要點:
科技公司多年投入巨資研發量子計算機，寄望其在多個領域帶來變革，但隨着AI在物理、化學和材料科學領域取得突破，量子計算的“主場優勢”正受到挑戰。
科技正以前所未有的速度和規模發展，引發多個領域的變革，塑造了新的商業模式，甚至重塑了全新社會結構。我們一起，從科技創新中洞察社會轉型和升級的機遇。
狂呼科技研究所聚焦科技創新對當今世界的影響，以獨特、前瞻的科技視角，洞察科技時代下涌現的“創新革命”。
狂呼，以最具突破性的技朮塑造我們的未來，為大眾捕捉科技商業先機，探索當今人類社會面臨的重大挑戰。
聯系我們 // 相關文章
量子計算/Quantum computing作為一種革命性技朮，近年來受到全球科研界和投資者的廣泛關注。通過運用量子力學原理，量子計算突破了傳統計算機的二進制計算限制，在處理特定復雜問題時展示出比經典計算機更強的優勢。隨着量子物理理論的深化以及技朮的不斷進步，量子計算逐步從理論研究邁向實際應用，成為未來計算領域的關鍵發展方向。
多年來，科技公司多年投入數十億美元於量子計算機，寄希望於它們能在金融、藥物研發、物流等多個領域帶來顛覆性變革，尤其是在物理和化學領域，這種期待更為強烈，因為量子力學的獨特效應在這些領域中發揮着重要作用。
量子計算的發展曆史
量子力學和計算機科學這兩個領域，長期以來在學朮界各自發展，直至20世紀逐步融合。量子力學自1920年代起形成現代理論，成功解釋了原子尺度上的波粒二象性，而計算機科學則在隨后的几十年里逐步崛起，成為人類進行復雜計算的主要工具。兩者在第二次世界大戰期間分別發揮了重要作用，計算機助力於戰時的密碼破解，而量子物理學則是曼哈頓計划核物理研究的核心。
隨着時間的推移，物理學家開始將量子力學模型引入計算領域，并提出用量子比特替代傳統比特。1980年，保羅·貝尼奧夫首次提出量子圖靈機，利用量子理論簡化了計算機的描述。與此同時，數字計算機性能的提升使得物理學家在模擬量子動力學時面臨日益嚴峻的計算挑戰，推動了Yuri Manin和Richard Feynman等學者提出，基於量子現象的硬件或許能更高效地進行這些復雜的計算任務。
1984年，Charles Bennett與Gilles Brassard將量子理論應用於密碼學，提出量子密鑰分發可以顯著提高信息安全性。隨后，量子算法不斷發展，諸如1985年的Deutsch算法、1993年的Bernstein-Vazirani算法，以及1994年的Simon算法等，均證明了量子計算能夠通過查詢具有疊加態的“黑盒子”來獲取超出經典計算機能力的信息。這一系列發展標志着量子計算的崛起，并為其未來的實際應用奠定了基礎。
在彼得·肖爾/Peter Shor於1994年提出的基於量子計算的RSA和Diffie-Hellman加密協議破解算法的基礎上，量子計算領域迎來了巨大的關注。這一突破使得量子計算的潛力得到了更加廣泛的認識。隨后，1996年，洛夫/Grover提出的量子算法為廣泛應用的非結搆化搜索問題提供了加速方案。同年，賽斯·勞埃德/Seth Lloyd證明了量子計算機能夠模擬量子系統，且無需面臨經典計算中無法避免的指數級開銷，這一結果驗證了理查德·費曼/Richard Feynman在1982年的猜想。
隨着量子計算的理論研究不斷深入，實驗科學家也通過捕捉離子和超導體技朮搆建了小型量子計算機。1998年，釆用兩個量子比特的量子計算機成功展示了這一技朮的可行性，隨后的實驗進一步增加了量子比特的數量并降低了系統的錯誤率，推動了量子計算機的逐步成熟。
2019年，谷歌人工智能團隊與NASA聯合宣布，他們通過54個量子比特的量子計算機實現了量子霸權，成功完成了一項經典計算機無法完成的任務。盡管這一聲明的有效性仍在積極探討中，但這一成就標志着量子計算邁出了重要的一步。到了2023年12月，物理學家首次報道了單一分子之間的量子糾纏現象，這一發現可能為量子計算的應用開辟了新的方向。
AI崛起挑戰量子計算
然而隨着量子硬件面臨日益復雜的技朮挑戰，另一個競爭者“人工智能”AI在這些潛力巨大的領域取得了重要突破。如今，AI已廣泛應用於基礎物理、化學和材料科學，表明量子計算被認為的“主場優勢”或許并不牢固。
隨着近年來的快速進展，越來越多的研究人員開始思考，在大規模量子計算機真正投入使用之前，人工智能是否已經能夠解決化學和材料科學領域中大多數最具挑戰性的問題。
量子計算機的優勢在於，它能夠比傳統計算機更高效地執行某些特定的計算任務。然而，要實現這一潛力，需要比目前規模更大的量子處理器。目前最先進的量子計算機已經突破了1000量子比特，但要實現對經典計算機的壓倒性優勢，可能需要數萬甚至數百萬量子比特。若這一目標能夠實現，一些量子算法（如破解加密的Shor算法）將在指數級的速度下解決問題，這是傳統計算方法無法比擬的。
然而，在一些具有明顯商業應用的量子算法中，比如數據庫搜索、優化問題求解或支持人工智能的應用，其相對於傳統計算機的速度優勢并不顯著。去年，微軟量子計算負責人與他人共同發表的一篇論文指出，當考慮到量子硬件運行速度遠低於現代計算機芯片時，這些理論上的速度優勢可能會消失。此外，將大量經典數據輸入和輸出到量子計算機的難度也是一大障礙。
因此，量子計算機應更多集中在化學和材料科學中的問題，這些問題涉及需要模擬由量子效應主導的系統。從理論上講，基於量子原理運行的計算機在此類領域應當具有天然的優勢。實際上，自從著名物理學家理查德·費曼首次提出這一概念以來，這一直是量子計算的核心驅動力之一。
此外，量子力學的規則主導着許多具有巨大實際和商業價值的事物，如蛋白質、藥物和材料。它們的性質由其組成粒子之間的相互作用，特別是電子之間的相互作用決定。在計算機中模擬這些相互作用，能夠幫助我們預測分子將表現出哪些特性。例如，這對於新藥物的發現或更高效電池化學的開發具有重要意義。
量子力學的復雜規則，尤其是使遠距離粒子的量子態能夠本質上相互糾纏的現象，使得這些相互作用變得極為復雜。准確追蹤這些相互作用需要進行極其復雜的數學運算，而隨着粒子數量的增加，這些計算的難度呈指數級增長，這使得在經典計算機上模擬大型量子系統几乎變得不可行。
正是在這里，量子計算機展現了其優勢。由於量子計算機本身基於量子原理，它們能夠比傳統計算機更高效地表示量子態，同時利用量子效應加速計算過程。
然而，并非所有的量子系統都有相同的復雜性。系統的復雜程度取決於粒子之間的相互作用強度。在相互作用強的系統中，追蹤這些關系所需的計算量會迅速增加。然而，對於大多數化學家和材料科學家感興趣的系統而言，粒子之間的關聯通常較弱，這意味着這些系統中的粒子對彼此行為的影響較小，從而使得這些系統相對容易進行建模。
對於化學和材料科學中的大多數問題，量子計算機可能并不會帶來任何顯著的優勢。經典計算工具，如密度泛函理論/DFT，已經能夠精確地模擬弱關聯系統。DFT的核心思想是通過了解系統的電子密度（即電子在空間中的分布），就能夠預測其關鍵特性。這種方法大大簡化了計算過程，同時對弱關聯系統仍能提供准確的結果。
盡管使用這些經典方法模擬大型系統需要相當大的計算能力，但近年來基於DFT的研究數量激增，產生了大量化學、生物分子和材料數據，這些數據可以用於訓練神經網絡。AI模型通過學習這些數據中的規律，能夠預測特定化學結搆的特性，并且其計算成本比傳統的DFT計算低得多。
這種方法顯著擴大了可模擬系統的規模，一次最多可以模擬10萬個原子并延長了模擬的時間范圍。盧森堡大學的物理學教授也對此表示，“這簡直太驚人了。几乎可以解決大部分化學問題。”此外，卡內基梅隆大學化學教授也指出，這些技朮已經被廣泛應用於化學和生命科學領域的企業。而對於研究人員而言，過去無法觸及的課題，例如優化化學反應、開發新型電池材料和理解蛋白質結合等，現在都變得可行。“與大多數AI應用一樣，數據是最大的瓶頸。”他提到。Meta最近發布的材料數據集包含了1.18億種分子的DFT計算結果，基於這些數據訓練的模型在性能上達到了最先進水平。然而，生成這些訓練數據的過程消耗了大量的計算資源，遠超大多數研究團隊的能力。這意味着，要實現這種方法的全部潛力，仍然需要巨額的投資。
然而，使用DFT模擬弱關聯系統并非是一個指數級增長的問題，這意味着只要有更多的數據和計算資源，基於AI的經典方法甚至可以模擬這些系統的最大部分。考慮到量子計算機可能仍需數十年時間才能達到與之競爭的水平，AI目前的發展軌跡表明，它可能會更早實現一些重要的里程碑，諸如精確模擬藥物與蛋白質結合的過程等。
強關聯系統
在模擬強關聯量子系統（即粒子之間相互作用強烈的系統）時，傳統方法如密度泛函理論/DFT很快就會遇到瓶頸。盡管這些系統更為復雜，但它們包括一些具有革命性潛力的材料，如高溫超導體和超精密傳感器。即便如此，人工智能AI在這一領域也取得了顯著進展。
2017年，瑞士聯邦理工學院/EPFL與微軟在“科技”上發表了一篇具有開創性的論文，展示了神經網絡能夠模擬強關聯量子系統。這種方法不同於傳統的機器學習方式，它并非僅通過從數據中學習，而是通過類似DeepMind的AlphaZero模型的方式進行“自我對弈”。AlphaZero通過掌握圍棋、國際象棋和將棋的規則并進行自我對弈，達到了卓越表現。
在量子系統模擬中，“游戲規則”由薛定諤方程提供，它能精確描述系統的量子態或波函數。通過將粒子排列成某種配置并測量系統的能量，模型進行“對弈”，目標是找到最低能量配置，即基態，這決定了系統的性質。模型不斷重復此過程，直到能量水平不再下降，表示已經接近或達到基態。
這種方法的優勢在於其信息壓縮能力。相關專家對此表示，“波函數是一個非常復雜的數學對象，而現在，多個研究表明，神經網絡能夠以經典計算機能夠處理的方式捕捉這一復雜性。”這些研究表明，神經網絡不僅能夠有效模擬強關聯系統，還在處理這些復雜問題時樹立了新的技朮標准。這使得AI在模擬最具挑戰性的量子系統方面展現了巨大的潛力。
此外，這些突破引起了科技行業巨頭的關注。今年8月，DeepMind的研究人員在“科技”上發表了一篇論文，展示了他們能夠精確模擬量子系統中的激發態，這一能力未來可能用於預測太陽能電池、傳感器和激光器的行為。微軟的研究團隊也開發了一套開源軟件，幫助更多研究人員利用神經網絡進行量子系統模擬。
需要注意的是，由於基態是通過試錯而非精確計算得出的，這些方法提供的解只是近似值。然而，正因為如此，這種方法在處理看似無法解決的復雜問題時取得了突破。ETH Zurich的研究員指出，如果目標是准確追蹤強關聯系統中所有粒子之間的相互作用，隨着系統規模的增大，所需的計算量將呈指數級增長。但如果只需要一個“足夠好”的近似答案，借助一些簡化方法便能大有作為。“或許精確模擬它是不可能的，但我們能夠捕捉足夠多的信息，涵蓋物理學家關心的所有關鍵因素。如果做到這一點，結果實際上與真實解几乎沒有差別。”
盡管大多數強關聯系統對於經典方法而言過於復雜，但并非所有系統都如此。
沒有萬能的解決方案
渥太華大學物理學助理教授表示，目前還無法准確預測神經網絡能夠解決哪些具體問題。在一些復雜系統中，神經網絡展現出優異表現，但在某些看似簡單的系統中，其計算成本可能會意外增加。她指出，“我們尚未完全理解神經網絡的局限性。沒有人能夠精確預測哪些條件下，神經網絡難以有效表示系統。”
與此同時，其他經典量子模擬技朮也在不斷取得進展。紐約Flatiron Institute計算量子物理中心主任表示，“每種方法都有其獨特的優勢，它們相互補充。因此，我不認為這些機器學習方法會完全取代現有的其他方法。”
IonQ量子解決方案高級總監則認為，量子計算機也將找到其優勢領域。他同意經典方法可能足以模擬弱關聯系統，但堅信某些大型強關聯系統將超出經典方法的處理能力。“指數級復雜性最終會成為障礙，”他說，“對於一些強關聯系統，經典方法無法應對，我對此深信不疑。”
與此相比，他認為未來具備容錯能力并且量子比特數量遠超現有設備的量子計算機，能夠模擬這些系統的復雜性。這可能有助於發現新型催化劑，或加深對人體代謝過程的理解，這對制藥行業至關重要。
未來的計算格局為“混合模型”
IBM量子計算項目負責人認為，神經網絡可能會擴展其解決問題的范圍，但他并不認為它們能夠解決企業最為關注的復雜難題。“這也是許多專注於化學需求的公司仍在探索量子計算的原因，因為它們深知這些近似方法的局限性。”
此外，他還否認了這些技朮之間存在競爭關系的觀點。他認為，未來的計算可能釆用混合模式，將量子計算與經典子程序結合起來解決問題。“我不認為它們在競爭。我認為它們是互補的，”他說。
然而，德克薩斯大學量子信息中心主任卻指出，在量子化學和凝聚態物理等領域，機器學習方法實際上與量子計算機直接競爭。他預測，機器學習與量子模擬的結合，在許多情況下將優於單純的經典方法，但這一點可能要等到更大規模和更可靠的量子計算機出現后才會變得明確。“從一開始，我就將量子計算視為一個科學探索，任何工業應用只是附帶的收益。因此，如果量子模擬僅偶爾超越經典機器學習，我不會像一些同事那樣感到特別失望。”
瑞士聯邦理工學院/EPFL的相關專家指出，量子計算機在模擬復雜量子系統如何隨時間演化方面可能具有明顯優勢。這將為統計力學和高能物理等領域的科學家提供有價值的洞察，但在短期內似乎不太可能帶來直接的實際應用。他補充道，“這些更多是利基應用，在我看來，單單這些還不足以證明巨額投資和過度炒作的合理性。”
盡管如此，MIT Technology Review釆訪的專家表示，缺乏商業應用并不意味着應放棄量子計算的研究，它可能在長期內為基礎科學帶來突破。“科學就像一系列嵌套的盒子。你解決了一個問題，卻會發現另外五個問題，”他總結道，“我們研究對象的復雜性隨着時間不斷增加，因此我們總是需要更強大的工具。”
隨着量子硬件的不斷發展，未來的計算格局將很可能形成“混合模型”，即將量子計算與經典計算方法、人工智能等技朮相結合，以便在不同問題領域中互相補充、共同發揮作用。這種混合模式不僅能彌補各個計算方法的短板，還能通過集成不同領域的優勢來實現更為高效和精確的計算處理。量子計算在某些復雜的模擬問題上展現出巨大潛力，但它也面臨着硬件和算法方面的挑戰，無法在短期內單獨解決所有問題。
因此，量子計算與傳統計算、人工智能的協同工作將成為未來計算技朮發展的主要趨勢。這種跨學科、跨領域的融合將推動更加智能化和高效的計算方式，最終為諸如化學、藥物研發、材料科學等領域帶來革命性的進展。
