量子界“WAIC”精彩速递！量子AI众望所归

文丨浪味仙  排版丨浪味仙

行业动向：3000字丨7分钟阅读

内容提要

当经典计算越来越难以高效处理复杂分子模拟、大规模组合优化、超高维搜索以及新一代 AI 模型训练中的部分瓶颈，量子计算开始从实验室走向产业现场。过去十年，它完成了从科学验证到工程化发展的关键跨越；今天，它开始进入金融、生物医药、能源电力等真实场景，与 AI 共同组成新的计算体系，行业关注的重点，也从“证明量子计算能够工作”逐渐转向“它能够承担哪些真实计算任务”。

随着“十五五”规划明确提出发展“可容错的通用量子计算机”和“可扩展的专用量子计算机”，中国量子计算的发展路线进一步清晰。相比仍在持续攻关的通用量子计算机，专用量子计算正率先进入产业实践，围绕特定问题参与真实计算流程，探索创造现实价值的路径。

在第五届 CCF 量子计算大会暨大湾区量子科学论坛上，“专用量子计算+AI 应用”子论坛集中展示了这一方向的最新探索。多位学者围绕不同应用场景分享了研究进展。本文选取其中两个具有代表性的案例，从流体动力学和具身智能两个方向，观察专用量子计算如何开始进入 AI 计算流程。

01

流体仿真开始调用量子计算

流体动力学长期依赖数值模拟完成飞机、汽车、能源装备等系统设计。近年来，物理信息神经网络（PINN）能够直接学习流体控制方程，为计算流体力学轻量化求解提供了新的思路。不过，这类模型的求解效果很大程度上依赖配置点选择，而配置点预算往往十分有限。剪切层、涡核及高梯度区域等决定流场演化的重要位置容易覆盖不足；如果仅依据残差进行选点，又容易造成采样点局部聚集，带来信息冗余。如何在有限预算下兼顾配置点价值和整体分布，成为PINN训练中的关键问题。

上海酉术量子科技有限公司算法工程师翁恺文在演讲中提到，研究团队将配置点选择建模为 QUBO 组合优化问题，通过玻色量子 Kaiwu SDK 调用专用量子计算机参与求解，综合考虑单个配置点的物理价值以及配置点之间的关联关系，筛选高价值、低冗余的配置点，再将优化结果回传 PINN 继续训练，形成配置点动态更新的自适应闭环。整个过程并不是利用量子计算替代 PINN，而是让专用量子计算承担配置点优化这一组合优化任务。

研究团队以圆柱绕流这一典型非定常流动问题进行了验证，并与 Random、Greedy、RAR、RAD 等主流配置点选择策略开展系统比较，共统计 95 组 seed-step 实验结果。结果显示，Kaiwu 与 Random、RAD、RAR 和 Greedy 策略的平均配置点重合率分别仅为 6.96%、12.72%、17.93% 和 21.43%，形成了区别于现有方法的配置点选择机制。

在流场重建实验中，该方法较好恢复了主要尾迹结构和周期性涡脱落现象，实验同时展示了专用量子计算机真机运行结果，其整体表现与模拟趋势保持一致，验证了利用专用量子计算优化 PINN 配置点选择的可行性。未来，这一思路还有望进一步拓展至机翼、车身等复杂工程流动预测与仿真场景。

02

机器人开始寻找最低能量动作

如果说上一项研究解决的是“如何找到更好的配置点”，那么在具身智能领域，研究者面对的是另一个更加复杂的搜索问题：机器人如何找到真正符合物理规律的动作。

具身智能（Embodied AI）让人工智能从“理解世界”走向“作用于世界”，但其物理世界行动受物理约束，必须遵循物理因果关系。当前，具身智能和 VLA（Vision-Language-Action）模型最大的瓶颈在于，现实世界的 VLA 组合可能性总量巨大，但能够收集到用于训练的却相对稀少。目前主流方案中，无论是自回归、扩散模型，本质上都默认动作空间是连续、均匀的，并通常以各向同性高斯分布作为噪声起点，再逐步生成机器人动作。但这一假设与真实物理世界存在根本偏差。

机器人执行任务时始终受到重力、碰撞、关节限制、障碍物等物理约束，例如机械臂不能穿过桌面、抓取需要从合适角度接近物体、运动轨迹需要避开障碍。这意味着，可行动作并非均匀分布，而是集中在少数满足物理规律的区域，形成一种所谓的“能量地貌（Energy Landscape）”。传统生成模型虽然能够产生多种候选动作，却缺乏对动作质量的显式评价机制，不知道哪些动作真正符合物理约束，因此容易出现动作效率低、碰撞、轨迹不合理以及推理成本较高等问题。 

高奇指出，并非是要用量子计算机直接替代 VLA 模型，而是在动作生成过程中增加一层能量评价与采样机制。具体来说，它将机器人动作建模为一个能量优化问题：能量越低，说明动作越符合物理规律；能量越高，则意味着动作违反约束。为了实现这一目标，模型引入 Energy-Based Model（EBM），由生成模型负责提出候选动作，再由能量模型负责评价和筛选，从“会生成动作”提升到“知道哪个动作更好”，之后可将这一优化问题映射到 Ising 模型，因为寻找最低能量动作本质上就是寻找最低哈密顿量对应的自旋状态。

此外，高奇还提出了 QBM Diffusion，其核心改动是把传统 Diffusion中无结构的高斯噪声，替换为基于条件玻尔兹曼分布的结构化噪声。这样一来，模型不再从完全随机的位置开始搜索动作，而是在更符合任务和环境约束的能量区域开始生成和优化动作，使噪声本身携带任务先验信息。

在药物发现领域，QBM Diffusion 沿用相同思路，通过 QBM 采样得到的低能量构型替代随机噪声，可提升生成药物分子的质量，该方法同样为专用量子计算与生成式人工智能在AI for Science、具身智能等方向的进一步融合提供了新的探索路径。

03

专用量子计算加入 AI 

把这两个案例放在一起观察，我们会发现，它们解决的是同一类问题。

流体动力学需要在大量候选配置点中找到最有价值的一组；具身智能需要在海量动作空间中找到最符合物理规律的动作。两者面对的都是庞大的搜索空间和复杂约束条件，而专用量子计算承担的正是组合优化、低能量搜索等经典计算成本较高的任务。

这就意味着，专用量子计算的产业化路径正在变得清晰。它并没有试图替代 AI 完成建模、学习或推理，而是作为一个新的优化模块嵌入 AI 计算流程，在最擅长的问题上发挥作用。未来，无论是科学计算、机器人控制，还是药物发现、新材料设计，当越来越多类似的优化任务开始调用量子计算机，越来越多的计算环节被拆分出来交给专用量子计算，量子计算创造价值的方式也将变得越来越具体。

「END」