AI激发算力新需求！玻色量子副总裁巨江伟解读：量子计算并非GPU的竞争对手

每经记者｜杨煜每经编辑｜魏文艺

AI（人工智能）所引发的算力紧缺问题，正促使产业界与投资界将视线转向算力架构的深层次变革。

"我们觉得，传统算力扩张模式受到成本和能耗的双重制约，而量子计算则开辟了一条全新的路径。"日前，北京玻色量子科技股份有限公司（以下简称"玻色量子"）副总裁巨江伟在同《每日经济新闻》（以下简称"NBD"）记者的访谈中谈到。

"量子计算是人工智能绕不开的命题，反过来同样成立。"巨江伟表示，但这并不等于取代或对抗传统算力，而是彼此融合、共同生长，"量子人工智能和量子—经典混合计算，归根结底是同一个方向。"

2025年11月，玻色量子在深圳落成了国内首座专用量子计算机制造工厂，以整机型态向商业客户提供交付，产品已在AI、通信、金融、医药、能源、新材料探索等领域开展场景试验与落地。今年7月，公司已提交首次公开发行股票（IPO）辅导备案。

量子计算正从科研阶段快步走向实际应用。然而在产业热度持续走高的背景下，巨江伟指出，量子计算机的商业化推进仍处在初期阶段。

"杀手锏级应用"尚待发掘、产业链"中段"亟待培养、跨领域人才供给不足等构成了更为迫切的生态课题。"在产业链尚不完善的阶段，只能是客户向我们靠拢一点，我们向客户靠拢一点。"巨江伟说。

NBD：公司是否察觉量子计算行业的"温度"正在升高？在市场关注度大幅提升的背后，行业基本面是否也在发生转变？

巨江伟：从市场接纳程度和成熟水平来看，量子产业的发展变化十分显著。2020年至2023年间，开拓市场首要任务是向客户解释"什么是量子"，但2024年以来，特别是去年发生了重大转变，客户对量子已相当熟悉，更关注的是量子计算机如何投入使用。

行业关注度及市场认同感提升的背后，政策是重要驱动因素，但最根本的动因还在于行业自身进步与需求侧拉动形成了良性循环。人工智能及大模型同各行各业深度融合，产业对算力的渴求愈发强烈，传统计算的瓶颈也日益凸显。于是，客户开始试水新型算力技术，量子计算便是选项之一。目前在特定场景下，量子计算已展现解决实际问题的能力，并正向更多领域延伸。

NBD：业界围绕填补AI算力缺口存在多种技术路线的争论，量子计算对于发展人工智能而言是"可选题"还是"必答题"？

巨江伟：量子计算机的核心优势源于量子物理的根本属性，使其能够实现并行加速运算，处理大规模复杂问题，在运算耗时、计算效能或能源消耗上具备多项长处。这是其物理体系赋予的天然优势，并非通过"堆叠"传统计算机能够追平的。

然而，至少在硬件层面，量子计算当下尚未成熟到可以大规模商用的程度，更多是将传统与量子计算各自的长处结合，依据应用场景实现"1+1>2"的成效。不过，现阶段确实处于相对早期的状态。这将是新型算力与传统算力逐步融合的演进过程，绝非简单的取代——长远来看也不会走向替代。

NBD：公司提出一个愿景——"以量子重塑人工智能"。量子计算是否会撼动当前人工智能生态？

巨江伟：玻色量子在创立之初就预判，无论量子计算机未来的应用场景如何丰富，人工智能必然是其核心战场之一。故此，我们自始就将量子计算机的重点方向锁定在人工智能领域率先突破。回过头看，在反向传播算法、大模型和GPU（图形处理器）架构体系上成长起来的这棵人工智能"大树"，并非量子计算机的竞争目标，而是赋能的对象。

2024年诺贝尔物理学奖授予了辛顿与霍普菲尔德，以肯定他们在玻尔兹曼神经网络方面的成就，后者所提出的基于能量驱动的人工智能架构与我们的专用量子计算机高度契合。这也是为何我们将专用量子计算机应用于AI for Science（人工智能赋能科学研究）时，核心技术路径是"Quantum（量子） for AI for Science"——此处的"AI"主要指向玻尔兹曼神经网络，而非当前以Transformer为代表的生成式人工智能。

一方面，玻尔兹曼神经网络与深度学习属于并列架构；另一方面，通过把玻尔兹曼采样能力嵌入深度学习，与扩散模型、Transformer架构结合，让现有的深度学习表现更优。我们将其归纳为两个方向："物理原生AI"与"物理增强AI"。这是玻色量子目前发现的量子计算机切入人工智能的技术路线。

NBD：在公司整机用户中，科研类与产业类的占比如何？

巨江伟：当前仍以科研类用户为主，即便是产业界用户，也属于产业内从事科研方向的人群。这里的"科研"并非纯学术范畴的科研，而是面向产业应用探索方向的科研。量子计算机仍在寻找落地场景，我们在全力推进，产业也在全力推进，这是一个双向奔赴的进程。

NBD：量子计算机寻找应用场景为何显得如此艰难？

巨江伟：任何新兴技术都会经历这样一个过程，当下大模型同样在寻找应用场景，尤其是量子计算机目前的定位更偏向To B/G，服务于大型国央企、科研院所、高等院校等客户，本身就需要持续挖掘场景。

此外，还有产业链完善的问题。量子计算被制造出来仅仅是开端。正如你要玩游戏，首先得有硬件，然后安装操作系统，再装App（应用程序），接入网络——这便是产业链，绝非一家企业所能完成，而是多个不同层级的产品协同整合，最终响应用户需求。

事实上，中国与欧美在量子计算领域的技术差距并不悬殊，但欧美在产业化方面走得更为靠前。比如，欧美量子计算企业已初步形成产业链的细分，无论是量子计算整机制造商，还是中间件、应用软件的开发商，均已涌现独角兽级别的企业，也已拥有一批量子计算领域的上市公司。

国内量子计算领域目前尚未形成显著的产业链分工，资本化的进程整体也落后于美国。但过去一年我们看到越来越多的年轻团队在一级市场崭露头角，分别在硬件、软件、算法多个方向发力，也获得了一级市场的认可与支持，能明显感受到中国量子科技领域也在加大投入与推进力度。

NBD：若为量子计算产业化设定里程碑，有哪些关键节点值得关注？

巨江伟：第一个关键节点，就是要找到能够真正展现量子计算机价值的实用化场景，哪怕它在计算性能上与经典计算机持平，但功耗更低，其价值也足以驱动客户付费。

第二个阶段便是量子—经典混合计算。量子人工智能和量子—经典混合计算，归根结底是同一回事，一个是算法维度的结合，一个是基础设施维度的结合。未来将是多种算力融合共同攻克复杂难题，量子计算机只是其中之一，我们不必将其神化。

NBD：玻色量子的资本化及产业化进程在国内处于领先位置，在推动量子计算产业链发展中，公司如何抉择做什么、不做什么？

巨江伟：玻色量子的定位非常明确，就是一家以"实用化量子计算"为内核的量子计算机硬件企业。我们能做的包括：一是硬件，持续提升硬件的稳定性和量子比特规模；二是发布量子神经网络开发工具——Kaiwu-PyTorch-Plugin（简称"KPP"），让开发者无需具备量子物理背景，也能调用量子算力开发应用，降低生态参与门槛。

与此同时，玻色量子通过举办校园量子赛事、设立科研基金、企业协作等多种方式并行推进场景探索，本质上是在产业链尚不成熟的阶段，只能是客户向我们靠拢一点，我们向客户靠拢一点。一方面提前布局场景探索，另一方面在这一进程中孵化产业链中游企业。

NBD：量子计算机的技术路线丰富多样，"十五五"规划纲要提出研制可容错的通用量子计算机和可扩展的专用量子计算机，公司目前主打专用量子计算机，如何看待不同路线的前景与竞争？

巨江伟：量子计算机在技术路线上有超导、离子阱、光量子、中性原子等。目前各路线尚未收敛，很难判定哪个更优，更多是齐头并进。甚至大胆设想，未来可能就是多种技术路线并存，各有优劣，适配不同场景和问题。

站在企业视角，我们不是物理学家，要做的是制造出一台能解决问题的量子计算机。对用户而言，解决不了问题，任何路线都失去意义。学术理论研究的主战场在实验室，而企业必须直面产业的真实需求。在技术尚未完全收敛的情况下，企业要做的是在不同技术路线上把优势发挥到极致，并尽可能规避短板。

光量子最大的优势在于能够在常温下进行量子态制备，并且依托已高度成熟的光学产业链。人才储备、产业链的成熟度、常温运行特性，决定了光量子在专用量子计算机领域具备一定的工程化落地优势，用户的运维难度、运维成本和采购成本都可控。

与通用量子计算机相比，专用量子计算机的应用范围相对较窄，专注于特定领域的特定问题，但其量子比特规模与稳定性决定了至少在这些领域，用户可以先行使用。通用量子计算机从科研迈向商用，还需要一段时间的技术积累。当然，并非说专用量子计算机就优于通用量子计算机，而是在特定阶段为用户提供更合适的技术选择。

NBD：除技术研发本身，公司未来发展中最大的非技术性风险可能是什么？

巨江伟：顶尖人才的招募与储备。行业当前稀缺的是跨学科复合型人才与工程化人才。单纯依靠量子物理专家把量子计算机造出来的阶段已经结束，现在的关键是怎么用的问题，需要与不同行业交叉融合。我浏览招聘软件时从来不会只关注量子物理背景的人，而是希望这个人既懂生物、金融、材料，同时又懂量子。

许多下游客户也在招募并培养交叉领域人才，后者才是真正能够把应用场景所需的量子算法开发出来的人。随着产业发展，人才瓶颈将制约算法应用的落地速度。要破解这一问题还是得依靠生态。这不仅是数量上的缺口，更是教育体系、培养周期和全球竞争共同作用下的结构性问题。

封面图片来源：受访者提供