AI能帮量子计算做什么，量子计算又能为AI带来什么？
AI能帮量子计算做什么，量子计算又能为AI带来什么？｜PAIR 2026
2026年10月13日 14:10
DeepTech深科技
9 月 20 日至 21 日，以“下一代物理智能前沿”为主题的 PAIR Conference 2026 在上海举行。会议由上海物理智能与机器人研究院举办，大会邀请来自高校、科研机构及产业界的多位专家学者参与，围绕下一代智算系统、下一代智能载体、下一代科学发现和下一代计算范式等方向展开讨论。
其中，“下一代计算范式”专题将量子计算与人工智能的结合列为重要议题。在题为《量子计算与人工智能：双向赋能的现实路径与边界》的圆桌讨论中，中国科学院物理研究所特聘研究员扈鸿业、西湖大学研究员严正、上海交通大学助理教授吴安邦，在香港中文大学助理教授梁之鼎的主持下，围绕 AI 如何推动量子计算走向实用、量子计算能为 AI 带来什么，以及两者如何协同解决科学问题展开交流。
随着 AI Agent 开始参与科研工作，量子计算领域的一些实验和软件任务也在发生变化。过去需要实验人员反复调试的量子芯片，如今已经可以在百余量子比特规模上进行自动校准；量子编译、程序验证和纠错码优化，也成为研究人员尝试引入 AI 的方向。
但量子计算有其特殊的物理规律。AI 能否真正提高这些任务的效率？如果未来拥有足够可靠的量子计算机，它又能否反过来为 AI 提供新的计算能力？
图 | 梁之鼎、扈鸿业、严正、吴安邦进行圆桌讨论（来源：PAIR） 围绕这些问题，三位研究者结合各自的工作，分享了具体进展，也对 AI 和量子计算各自的能力边界提出了不同看法。
AI 正在改变量子计算的研发方式
在量子计算研究中，AI 可以参与的环节很多，从硬件设计、噪声建模、控制校准，到软件编译、量子纠错和科学应用，都有相应的探索。但中国科学院物理研究所特聘研究员扈鸿业首先强调，并不是所有问题用了 AI 就一定更好。
他认为，一些目标明确、需要实验人员重复执行的任务，尤其适合由 AI Agent 接管。例如量子芯片的校准，超导量子比特的频率可能存在差异，中性原子平台中的激光参数也会随时间发生漂移。过去，这些工作需要实验人员不断测量、调整，才能让设备维持正常运行。
扈鸿业介绍，今年年初，物理所、北京量子院相关量子研究团队已经在百余个量子比特规模上开展自动校准，实现了无需实验人员持续参与的芯片校准。他将其形容为“无人驾驶版”校准。同时对于中性原子平台中的激光稳定控制、原子重排等任务，中科大团队率先实现了人工智能完成快速原子阵列重排，展示了“原子电影”，清华团队则利用智能体完成实验室的“自动托管”，让原子装载率实现持续稳定，随时开机实验。这些都是国内将 AI 与量子结合走在前面的案例。他也预期近期一定能够看到更多的实验室实现自动化，让研究人员不必再把大量时间花在重复实验上。
不过，在扈鸿业看来，AI 能够完成一项任务，与它能否高效完成这项任务，是两回事。例如在量子态学习和信息读取中，神经网络虽然能够发挥作用，但如果没有结合问题本身的物理规律，可能需要消耗大量的测量与训练样本和计算资源。
他提到，Google 近期的一项相关研究给他留下了深刻的印象，他们首次在实验中利用人工智能操控物理器件实现了无需停机的量子运算。但是强化学习方法需 要约 10⁵～10⁶ 次采样，而如 果设计更合适的学习方法，采样的需求可以数量级式降低。两者之间的差距，恰恰体现了人类对物理问题的理解在算法设计中的价值。
“不是说所有问题用了 AI 就好。” 扈鸿业说道 ，有些任务仍 然需要可理解、可证明的学习方法，而不是直接把神经网络应用到量子问题上。
主持人梁之鼎也谈到了自动校准的难度。他此前曾认为，校准可能成为量子计算走向大规模系统的一个瓶颈。虽然相关研究已经取得进展，但如果未来量子比特数量大幅增加，如何利用 AI 进行实时、大规模校准，仍然需要更多工作。
从实验中的重复操作延伸到软件研发，上海交通大学助理教授吴安邦对 AI 的发展更加乐观。
他提到，计算机领域的研究速度正在明显加快，论文和新研究出现的数量，已经远超自己读博时的水平。如今，研究人员可以在一台或多台服务器上同时运行十几个甚至上百个 AI Agent，让它们不断提出想法、编写原型程序、验证结果，再进入下一轮迭代。
吴安邦经常和学生开玩笑，面对能够持续工作的 Agent，研究人员感受到的竞争压力越来越大。在他看来，这种变化也会发生在量子计算领域，尤其是量子软件研发。
以量子编译器为例，AI 可以帮助分析量子电路的特征，寻找新的等价变换方法，提出优化方案，甚至参与设计更高效的量子程序验证方式。量子程序验证本身就是一项困难任务，部分问题的计算复杂度会随着系统规模增长而迅速增加。如果 AI 能够同时参与方案设计与验证，就有机会形成持续迭代的研发过程。
量子纠错也是他看好的方向。吴安邦提到，扈鸿业团队提出的相关量子纠错码方案，未来可能通过 AI 进一步优化，降低实现纠错所需要的资源成本。他预计， 未来两三年量子计算软件领域可能出现非常快的发展，AI 甚至可能提出一些过去研究人员没有想到的优化技术。
对于 AI 的快速发展，西湖大学研究员严正则从量子多体研究中观察到了不同的情况。
严正主要研究量子多体问题，也就是大量量子粒子相互作用时产生的复杂物理现象。他注意到，AI 快速发展以后，数学物理以及部分少体问题相关研究的论文数量增长很快，但强关联量子多体领域的发文量并没有出现同样明显的变化。
这并不是说 AI 完全帮不上忙。严正介绍，团队近期尝试利用量子门改变多体问题的表象。对于一些复杂的量子问题，如果能够找到合适的数学表达方式，计算就可能变得容易处理。AI 可以帮助研究人员寻找更合适的局域量子门，简化其中一部分问题。
困难在于，真正复杂的多体系统可能存在很强的长程纠缠，整个体系中的不同部分相互关联。对于这样的系统，仅仅通过局部变换往往无法解决根本问题，而涉及整个体系的全局量子变换又非常困难。
严正认为，AI 可以帮助研究人员在现有算力条件下寻找更好的解，但那些依然无法处理的强关联量子问题，最终还是需要量子计算技术本身的发展。
从扈鸿业介绍的自动校准，到吴安邦期待的量子软件优化，再到严正研究的复杂量子多体问题，AI 在不同环节能够发挥的作用并不相同。有些重复性实验任务已经开始实现自动化，而部分涉及复杂量子关联的问题，仍然很难仅靠现有的 AI 方法解决。
量子计算能否为 AI 带来新的能力？
AI 正在参与量子计算的研发，但反过来，量子计算能够为 AI 带来什么？在这一问题上，三位嘉宾关注的方向并不相同。
严正首先谈到了量子启发式算法。这类方法借鉴量子物理中的思想，在经典计算机上设计新的求解方式，并不一定需要真正的量子硬件。例如，量子退火相关思想，以及概率比特、概率计算机等研究，已经为一些优化问题提供了新的方法。
不过，严正强调，量子启发式算法与真正的量子算法之间仍然存在差距。
经典计算机在一定条件下可以模拟部分量子系统，例如利用张量网络等方法处理量子多体问题。但如果系统中的量子纠缠非常复杂，这类方法就可能变得难以使用。其他利用经典计算模拟量子过程的方法，也同样受到适用条件的限制。
严正用了一个比喻：量子启发式算法相当于告诉人们一条新的道路，但道路很宽，经典计算机只能走到自己能力所及的地方。要继续向前探索，仍然需要真正的量子计算技术。
与借鉴量子思想来改进经典算法不同，扈鸿业更关心直接利用量子系统构建生成模型的可能性。他回忆，过去在哈佛时，研究人员经常讨论，如果未来真的拥有一台能够可靠纠错、具有 100 个或者 1,000 个量子比特的计算机，究竟应该用它做什么。
扈鸿业感兴趣的一个方向，就是量子生成模型。目前的生成式 AI 可以学习数据的概率分布，再按照一定概率生成结果。量子系统本身也具有类似的特征：对量子态进行测量，就会按照相应的概率分布得到测量结果。
由此产生一个问题：对于某些复杂的数据分布，如果使用经典生成模型进行模拟，与直接利用量子系统生成结果相比，两者的资源消耗究竟有多大差距？
扈鸿业将这一问题与爱因斯坦提出的 EPR 问题，以及后来的贝尔不等式研究联系起来。相关研究表明，量子纠缠产生的某些关联，无法由满足特定条件的经典局域隐变量模型解释。从生成模型的角度，也可以重新理解经典模型与量子系统在表示这些关联时的差异。
他介绍，与郜勋、Eric 等人沿着这一思路，将相关问题扩展到量子多体系统和生成模型，并在特定任务中证明，量子生成模型相对于相应经典生成模型具有无条件的、多项式级的内存资源优势。
不过，扈鸿业认为，目前能够证明的多项式级差距，可能还不是实际差距的极限。量子生成模型在内存资源需求上的优势是否可达到指数级，也是一个很有意思的问题，但现有理论还不足以证明这一点。如果未来有了合适的量子计算机，他希望能够通过实际设备进一步验证这一设想。
对于量子计算如何帮助 AI，吴安邦提出了另一个问题：量子计算能否带来一种全新的 AI 模型结构，还是主要体现为计算效率的提升？
在他看来，经典计算机原则上也能够模拟量子计算，只是在某些问题上，可能需要付出极高的时间和计算资源成本。因此，他更关心量子计算与经典计算在模型表达能力上是否存在根本差异。
吴安邦提到，自己阅读过不少量子机器学习相关论文，但目前看到的很多研究，仍然借鉴经典神经网络的结构，再尝试使用量子电路实现。他还没有看到一种真正充分利用量子计算优势，并在实际演示中取得突出结果的全新 AI 范式。
相比之下，他更看好量子计算未来在特定任务上的计算加速能力。例如，国际象棋、围棋等问题可以转化为搜索树，如果能够更快地探索不同路径，就可能提高求解效率。这也是他理解量子计算帮助 AI 的一个方向。
从复杂材料到未来应用，AI 和量子计算如何分工？
在讨论了两种技术各自的能力以后，话题进一步转向具体科学研究：面对材料、分子和复杂量子系统等问题，经典计算、AI 与量子计算应该怎样配合？
扈鸿业介绍了哈佛与伯克利研究人员合作的材料计算案例。他提到，材料研究经常涉及多个不同尺度的物理问题，并不是每一个尺度都需要使用量子计算。
例如，对于某些复杂磁性材料，研究人员可以先确定原子的稳定构型，再进一步处理电子自旋之间的相互作用，而后者可以转化为量子磁性的问题利用量子计算机求解基态。这种方式把传统计算和量子计算结合起来，让不同方法分别处理适合自己的任务，而不是要求量子计算机完成整个材料研究中的所有计算。
除了具体计算任务的分工，吴安邦更关注 AI 在跨学科合作中能够发挥的作用。
作为计算机背景的研究者，他进入量子化学、材料科学等陌生领域时，首先面临的问题往往是不知道哪些研究最重要，也不了解解决问题需要经过哪些步骤。过去，这需要通过大量阅读论文，花费很长时间才能逐渐掌握。
现在，AI 可以帮助快速梳理一个领域的重要问题、已有研究和常见技术路线。吴安邦举例，过去可能需要花一年时间阅读文献，才能对某个领域形成比较清晰的认识，而利用 AI，可能半个小时就能得到一个初步概览。
他还提出，量子研究积累的知识和研究方法，也可以反过来丰富 AI。在吴安邦看来，一篇论文的重要价值不一定只是最终结果，还包括研究者思考问题和解决问题的方式。如果能够将这些知识进一步融入 AI Agent，未来也有机会帮助研究人员开展量子领域的研究。
对于哪些科学问题真正需要量子计算，严正以高温超导为例进行了说明。
他指出，对于普通半导体等材料，密度泛函理论、能带理论已经能够有效处理许多问题。但强关联量子材料不同，大量电子之间存在复杂的相互作用，传统计算方法往往难以准确描述。
高温超导就是其中一个代表。虽然相关研究已经开展多年，但其微观机制仍有重要问题没有解决。如果能够进一步理解这些规律，才有可能更清楚地判断室温超导等研究方向的可行性。
严正认为，这类问题涉及大量相互关联的量子自由度，计算复杂度非常高，也是量子计算未来值得重点探索的方向。
他用一个形象的比喻解释 AI 和量子计算的分工：AI 更像一个能够整合理论、实验和已有知识的指挥者，帮助研究人员判断方向；量子计算机则像真正进入实验室执行任务的人，负责处理那些需要复杂量子计算能力的问题。
在严正看来，未来相当长一段时间内，这种分工可能仍然适用。量子计算不需要解决所有问题，而应当重点处理那些适合它的复杂任务。
讨论最后，主持人梁之鼎提出了一个更加开放的问题： 量子计算未来究竟会以什么形式进入社会？
他回顾了传统计算机和 GPU 的发展历史。很多技术在发展初期，人们设想的用途，与后来真正产生重大影响的应用并不完全相同。随着技术不断发展，一些原本没有预想到的用途才逐渐出现。
相比具身智能、太空计算等能够通过科幻作品形成直观想象的技术，梁之鼎认为，公众对量子计算的未来应用仍然缺乏具体的画面。科幻作品中的量子世界经常被表现为五彩斑斓的隧道或多元宇宙，却很难告诉人们量子计算最终能够做什么。
为此，他介绍了自己正在开展的“量立方”创意征集，希望通过文字、AI 生成短片等形式，鼓励更多人想象量子科技未来可能具有的应用形态。
吴安邦回忆，自己最早接触量子概念时，也曾想象能否实现从一个地方到另一个地方的“瞬间移动”。后来研究量子计算以后，他逐渐认识到，在物质世界中实现这样的移动并不现实。他还进一步提出了远距离意识交互等更加大胆的设想，讨论未来能否通过量子信息技术，让人在遥远空间操作另一台机器。
严正则用一个更简单的比喻，解释 AI 与量子计算未来可能形成的关系。他认为，AI 可以理解为一位知识丰富、擅长思考的数学家或物理学家，但即使再优秀的数学家，要把一万个没有规律的数字相加，也可能需要很长时间。量子计算机则更像一台面向特定问题的计算器，两者擅长的事情不同，但可以相互结合。
至于为什么量子计算的未来应用很难被直观想象，扈鸿业认为，这与人类长期生活在经典世界有关。我们通过感官获得的主要是经典信息，很难直接观察量子态，也就缺乏理解复杂量子现象的直观经验。
与此同时，人类对量子世界本身的认识也还十分有限。扈鸿业举例，研究人员在量子多体系统中发现的疤痕态现象，以及近年来特殊量子线路相关研究中出现的一些新结果，都说明复杂量子系统中还存在许多尚未充分认识的结构和规律。
他提到，量子系统所处的希尔伯特空间非常庞大，其中还有很多人类尚不了解的现象。对于量子计算未来究竟能够做什么，科学家仍然需要继续探索。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成