过去十年，人工智能的快速崛起靠的是经典硅基硬件。GPU和TPU在规模与效率上不断扩张，让训练数百亿参数模型成为可能。但当硅晶体管微缩逼近物理极限、能耗数字越来越刺眼，一个问题浮出水面：经典硬件之后，接棒的是什么？

打开网易新闻 查看精彩图片

答案指向原子尺度——量子机器学习（QML）。把量子力学原理与现代神经网络架构放在一起，QML承诺以经典超级计算机百万年也达不到的速度处理复杂的多维数据。

经典计算机用二进制位处理信息：0和1。深度神经网络里的每一次矩阵乘法——从Transformer的自注意力到卷积滤波器——都必须在晶体管门上顺序计算。量子计算机则运行在量子比特上，靠两条量子物理原理工作：

  • 叠加：一个量子比特可以同时是0、是1，或两者的任意流动组合，让量子处理器一次评估天文数字级的可能性。
  • 纠缠：量子比特之间可以建立关联，一个的状态即时影响另一个，与距离无关。放到AI语境里，这让量子算法能原生处理复杂的高维数据关系。

经典神经网络要耗费大量算力去近似多变量概率分布，量子神经网络（QNN）则直接表示这些空间。

量子物理与机器学习的交汇，将改写几个算力上难以攻克的领域。

分子建模与材料发现：模拟复杂分子如何折叠、如何反应，需要在原子层面计算量子力学，这类任务很快就会压垮经典超级计算机。量子AI模型可以实时模拟化学反应，加速室温超导体、下一代电池化学体系和靶向癌症疗法的发现。

复杂金融风险优化：全球金融市场是庞大而混沌的系统，变量数以百万计且相互依赖。QML算法擅长在高维搜索空间里寻找全局最优解，让机构能同时跨全球市场做实时风险分析、欺诈检测和投资组合优化。

物流中的高效优化：从全球供应链路由到城市交通管理，组合优化问题每增加一个节点，复杂度就指数级上升。量子增强算法可以并行评估数百万条潜在路线，为物流网络提供近乎即时的全局优化。

当下处于含噪声中等规模量子（NISQ）时代。具备数百万物理量子比特、完全容错且带纠错的量子计算机仍在视野之外。因此量子AI近期的架构是混合式的：开发者用经典GPU处理数据预处理与感知，把复杂的优化循环和高维矩阵运算通过云API卸载到量子处理器上。

量子机器学习不是现有软件的一次增量提速。它代表人类处理信息方式的一次范式转移，让我们离解决科学、物理与计算领域最复杂的挑战更近一步。