AI 与量子计算：竞争对手，还是终极搭档？
2013 年，Google 与 NASA 曾成立联合量子实验室，尝试用 D-Wave 量子计算机训练机器学习算法。但在当时，AI 与量子计算均未成熟，试验宣告失败。如今，随着两项技术的飞速发展，关于“AI 会取代量子计算”还是“两者相互竞争”的讨论再次浮出水面。
事实上，AI 与量子计算并非零和博弈。它们在问题求解、技术赋能、能耗效率三个维度存在深刻重叠与互补。
一、 求解领域：AI 负责预测，量子负责真实模拟
- 现实痛点：模拟材料科学、化学及生物学中的量子力学现象极其复杂，传统超级计算机只能做到粗略近似。
- AI 路径：如 Isomorphic Labs 和 CuspAI 等公司，通过模式识别直接对化学反应和新材料进行预测。
- 量子路径：基于物理特性实现高精度的真实模拟。
- 协同效应：IBM 专家指出，AI 模型需要数百万个样本进行训练。量子计算机可以提供极其精准的模拟数据来训练 AI；AI 预测出有潜力的领域后，再引导量子计算机进行精准验证。两者结合形成了完整的优化闭环。
二、 技术赋能：双向奔赴的加速器
1. AI 赋能量子计算
- 纠错与编程：量子比特（qubits）极易出错。初创公司（如 Infleqtion）正在利用 AI 驱动的“解码器”辅助量子计算进行实时纠错；同时，AI 也在降低量子软件编写的门槛。
2. 量子计算赋能 AI
- 加速训练：利用“量子储层计算”（Quantum Reservoir Computing），量子计算机能以极低成本建模复杂多变的数据系统。
- 实测效果：澳大利亚 SQC 公司研发的量子储层芯片，帮助电信巨头 Telstra 将其 AI 模型的训练时间缩短了 90%。IBM 同样证实，量子计算机可从核心架构上加速当下极为消耗算力的 AI 模型训练。
三、 算力与能耗：从“比速度”到“比能效”
- AI 的能耗瓶颈：运行顶级 AI 模型的大型 GPU 数据中心能效需求已达吉瓦（GW）级，对电力资源造成巨大压力。
- 量子的能效优势：尽管量子计算机需要极低温的冷却系统，但其整体功耗处于兆瓦（MW）级。SQC 的硬件功耗不到传统 GPU 机架的十分之一。
- 战略转向：量子计算的吸引力已从单纯的“算得快”，转向“极高的能源使用效率”。
总结
美国政府已注资 20 亿美元用于量子领域的研发（包括 IBM 和 D-Wave 等企业）。量子计算的商用化正临近拐点，而 AI 行业也已准备好接入这一全新算力引擎，共同开启下一代计算革命。