独家 | 量子计算独角兽来了！撬开脑机接口算力天花板|信号|独角兽|算法|脑机接口|量子计算机

撰稿｜陈鹏

康复训练室里，配备了脑机接口的患者抬起手臂，用意念给智能假肢下达指令。指令从大脑皮层出发，穿过电极、被解码算法解码，在0.5s后抵达假肢。假肢的确动了，但大脑已经明确感受到这只是假肢。

短短0.5秒看似不多，但却让人体感知到延迟，无法产生“具身”感。无法缩短延迟，假肢就永远只是工具，无法真正与身体融合。这也恰是脑机接口卡顿的缩影，行业一筹莫展。

4月的一个突破让大家看到了可能的解法。中国科学院上海微系统与信息技术研究所联合北京玻色量子科技有限公司发布的论文，首次在真实1000量子比特专用量子计算机上实现了微秒级神经解码。这也为如今，国内首只脑机接口专项基金——天津市脑机合盈海河海泰创投基金（以下简称“合盈脑机基金”）与玻色量子的战略合作埋下了伏笔。

值得一提的是，玻色量子前不久刚刚正式向北京证监局提交IPO辅导备案申请，启动A股上市进程。

按照双方设想，玻色量子将为脑机接口提供云端专用量子计算算力，在特定环节加速解析大脑皮层的深层意图；3-5年内，实现专用量子计算硬件外接神经解码加速，有望在语言、运动解码场景落地。

那么，量子计算这碗“水”，将如何解脑机接口的“渴”呢？

量子计算，

破解脑机接口挑战的良药

一直以来，脑机接口都面临“卡顿”的问题。

人类大脑拥有近千亿个神经元，每一次大脑思维，都对应着海量神经元集群的同步放电。脑机接口需要采集这些微弱、嘈杂的电信号，并通过算法翻译成机器指令。

其难点在于，这些大脑信号不仅微弱，还夹杂大量噪声，但解码必须实时完成。在康复训练中，智能假肢对抬手指令的响应即便只有0.5秒的延时，大脑就会产生疏离感，假肢就永远难以融入身体。

在解决这个问题上，量子计算具有天然的优势。

经典计算机最小的存储单元是比特（bit），每个比特非0即1。量子计算的最小信息单位则是量子比特（qubit），在被测量前可同时处于0和1的叠加态。

同时，多个量子比特之间还能通过量子纠缠形成强关联。这种“量子并行”特性让它在处理组合爆炸类问题时拥有潜在的指数级加速优势。比如，10个量子比特可同时编码2¹⁰=1024种叠加状态，能够同时编码海量的计算路径。虽然最终只能通过一次测量获取其中一个结果，但其优势在于利用干涉原理放大正确解出现的概率。

玻色量子副总裁陈亮用一个较为通俗的比方解释了量子计算：“比如，在嘈杂环境中，人耳会自动锁定想听的那个声音，把它从混杂的声波叠加中挑出来。量子计算的工作，正是把最想要的结果从波函数叠加中挑出来。”

他进一步表示，这种特征使得量子计算在处理概率与噪声信号时有天然优势，恰恰与大脑信号特征对应。不过，陈亮也强调，量子计算的角色是后端的算力支撑引擎，而非速度更快的普通电脑。它并不直接参与读取大脑信号，而是帮助完成神经信号的降噪、特征提取和信号编码。

在陈亮看来，量子算力有望解决脑机接口的几个痛点。

首先是延迟问题。随着脑机接口通道数的迅速增加，实时解码延迟也会同步增长。行业公认，闭环脑机延迟通常需要降到50ms以下，才不会让自然躯体对智能手等外接设备有明显的排斥感。量子计算可加速脑机接口中的神经信号处理与解码，缓解通道数增加带来的计算压力和响应延迟。

其次，是信号解析问题。如前所述，大脑信号微弱且充满杂音，而量子计算擅长处理概率和模糊信息，能从背景噪声中精准捕捉微弱信号。这将为脑疾病提供巨大帮助，比如让植入式脑起搏器只刺激异常放电的病灶脑区，不伤及无辜组织。

最后，是预测疾病发作。以癫痫为例，这种疾病在发作前大脑会有细微异常波动，擅长组合优化的量子计算机可辅助识别相关变化并预判发作趋势，为干预抢出宝贵的时间窗口。

脑机接口企业又是如何看待量子计算的这些优势呢？动脉网也与行业内进行了交流。

灵犀医学主要从事脑机接口大数据与基础模型平台，其负责人表示量子计算可以帮助这一体系突破迈向高密度、实时脑机闭环时的算力瓶颈。尤其随着神经信号维度持续提升，量子计算在组合优化和高维特征表示方面的潜力，可为实时神经解码、在线重校准及复杂脑疾病隐性模式发现提供新的计算路径，推动脑机接口从“读脑”进一步走向“读脑+干预”。

瓦博科技一直在神经意图模型构建领域深耕，其负责人认为，算力对于类似瓦博这样的脑机接口领域“模型公司”而言，量子计算在不改变其“神经数据入口-意图模型-物理控制-数据回流”的主逻辑前提下，有望在低延时、跨被试泛化、减少校准、模拟大规模脑神经元等多个问题方面提供经典算力难以企及的加速。既提升意图模型落地物理世界的性能天花板，也能够助力揭开大脑意图层乃至意识起源的底层机制。

应用价值之外，资本同样在关注这个赛道。合盈脑机基金合伙人张宇涛表示，合盈布局量子计算并非一时兴起：“合盈脑机基金一直把脑认知、脑解析作为重要投资板块。多模态、大模型的脑机应用高度依赖算力做解码、实时优化和小样本分类。这种算力侧的瓶颈，正是量子计算能够优化的地方”。

量子算力解决脑机问题的逻辑是否成立？事实上，在本次合作之前，已有真机验证给出初步答案。

今年5月，玻色量子发布新一代专用量子计算机“驭量·山海1000”。中科院上海微系统所几乎在同一时间联合玻色量子发布论文，首次在真实1000量子比特专用量子计算机上完成神经信号解码验证，这也是目前国内唯一的真机神经信号编解码验证。

这次验证可行也给整个行业打了一剂强心针。陈亮向动脉网介绍，量子计算分为通用量子计算和专用量子计算，行业总体仍处在含噪声中等规模量子阶段，尤其通用容错量子计算距离成熟应用可能还需5-10年。不过，专用量子计算已在部分场景进入实用验证阶段，整个产业正逐渐从实验室走向产业验证。

量子路线那么多，

为什么偏偏是它

量子计算有超导、离子阱、光量子等多种技术路线，各有优劣。为何玻色量子的路线是目前最合适的路线？双方向动脉网做了解答。

首先是技术路线。玻色量子是国内少有的专用量子计算企业，围绕相干光量子计算机构建了产品线。

陈亮向动脉网解释，光子本身具有量子属性，不像超导、离子阱那样对制备配套设施有较高要求：“比如超导路线，需要庞大的超低温稀释制冷机。相比而言，玻色量子1000量子比特专用量子计算机部分核心器件可在室温下运行，整机可用时长不少于12小时/天，平均无故障工作时间（MTBF）不少于1,000小时。”

其次是软硬一体的验证。张宇涛介绍，目前业内共识是“经典算力前端预处理（如GPU及ASIC）+专用量子加速器外接”的混合架构最可行。玻色量子的专用量子计算机具有常温常压下稳定运行、推理延迟低、适配稀疏脉冲（spike）信号的优势，适合在线实时推理。

在软件层面，陈亮表示，玻色量子已可提供适配Python的工具链和SDK，极大降低了应用门槛：“编程层面没有压力，一个大学本科生就能上手，真正的门槛在于把问题建模成专用量子计算机能求解的形式。”

更关键的是，玻色量子做的是软硬一体而非纯仿真。张宇涛认为，这在医疗领域十分重要：“很多脑机创新方向仍停留在数字仿真，但监管对数字仿真的容忍度低，对算法黑箱的关注度高，纯数字仿真走医疗路径会有障碍。玻色量子用真实的专用量子计算硬件完成了神经解码推理的闭环验证，硬件、算法、数据集已形成闭环，并已与一些脑机硬件团队开展了活体数据集的联合验证。且光量子芯片、光路系统、整机、软件全栈自研，没有任何卡脖子的环节。”

第三，是生态卡位。合盈脑机基金生态资源已覆盖360余家脑机接口企业，可以帮助量子算力在脑机行业推广和扩散。玻色量子则提供专用量子计算算力、分布式云服务与AI工具链。双方最终希望率先打磨出国内首个量子计算与经典计算混合的脑机信号处理解决方案。

技术解决方案由双方牵头，联合脑机接口公司进行技术验证。同时，商业验证已早在设计之中。张宇涛表示，从事脑机接口大数据与基础模型平台的灵犀医学、从事神经意图模型构建的瓦博科技等多家脑机接口企业已参与验证，各方将量子计算和脑机接口的技术融合和商业落地构建生态体，并落实建设实质落地的基站体。

作为同属十五五未来产业的脑机接口技术与量子科技技术，二者正在人类文明演进的道路上互相共鸣、互相成就。860亿神经元、大脑意图层、意识起源与人类文明之间错综复杂的纠葛关系、海量奥秘，或许都需要一种更为强大的算力去破解。

“量子脑机”？

还有很多坎要翻

对于量子计算与脑机接口结合的未来，陈亮与张宇涛给出了互为补充的时间表。

短期看，量子算力会先服务脑科学基础研究。陈亮认为，切入点以科研机构和临床研究为主，比如神经元网络建模与仿真、癫痫等疾病机制研究。他坦言，目前设备仍以云端方式提供服务，但云端仍有延时，就近部署将是未来的终极目标。

张宇涛的判断更具体：“我认为3-5年的中期，专用量子计算硬件外接神经解码加速可以落地，尤其在语言、运动解码领域，比如高自由度假肢的实时控制、失语患者脑电转语言、卒中与脊髓损伤后的快速校准与闭环调控。之后，量子机器学习与经典深度学习可能走向融合，解决跨被试泛化、少样本校准等痛点。更远的未来，则指向大规模神经元集群动力学仿真、多脑区建模，乃至边缘端部署，也就是把量子算力做成可随身携带的设备。”

至于网络上出现的诸如颅内植入量子芯片、读取意识的量子脑机想象场景，张宇涛坦言“目前还看不到可能”。

在应用侧重上，张宇涛判断量子计算对非侵入式脑机接口的价值比侵入式更大：“量子计算解决的是后端算法与算力加速，并无法改善电极、植入与生物相容性。当前，非侵入式脑机接口信噪比问题突出，且多模态大数据发展更快，对量子计算的需求也会更大。”

但两位专家也坦承，无论是脑机接口还是量子计算，目前都处于早期，仍然面临不少的挑战。

跨域接口与数据流是第一个挑战。闭环脑机延迟需要降到50ms以下，但神经信号与量子硬件本身都存在信号噪声，即便量子硬件本身可做到微秒级，但采集、预处理、编码、传输、回传的整个过程都会叠加大量延迟。

在量子计算端，硬件本身还不够成熟，有较大发展空间。在软件端，神经任务到量子模型的映射仍是难题，缺少原生量子算法库，且量子加速只对特定优化类任务受益。

脑机接口端同样存在自身挑战，包括电极、生物相容性、植入稳定性等问题。

同时，还有工程化与临床转化的挑战。目前，横跨量子计算与脑机接口的人才非常稀缺，让脑机接口开发者可以通过SDK和工具链轻松调用量子算力，是目前更为现实的选择。

陈亮给出了几条路径来应对这些挑战：“需要坚持量子计算与经典计算混合的路线，让量子计算做局部的增强和加速，分步迭代；同时，组建联动团队，把量子计算、脑机接口的工程与临床机构拉到一起，从小规模原型验证起步；此外，还要推动硬件工程化，提升稳定性并控制成本。”

脑机接口+量子计算，

潜力巨大

2026年，脑机接口被普遍视为商业化元年，据麦肯锡测算，脑机接口严肃医疗应用的潜在规模可达150-850亿美元。然而，临近爆发的脑机接口，仍然面临底层算力的短板。与此同时，脑机接口面临的延时问题，更为迫切。

同样作为前沿技术的量子计算的入场，或许有望解决脑机接口的困境。当解码延迟被压缩到百毫秒级以下，外骨骼、假肢才能真正成为身体的一部分；当算力能实时解析海量神经元的联合放电，脑机接口才有机会真正理解大脑的意图。