这些系统的共同特点是，采用现有的半导体或FPGA硬件，通过专门设计的算法模拟量子计算中的隧穿效应、量子涨落等过程，从而以更低的成本和更小的技术风险实现组合优化的加速。
东芝在量子启发计算领域的投入，并非与量子计算机“唱对台戏”。事实上，SBM的技术源头恰恰是东芝研究中心的量子计算机研发过程——模拟分支算法最早是在对量子非线性振子网络的经典模拟中发现的。
换句话说，量子计算机的研究启发了量子启发算法的诞生，而量子启发算法在经典硬件上的成功实践，反过来又为量子计算机的实际应用场景提供了验证。
这种“两条腿走路”的策略，或许是量子技术从实验室走向产业的最佳路径。一方面，量子计算机的研发需要持续投入，等待硬件成熟；另一方面，量子启发计算已经在现有的计算基础设施上开始创造实际价值。两者不是替代关系，而是互补关系。
结语
回望东芝SBM的三代演进史，从最初的并行模拟，到分支现象的引入，再到如今混沌边缘的精准调控，我们看到的是一条清晰的技术爬坡路径：从模仿量子现象，到理解并利用现象背后的数学与物理本质。
这不仅仅是一次算法的升级，更是一次计算哲学的迭代。它告诉我们，在面对“组合爆炸”这类本质困难的问题时，与其等待尚不成熟的硬件奇迹，不如在现有的地基上，通过更深刻的算法洞察来挖掘潜能。
当然，第三代SB算法并非万能。东芝方面也表示，在某些特定问题上，前代方法的计算速度可能更快，因此后续需要根据不同的问题类型验证算法的实际效果。但从整体趋势来看，量子启发计算正在从一个相对小众的研究方向，走向更广泛的工业应用。
[1]https://www.global.toshiba/jp/technology/corporate/rdc/rd/topics/26/2604-01.html
[2]https://cn.nikkei.com/industry/itelectric-appliance/62088-2026-04-09-10-19-34.html
[3]https://www.digitaltoday.co.kr/cn/view/46465/toshiba-quantum-inspired-computer-algorithm-boosts-computing-speed-100-fold
热门跟贴