要点:
科技公司多年投入巨资研发量子计算机，寄望其在多个领域带来变革，但随着AI在物理、化学和材料科学领域取得突破，量子计算的“主场优势”正受到挑战。
科技正以前所未有的速度和规模发展，引发多个领域的变革，塑造了新的商业模式，甚至重塑了全新社会结构。我们一起，从科技创新中洞察社会转型和升级的机遇。
狂呼科技研究所聚焦科技创新对当今世界的影响，以独特、前瞻的科技视角，洞察科技时代下涌现的“创新革命”。
狂呼，以最具突破性的技术塑造我们的未来，为大众捕捉科技商业先机，探索当今人类社会面临的重大挑战。
联系我们// 相关文章
量子计算/Quantum computing作为一种革命性技术，近年来受到全球科研界和投资者的广泛关注。通过运用量子力学原理，量子计算突破了传统计算机的二进制计算限制，在处理特定复杂问题时展示出比经典计算机更强的优势。随着量子物理理论的深化以及技术的不断进步，量子计算逐步从理论研究迈向实际应用，成为未来计算领域的关键发展方向。
多年来，科技公司多年投入数十亿美元于量子计算机，寄希望于它们能在金融、药物研发、物流等多个领域带来颠覆性变革，尤其是在物理和化学领域，这种期待更为强烈，因为量子力学的独特效应在这些领域中发挥着重要作用。
量子计算的发展历史
量子力学和计算机科学这两个领域，长期以来在学术界各自发展，直至20世纪逐步融合。量子力学自1920年代起形成现代理论，成功解释了原子尺度上的波粒二象性，而计算机科学则在随后的几十年里逐步崛起，成为人类进行复杂计算的主要工具。两者在第二次世界大战期间分别发挥了重要作用，计算机助力于战时的密码破解，而量子物理学则是曼哈顿计划核物理研究的核心。
随着时间的推移，物理学家开始将量子力学模型引入计算领域，并提出用量子比特替代传统比特。 1980年，保罗·贝尼奥夫首次提出量子图灵机，利用量子理论简化了计算机的描述。与此同时，数字计算机性能的提升使得物理学家在模拟量子动力学时面临日益严峻的计算挑战，推动了Yuri Manin和Richard Feynman等学者提出，基于量子现象的硬件或许能更高效地进行这些复杂的计算任务。
1984年，Charles Bennett与Gilles Brassard将量子理论应用于密码学，提出量子密钥分发可以显著提高信息安全性。随后，量子算法不断发展，诸如1985年的Deutsch算法、1993年的Bernstein-Vazirani算法，以及1994年的Simon算法等，均证明了量子计算能够通过查询具有叠加态的“黑盒子”来获取超出经典计算机能力的信息。这一系列发展标志着量子计算的崛起，并为其未来的实际应用奠定了基础。
在彼得·肖尔/Peter Shor于1994年提出的基于量子计算的RSA和Diffie-Hellman加密协议破解算法的基础上，量子计算领域迎来了巨大的关注。这一突破使得量子计算的潜力得到了更加广泛的认识。随后，1996年，洛夫/Grover提出的量子算法为广泛应用的非结构化搜索问题提供了加速方案。同年，赛斯·劳埃德/Seth Lloyd证明了量子计算机能够模拟量子系统，且无需面临经典计算中无法避免的指数级开销，这一结果验证了理查德·费曼/Richard Feynman在1982年的猜想。
随着量子计算的理论研究不断深入，实验科学家也通过捕捉离子和超导体技术构建了小型量子计算机。 1998年，釆用两个量子比特的量子计算机成功展示了这一技术的可行性，随后的实验进一步增加了量子比特的数量并降低了系统的错误率，推动了量子计算机的逐步成熟。
2019年，谷歌人工智能团队与NASA联合宣布，他们通过54个量子比特的量子计算机实现了量子霸权，成功完成了一项经典计算机无法完成的任务。尽管这一声明的有效性仍在积极探讨中，但这一成就标志着量子计算迈出了重要的一步。到了2023年12月，物理学家首次报道了单一分子之间的量子纠缠现象，这一发现可能为量子计算的应用开辟了新的方向。
AI崛起挑战量子计算
然而随着量子硬件面临日益复杂的技术挑战，另一个竞争者“人工智能”AI在这些潜力巨大的领域取得了重要突破。如今，AI已广泛应用于基础物理、化学和材料科学，表明量子计算被认为的“主场优势”或许并不牢固。
随着近年来的快速进展，越来越多的研究人员开始思考，在大规模量子计算机真正投入使用之前，人工智能是否已经能够解决化学和材料科学领域中大多数最具挑战性的问题。
量子计算机的优势在于，它能够比传统计算机更高效地执行某些特定的计算任务。然而，要实现这一潜力，需要比目前规模更大的量子处理器。目前最先进的量子计算机已经突破了1000量子比特，但要实现对经典计算机的压倒性优势，可能需要数万甚至数百万量子比特。若这一目标能够实现，一些量子算法（如破解加密的Shor算法）将在指数级的速度下解决问题，这是传统计算方法无法比拟的。
然而，在一些具有明显商业应用的量子算法中，比如数据库搜索、优化问题求解或支持人工智能的应用，其相对于传统计算机的速度优势并不显著。去年，微软量子计算负责人与他人共同发表的一篇论文指出，当考虑到量子硬件运行速度远低于现代计算机芯片时，这些理论上的速度优势可能会消失。此外，将大量经典数据输入和输出到量子计算机的难度也是一大障碍。
因此，量子计算机应更多集中在化学和材料科学中的问题，这些问题涉及需要模拟由量子效应主导的系统。从理论上讲，基于量子原理运行的计算机在此类领域应当具有天然的优势。实际上，自从著名物理学家理查德·费曼首次提出这一概念以来，这一直是量子计算的核心驱动力之一。
此外，量子力学的规则主导着许多具有巨大实际和商业价值的事物，如蛋白质、药物和材料。它们的性质由其组成粒子之间的相互作用，特别是电子之间的相互作用决定。在计算机中模拟这些相互作用，能够帮助我们预测分子将表现出哪些特性。例如，这对于新药物的发现或更高效电池化学的开发具有重要意义。
量子力学的复杂规则，尤其是使远距离粒子的量子态能够本质上相互纠缠的现象，使得这些相互作用变得极为复杂。准确追踪这些相互作用需要进行极其复杂的数学运算，而随着粒子数量的增加，这些计算的难度呈指数级增长，这使得在经典计算机上模拟大型量子系统几乎变得不可行。
正是在这里，量子计算机展现了其优势。由于量子计算机本身基于量子原理，它们能够比传统计算机更高效地表示量子态，同时利用量子效应加速计算过程。
然而，并非所有的量子系统都有相同的复杂性。系统的复杂程度取决于粒子之间的相互作用强度。在相互作用强的系统中，追踪这些关系所需的计算量会迅速增加。然而，对于大多数化学家和材料科学家感兴趣的系统而言，粒子之间的关联通常较弱，这意味着这些系统中的粒子对彼此行为的影响较小，从而使得这些系统相对容易进行建模。
对于化学和材料科学中的大多数问题，量子计算机可能并不会带来任何显著的优势。经典计算工具，如密度泛函理论/DFT，已经能够精确地模拟弱关联系统。 DFT的核心思想是通过了解系统的电子密度（即电子在空间中的分布），就能够预测其关键特性。这种方法大大简化了计算过程，同时对弱关联系统仍能提供准确的结果。
尽管使用这些经典方法模拟大型系统需要相当大的计算能力，但近年来基于DFT的研究数量激增，产生了大量化学、生物分子和材料数据，这些数据可以用于训练神经网络。 AI模型通过学习这些数据中的规律，能够预测特定化学结构的特性，并且其计算成本比传统的DFT计算低得多。
这种方法显著扩大了可模拟系统的规模，一次最多可以模拟10万个原子并延长了模拟的时间范围。卢森堡大学的物理学教授也对此表示，“这简直太惊人了。几乎可以解决大部分化学问题。”此外，卡内基梅隆大学化学教授也指出，这些技术已经被广泛应用于化学和生命科学领域的企业。而对于研究人员而言，过去无法触及的课题，例如优化化学反应、开发新型电池材料和理解蛋白质结合等，现在都变得可行。 “与大多数AI应用一样，数据是最大的瓶颈。”他提到。 Meta最近发布的材料数据集包含了1.18亿种分子的DFT计算结果，基于这些数据训练的模型在性能上达到了最先进水平。然而，生成这些训练数据的过程消耗了大量的计算资源，远超大多数研究团队的能力。这意味着，要实现这种方法的全部潜力，仍然需要巨额的投资。
然而，使用DFT模拟弱关联系统并非是一个指数级增长的问题，这意味着只要有更多的数据和计算资源，基于AI的经典方法甚至可以模拟这些系统的最大部分。考虑到量子计算机可能仍需数十年时间才能达到与之竞争的水平，AI目前的发展轨迹表明，它可能会更早实现一些重要的里程碑，诸如精确模拟药物与蛋白质结合的过程等。
强关联系统
在模拟强关联量子系统（即粒子之间相互作用强烈的系统）时，传统方法如密度泛函理论/DFT很快就会遇到瓶颈。尽管这些系统更为复杂，但它们包括一些具有革命性潜力的材料，如高温超导体和超精密传感器。即便如此，人工智能AI在这一领域也取得了显著进展。
2017年，瑞士联邦理工学院/EPFL与微软在“科技”上发表了一篇具有开创性的论文，展示了神经网络能够模拟强关联量子系统。这种方法不同于传统的机器学习方式，它并非仅通过从数据中学习，而是通过类似DeepMind的AlphaZero模型的方式进行“自我对弈”。 AlphaZero通过掌握围棋、国际象棋和将棋的规则并进行自我对弈，达到了卓越表现。
在量子系统模拟中，“游戏规则”由薛定谔方程提供，它能精确描述系统的量子态或波函数。通过将粒子排列成某种配置并测量系统的能量，模型进行“对弈”，目标是找到最低能量配置，即基态，这决定了系统的性质。模型不断重复此过程，直到能量水平不再下降，表示已经接近或达到基态。
这种方法的优势在于其信息压缩能力。相关专家对此表示，“波函数是一个非常复杂的数学对象，而现在，多个研究表明，神经网络能够以经典计算机能够处理的方式捕捉这一复杂性。”这些研究表明，神经网络不仅能够有效模拟强关联系统，还在处理这些复杂问题时树立了新的技术标准。这使得AI在模拟最具挑战性的量子系统方面展现了巨大的潜力。
此外，这些突破引起了科技行业巨头的关注。今年8月，DeepMind的研究人员在“科技”上发表了一篇论文，展示了他们能够精确模拟量子系统中的激发态，这一能力未来可能用于预测太阳能电池、传感器和激光器的行为。微软的研究团队也开发了一套开源软件，帮助更多研究人员利用神经网络进行量子系统模拟。
需要注意的是，由于基态是通过试错而非精确计算得出的，这些方法提供的解只是近似值。然而，正因为如此，这种方法在处理看似无法解决的复杂问题时取得了突破。 ETH Zurich的研究员指出，如果目标是准确追踪强关联系统中所有粒子之间的相互作用，随着系统规模的增大，所需的计算量将呈指数级增长。但如果只需要一个“足够好”的近似答案，借助一些简化方法便能大有作为。 “或许精确模拟它是不可能的，但我们能够捕捉足够多的信息，涵盖物理学家关心的所有关键因素。如果做到这一点，结果实际上与真实解几乎没有差别。”
尽管大多数强关联系统对于经典方法而言过于复杂，但并非所有系统都如此。
没有万能的解决方案
渥太华大学物理学助理教授表示，目前还无法准确预测神经网络能够解决哪些具体问题。在一些复杂系统中，神经网络展现出优异表现，但在某些看似简单的系统中，其计算成本可能会意外增加。她指出，“我们尚未完全理解神经网络的局限性。没有人能够精确预测哪些条件下，神经网络难以有效表示系统。”
与此同时，其他经典量子模拟技术也在不断取得进展。纽约Flatiron Institute计算量子物理中心主任表示，“每种方法都有其独特的优势，它们相互补充。因此，我不认为这些机器学习方法会完全取代现有的其他方法。”
IonQ量子解决方案高级总监则认为，量子计算机也将找到其优势领域。他同意经典方法可能足以模拟弱关联系统，但坚信某些大型强关联系统将超出经典方法的处理能力。 “指数级复杂性最终会成为障碍，”他说，“对于一些强关联系统，经典方法无法应对，我对此深信不疑。”
与此相比，他认为未来具备容错能力并且量子比特数量远超现有设备的量子计算机，能够模拟这些系统的复杂性。这可能有助于发现新型催化剂，或加深对人体代谢过程的理解，这对制药行业至关重要。
未来的计算格局为“混合模型”
IBM量子计算项目负责人认为，神经网络可能会扩展其解决问题的范围，但他并不认为它们能够解决企业最为关注的复杂难题。 “这也是许多专注于化学需求的公司仍在探索量子计算的原因，因为它们深知这些近似方法的局限性。”
此外，他还否认了这些技术之间存在竞争关系的观点。他认为，未来的计算可能釆用混合模式，将量子计算与经典子程序结合起来解决问题。 “我不认为它们在竞争。我认为它们是互补的，”他说。
然而，德克萨斯大学量子信息中心主任却指出，在量子化学和凝聚态物理等领域，机器学习方法实际上与量子计算机直接竞争。他预测，机器学习与量子模拟的结合，在许多情况下将优于单纯的经典方法，但这一点可能要等到更大规模和更可靠的量子计算机出现后才会变得明确。 “从一开始，我就将量子计算视为一个科学探索，任何工业应用只是附带的收益。因此，如果量子模拟仅偶尔超越经典机器学习，我不会像一些同事那样感到特别失望。”
瑞士联邦理工学院/EPFL的相关专家指出，量子计算机在模拟复杂量子系统如何随时间演化方面可能具有明显优势。这将为统计力学和高能物理等领域的科学家提供有价值的洞察，但在短期内似乎不太可能带来直接的实际应用。他补充道，“这些更多是利基应用，在我看来，单单这些还不足以证明巨额投资和过度炒作的合理性。”
尽管如此，MIT Technology Review釆访的专家表示，缺乏商业应用并不意味着应放弃量子计算的研究，它可能在长期内为基础科学带来突破。 “科学就像一系列嵌套的盒子。你解决了一个问题，却会发现另外五个问题，”他总结道，“我们研究对象的复杂性随着时间不断增加，因此我们总是需要更强大的工具。”
随着量子硬件的不断发展，未来的计算格局将很可能形成“混合模型”，即将量子计算与经典计算方法、人工智能等技术相结合，以便在不同问题领域中互相补充、共同发挥作用。这种混合模式不仅能弥补各个计算方法的短板，还能通过集成不同领域的优势来实现更为高效和精确的计算处理。量子计算在某些复杂的模拟问题上展现出巨大潜力，但它也面临着硬件和算法方面的挑战，无法在短期内单独解决所有问题。
因此，量子计算与传统计算、人工智能的协同工作将成为未来计算技术发展的主要趋势。这种跨学科、跨领域的融合将推动更加智能化和高效的计算方式，最终为诸如化学、药物研发、材料科学等领域带来革命性的进展。
