近年来，人工智能技术进步神速，从语言处理到图像生成、各类的应用范围越来越广，同时也彻底改变了我们的生活和工作方式。 然而，AI的快速发展也带来了对计算能力前所未有的需求、传统硬件的效能提升已趋缓，摩尔定律带来的晶体管密度红利逐渐触顶，处理器频率受限于功耗与散热瓶颈，就连GPU的成长速度也明显放慢。 AI 对算力的需求呈指数式暴增，到了难以持续的地步。

于是，大家开始把目光转向量子计算机，期待它能突破传统运算极限，为AI带来飞跃性成长。

AI 的现况与算力瓶颈

许多人已经让 AI 融入他们的工作：例如 OpenAI 的 ChatGPT 协助分析与文书、或是像有些人会使用 Cursor 或是 Claude 协助撰写程序、还有无数的 AI 应用可以生成图片或视频互动。 这些技术的背后核心是大型语言模型（LLM）、以大量数据为基础训练而成。 以OpenAI的GPT-3为例，训练过程估计需要执行3.14×10²³次浮点运算，是人类史上最复杂的计算任务之一（只是之一，以后只会更恐怖）。 这种惊人算力需求让科技公司不得不投入巨资在云端GPU和TPU上，有些初创公司甚至花费超过八成经费在运算资源。

即便有像 DeepSeek 这种节省资源的 AI，算力瓶颈仍在──DeepSeek 这类技术，通常是通过算法优化或模型压缩降低算力需求。 比方说，它可能用稀疏化（sparsity）让模型只启动部分参数，或者用知识蒸馏（knowledge distillation）把大模型的知识「浓缩」到小模型里。 根据 DeepSeek 官方说法，他们的模型能在保证性能的情况下，把计算成本降到传统模型的几分之一。

举例来说，DeepSeek 就像把一台吃油超跑改成了省油小车，确实能在一定程度上缓解算力压力。 假设原本训练一个大模型需要 1,000 万美元的云端算力，DeepSeek 的技术可能把成本砍到 300 万美元，还能保持八成以上的准确度。 这种节省算法对中小企业或研究团队来说是福音，因为他们不用砸大钱也能玩 AI。 但问题在于，这只是「减轻」瓶颈，不是「解决」瓶颈。 为什么呢？ 因为 AI 应用的野心和复杂度也在同步增长。

AI 的应用场景越来越广，从聊天机器人到自动驾驶，再到医疗诊断，每个领域都想把模型做得更强、更精准。 以自动驾驶为例，特斯拉的 AI 系统得实时处理摄像头、雷达传来的大量数据，还要预测路况，算力需求轻易就超过一般云端服务器的负担。 即便 DeepSeek 能把模型压缩，这些应用还是需要处理更多数据、更复杂的运算，省下的算力很快又被新需求吃掉。

另外一方面，传统硬件的效能成长正在趋缓。 摩尔定律带来的晶体管密度提升已接近极限，处理器频率受功耗与散热限制，连GPU的效能成长也开始趋缓。 研究显示，为了提高 AI 模型的准确度，往往只能靠增加算力和扩大模型规模来实现，这导致 AI 对计算资源的需求呈指数式暴增，已到难以承受的地步。 虽然硬件加速和算法优化能稍微缓解压力，但 AI 发展正面临前所未有的算力瓶颈。 于是，量子计算机被视为潜在解方，期望其突破传统运算限制，为AI开辟新天地。

▲ 量子 AI 市场主要是以研发为主，没有商业应用。 （Source：artsmart）

量子计算机如何为 AI 加持

量子计算机与传统计算机的运作方式截然不同。 传统计算机用位（bit）表示0或1，量子计算机则用量子位（qubit），能通过叠加（superposition）同时处于0和1的状态。 例如，两个量子位可同时处理四种状态组合，三个则是八种，n个量子位能表示2ⁿ种状态，这种指数级扩张赋予量子计算机强大的并行计算潜力。 此外，量子纠缠（entanglement）让多个量子位的状态紧密相连，测量其一会立即影响其他量子，增强了协同运算能力。

这种特性对 AI 有何帮助？ Google 量子 AI 实验室创办人 Hartmut Neven 曾说：「先进 AI 将从量子计算中大幅受益。」以训练大型语言模型为例，这类任务需要庞大时间和算力，量子计算机的并行处理能力可能将训练时间从数周缩至数天。 此外，AI 主要依赖找出模式并辨识，而能同时处理多种可能性的量子计算，或许能提升图像、语音识别的准确度。 生成式 AI 也有望因量子助力处理更多数据，生成更逼真的内容。 在决策场景中，例如药物研发或气候建模，量子计算机能同时测试无数变量，帮助科学家更快找到最佳解。

例如 2019 年，Google 的 53 量子位「Sycamore」处理器在 200 秒内完成传统超级计算机需 1 万年的任务。 虽然这与 AI 无直接关联，但展示了量子计算的潜力。 2022 年，维也纳大学团队用光子量子处理器加速强化学习，让机器人更快学会走迷宫，证明量子叠加能提升学习效率。

当前进展与初步成果

由于大型容错量子计算机尚未临近，各方多预测短期内最可行的模式是「混合量子经典计算」，即将大部分深度学习的训练与数据处理交由 GPU / CPU 完成，只有小部分最耗算力或最能发挥量子优势的子任务交由量子处理器（QPU）加速。 Google、IBM 亦在研发量子软硬件协同架构，如 TensorFlow Quantum 或 Qiskit Runtime，让开发者调用云端量子资源。 Nvidia GTC Quantum Day 也特别提到，市场期待未来 GPU 与 QPU 共同承担深度神经网络或强化学习的运算──尽管目前的量子位规模只有几十至数百个，但若能针对组合优化、线性代数等环节实现加速，各类包括医疗、金融、物流、国防应用都可能抢先受益。

医疗方面，量子模拟可大幅加速分子与蛋白质交互作用的分析，有助新药研发与疾病机理理解。 「维也纳大学」的研究团队在 2022 年曾用光子量子处理器测试量子强化学习，让机器人同时探索多条路径，更快学会迷宫走法，被视为量子叠加有助于复杂决策的证明。 金融市场关注量子计算机能以指数方式优化蒙地卡罗模拟、投资组合配置、期权定价与诈骗侦测。 美国与欧洲多家金融机构正在评估量子近似优化算法（QAOA）的可行性，若能大规模部署，将重新定义高维度交易环境的风险管理流程。

波音的量子传感器试验展现超精准导航潜力、量子模拟可能将新药开发周期从15年缩至五年; 金融领域，量子蒙地卡罗算法能快速评估市场情境、提升风险管理效率。 这些进展显示量子AI计算正在进行更多测试，虽然许多应用都已经现有的AI能处理的问题，但量子AI可以加速或将这些应用变得更强大。 Google 的 Willow 计划在量子位技术与错误修正取得进展，全球量子技术投资 2023 年已超过 300 亿美元，且十年内加速成长。

产业应用的可行性：医疗、金融、能源与军事

军事与国防，量子加密与量子解密为关键。 量子技术若能破解现今广泛使用的RSA或ECC加密，势将造成全球通讯与互联网金融体系的重大冲击。 据「Quantum Apocalypse Is Coming. Be Very Afraid 一文所述，人们将 Q-Day 定义为量子计算机能即刻破解既有加密系统的那一天，而这在地缘政治层面将引发严重后果。 若某个国家率先完成可用于军事情报分析或密码破解的量子装置，恐造成世界秩序洗牌。 美中双方皆积极布局量子通讯卫星与量子传感器，美国更有《国家量子倡议法案》提供大笔资金，也对中国量子企业祭出投资限制措施。 欧洲与日本等地也通过政府计划推动量子研究。

一旦有人建成可以运行 Shor 算法（可破解 RSA 加密的算法）的大型量子计算机，绝大部分的传统加密方式都可能遭到破解。 无论是网银交易、敏感军事报告、甚至私密讯息、虚拟货币钱包都可轻松破解。 最恐怖的是，当破解方式一旦确立，不见得会以剧烈的全球大恐慌呈现，更可能以在暗处以潜伏的方式、进行资料窃取与关键基础设施的定向攻击，也可能一举释出庞大数据造成全面恐慌。 这种威胁促使像美国国家标准技术研究院（NIST）等机构致力推动「后量子加密算法」标准化，包含利用高维度晶格或其他量子难解问题为新加密基础。 若企业与政府无法及时换用抗量子密码将面临庞大风险。

也有阴谋论说，许多国家级单位或许早就在秘密搜集大量加密资料，等待量子计算机成熟后再集中破解，导致信息安全出现「现在拦截、未来解密」的严峻局面。 美国海军战争学院前教授 Chris Demchak 的分析就指出，一旦对手能实时破解军事通讯，可能在潜艇部署、卫星监控、导弹配置等核心领域掌握致命优势。 甚至连比特币区块链也可能一夕崩溃，因为现行的椭圆曲线加密遭量子计算机攻破后，恶意分子可盗领持有者的加密资产。

挑战与现实限制

量子AI要飞跃性增长并不容易，硬件是最大瓶颈。 一般电脑数据是用0和1位存储，位很稳定，弄错机率很低。 但量子计算机是叠加态量子位（qubit），它们很特别，能同时是 0 和 1，还能跟其他量子位纠缠。 问题是，量子位超级敏感，外界一点小干扰，比如温度变化、磁场抖动、甚至旁边有个电子乱跑，都可能让数据失去原本的状态不准确，就叫「去相干」（decoherence），导致运算结果错得乱七八糟，所以需要「纠错」救场，纠错就是用好几个量子位「保护」一个重要量子位，信息分散出去，这样就算有几个坏掉，还能用剩下的拼回来。

这种技术叫量子误差修正码（quantum error-correcting code）。 比如有名的「Shor 码」，是用九个量子位保护一个，让错误率降至可接受范围。 但这也有代价，多了「备份」，量子计算机需要的量子位数量就得多好几倍，控制起来也更麻烦。

目前量子处理器仅有数十到数百个量子位，且属「噪声中等规模量子」（NISQ）装置，未能实现纠错。 专家估计，实用AI应用需上百万个稳定量子位，但打造如此规模的设备在物理和工程极为困难──量子位极脆弱，需在接近绝对零度的环境下运作，扩展性受限。 Google 的 Julian Kelly 预估五年内可能有初步应用，IBM 计划 2029 年前推出数百个纠错量子位系统，但多数学者认为大规模应用还需十年以上。

飞跃的希望还是炒作多于现实？

量子计算机的问题除了技术，还有实现难度与瓶颈：NVIDIA 2025 GTC宣布要盖量子计算研究室，显示业界对量子计算信心满满，Quantum Day 让股票如 D-Wave Quantum 活动期间上涨 9.4%; 不少大企业的量子实验、论文、强化学习成果都能为量子 AI 的可行性背书。 技术成熟会大幅缩短训练模型的时间、各大 AI 应用领域也将有显著进步。

但当前量子AI相关研究多为实验室展示、缺乏商用应用，且硬件稳定性不足以支撑大规模AI模型，且加密破解风险也令人担忧，Wired报导指出，Shor算法若实现，可能让RSA加密崩溃，冲击金融与隐私安全。 有预估2035年之前，会有三分之一机率让量子计算机有重大突破，但现阶段看来的量子AI难以有立即的可行性发展。

不过量子研究的确是全球重点项目，中国、美国都在积极参与，企业如 Google、IBM、微软等大公司也积极布局。 欧盟也有持续投入数亿欧元的量子旗舰计划。 未来随着量子位规模提升、得以在特定领域实现纠错时，少数领域可能率先应用量子AI。 但要全面改变 AI 格局的时间还难以预测，在此之前，量子位结合传统硬件的运算方式可能成为过渡方案。