1. 起点：AI的电力需求与对量子计算机的期待
AI规模越大，计算所耗的电力也越多。据国际能源署（IEA）数据，数据中心在2024年用电415太瓦时（TWh），约占全球电力消费的1.5%；到2030年预计将增至约945TWh，增长一倍以上。IEA认为，这一增长最主要的推动因素是AI。
在这样的背景下，“量子计算机将突破AI的瓶颈”这类期待频频出现。不过，物理学家约翰·普雷斯基尔在讨论NISQ（含噪声的中等规模量子）技术的2018年论文中写道，门操作的噪声限制了能够稳定运行的线路规模，百量子比特级别的量子计算机“不会立刻改变世界”。本文不谈期待，而是顺着论文与官方发布所真正展示的内容来看。
2. 量子优越性实验实际展示了什么
2019年，谷歌研究团队在《自然》（Arute等）上发表成果：53量子比特超导处理器“悬铃木”（Sycamore）对一个随机量子线路采样100万次约需200秒。按当时的基准测算，用最先进的经典超级计算机完成同样的任务约需1万年，研究团队将其表述为“针对这一特定计算任务”的量子优越性的实验实现。论文同时指出，模拟方法一直在稳步进步，预计最终会实现比本文所报告更低的模拟成本。不过论文也同时表示，更大规模量子处理器的硬件进步有望继续领先于这一速度。
反驳很快出现。IBM研究团队在arXiv:1910.09534中分析指出，若利用辅助存储设备，用橡树岭国家实验室的超级计算机“顶点”（Summit）可以在数天内以高保真度模拟这类线路。此后，Pan、Chen与Zhang在arXiv:2111.03011中报告，他们用512块GPU组成的集群，在约15小时内生成了53量子比特、20周期悬铃木线路的100万个不相关样本。目标保真度约为0.0037。
中国科学技术大学（USTC）的研究团队也开展了类似实验。超导处理器“祖冲之”2.1拥有66个量子比特，在约4.2小时内完成了60量子比特、24周期规模的随机线路采样。研究团队估计，用经典方式模拟同样的任务约需4.8×10⁴年（Zhu等，arXiv:2109.03494）。该论文的摘要开头便写道，要“经受住不断改进的经典算法与硬件的竞争”，就必须升级量子硬件。同一研究组的光量子计算机“九章”在高斯玻色采样实验中，观测到最多76个输出光子的探测信号（Zhong等，arXiv:2012.01625）。
综上，这些实验展示的是在特定采样任务上量子装置与经典计算之间的竞争，而不是把AI模型训练得更快的成果。
3. 量子机器学习想做什么
量子机器学习的一个代表性起点，是2019年发表于《自然》的Havlíček团队论文（arXiv:1804.11326）。研究团队指出，支持向量机（SVM）等核方法应用广泛，但当特征空间变大、计算核函数的成本上升时就会遇到瓶颈。他们还说明，量子算法获得加速的关键在于通过操控纠缠与干涉，利用呈指数级增长的量子态空间。
这篇论文在超导处理器上提出并演示了两种方法。一种是用变分量子线路对训练数据进行分类的“量子变分分类器”，另一种是先用量子计算机估计核函数、再用所得数值优化分类器的“量子核估计器”。两种方法都把量子态空间当作分类问题的特征空间。
值得注意的是表述的分寸。论文写的是，只有量子计算机才能高效访问的特征空间提供了通往量子优越性的“一条可能的路径”。论文提出的并非已经确立的优势，而是今后有待验证的方向。
4. 当前的代表性策略：变分量子算法（VQA）
发表于《自然·物理学评论》的Cerezo团队综述（2021年，arXiv:2012.09265）这样总结当前的状况：复杂量子系统的模拟或大规模线性代数问题对经典计算机来说极为困难，量子计算机有望提供解法，但容错量子计算机在近期内难以出现。现有装置的量子比特数量少，噪声又限制了可运行线路的深度。
应对这些限制的代表性策略就是变分量子算法（VQA）。其做法是用经典优化器训练带参数的量子线路：量子装置估计代价函数，经典计算机接收这些数值并更新线路参数。梯度也可以通过在量子硬件上额外运行线路的“参数移位规则”来估计。也就是说，它与人们常说的“量子计算机做计算、GPU跑反向传播”这一图景在结构上并不相同。求分子基态能量的VQE、为组合优化问题寻找近似解的QAOA都属于这一框架。
这篇综述一方面认为VQA看起来是获得量子优越性的“最大希望”，另一方面也明确指出，可训练性、精度与效率这些课题依然存在。
5. 阻碍学习的壁垒：贫瘠高原
可训练性问题的典型例子就是“贫瘠高原”（barren plateau）。发表于《自然·通讯》的McClean团队论文（2018年，arXiv:1803.11173）表明，虽然随机线路常被建议用作参数化量子线路的初始值，但由于希尔伯特空间维度呈指数级增长以及梯度估计的复杂度，这种做法并不适合超过几个量子比特的混合算法。
具体来说，在很大一类参数化量子线路中，梯度在给定精度下不为0的概率会随量子比特数呈指数级减小。研究团队把这一现象与随机线路的2-design性质联系起来，并在结论中指出需要研究解决办法。这意味着仅仅增加量子比特并不会让学习变好；相反，如果不谨慎设计初始化方式和线路结构，学习本身可能就会受阻。
6. 硬件：三条路线与公开数据
超导方式是谷歌“悬铃木”和IBM采用的方式。据IBM的硬件与路线图页面，IBM的量子计算机包括133量子比特的Heron r1、156量子比特的Heron r2与r3，以及120量子比特的Nighthawk，其中Heron系列配备了可调耦合器。IBM把Quantum System Two介绍为自家的旗舰系统，也是“以量子为中心的超级计算”的核心。
离子阱方式用电磁力束缚离子，并将其用作量子比特。IonQ的技术介绍页面说明，该方式把离子与环境隔离，从而减少噪声和相干性损失；而且量子比特之间不靠物理布线连接，因此所有量子比特都能彼此直接相互作用。Quantinuum在2024年4月16日宣布，其商用系统H1-1在所有量子比特对上都实现了99.914(3)%的双量子比特门保真度。需要注意的是，这两项都属于企业自行发布的数据。
中性原子方式把不带电的原子排列起来当作量子比特。发表于《自然》的Bluvstein团队（哈佛大学等）论文（2023年12月在线发表）报告了在可重排的中性原子阵列上、以最多280个物理量子比特运行的逻辑量子比特处理器。研究团队把表面码的码距从3提高到7，从而改进了双量子比特逻辑门，并以容错方式制备了逻辑GHZ态，还用最多48个逻辑量子比特实现了采样线路。
7. 纠错，以及对化学模拟的期待
Bluvstein团队在论文的第一句就写道，抑制误差是实现有用量子计算的核心课题，大规模运算需要量子纠错。他们还补充说明，把信息分散存放在多个物理量子比特上的“逻辑量子比特”开销很大，这对大规模逻辑量子计算构成了相当大的挑战。这与前面提到的Cerezo综述并不把容错量子计算机看作近期之事，是同一个脉络。
经常被称为量子计算机“杀手级应用”的领域是分子与材料化学。不过Lee团队的分析（arXiv:2208.02199）以量子化学中最常见的课题——基态能量估计为对象收集证据，结论是：在整个化学空间范围内，尚未发现存在指数级量子优越性的证据。作者们的立场是，量子计算机对量子化学仍然可能有用，但更谨慎的做法是不要假定这一问题普遍能获得指数级加速。
8. 各国与各机构在做什么
抗量子密码。美国国家标准与技术研究院（NIST）在2024年8月13日正式发布了3项为抵御量子计算机攻击而设计的密码标准：用于密钥封装的FIPS 203（ML-KEM），以及用于数字签名的FIPS 204（ML-DSA）和FIPS 205（SLH-DSA）。这是NIST抗量子密码标准化项目中最先完成的标准。
美国。国家量子倡议（NQI）依据2018年的《国家量子倡议法》启动，之后通过2022财年《国防授权法》（NDAA）和2022年《芯片与科学法》（CHIPS and Science Act）作了修订。该倡议由各联邦机构执行，包含14个国家量子信息科学（QIS）研究中心和量子产业联盟。
欧盟。量子技术旗舰计划继2016年的《量子宣言》之后于2018年启动，以10年间约10亿欧元（预计）的欧盟预算支持量子计算、量子模拟、量子通信以及量子传感与计量。页面介绍的早期阶段代表性项目包括基于超导线路的OpenSuperQ和离子阱系统AQTION。
日本。理化学研究所（RIKEN）与富士通等合作研制的64量子比特超导量子计算机，已于2023年3月底通过面向研究人员的云平台公开（RIKEN）。同年10月5日起，RIKEN与富士通把新研制的64量子比特量子计算机与富士通的40量子比特量子模拟器结合而成的混合平台，提供给共同研究的企业和机构使用（RIKEN）。
韩国。科学技术信息通信部在2023年6月27日发布了政府层面的首个“量子科学技术战略”，提出到2035年投入3万亿韩元规模的资金，使技术水平达到领先国家的85%，并培养核心人才2,500人、占据全球量子产业10%的份额、培育1,200家量子企业等目标（大韩民国政策简报）。韩国标准科学研究院（KRISS）计划把2024年研制的20量子比特量子计算系统以云服务形式提供给产业界等，并公布了50量子比特系统的研发计划。
9. 小结：不是取代，而是验证的时间
若对照原始文献来看“量子计算机将改变AI”这句话，可以分成三点。第一，量子优越性实验确实存在，但仅限于特定的采样任务，而且与经典计算的竞争仍在继续。第二，量子机器学习提出了有趣的方法，但实用优势目前仍停留在“一条可能的路径”上，而且像贫瘠高原这样的训练难题已被确认。第三，大规模运算所需的纠错，还处在逻辑量子比特实验正在进行的阶段。
因此，现在有意义的问题不是“何时取代GPU”，而是“在哪些问题上、在什么条件下优于经典方法，以及是谁验证的”。看到新的发布时，确认一下任务究竟是什么、作为比较对象的经典方法是否是最新的、数值出自论文还是企业发布，就能区分夸大与真正的进展。