AI催生新型算力需求！对话玻色量子副总裁巨江伟：量子计算不是GPU的挑战者

每经记者：杨煜 每经编辑：魏文艺

AI（人工智能）“点燃”的算力焦虑，正吸引产业与资本市场将目光投向算力范式的底层变革。

“我们认为，经典算力扩展路径面临成本与能耗的双重约束，而量子计算提供了一种新的可能性。”近日，北京玻色量子科技股份有限公司（以下简称“玻色量子”）副总裁巨江伟在接受《每日经济新闻》（以下简称“NBD”）记者采访时表示。

“量子计算是人工智能的必答题，反之亦然。”巨江伟说，但这并不意味着对经典算力的替代或挑战，而是融合与共生，“量子人工智能和量子—经典混合计算，本质上是一件事”。

2025年11月，玻色量子在深圳建成国内首个专用量子计算机制造工厂，以工程化整机形式面向商业客户交付，产品已在AI、通信、金融、医药、能源、新材料发现等领域进行场景探索与应用。今年7月，公司已办理首次公开发行股票（IPO）辅导备案。

量子计算正在从实验室加速迈向真实场景。但产业热度攀升之下，巨江伟强调，量子计算机的商业落地还处于早期阶段。

“杀手级应用”仍在寻找、产业链“中间层”正在培育、交叉型人才稀缺等构成了更加现实的生态挑战。“在产业链不成熟时，只能客户往后退半步，我们往前走半步。”巨江伟说。

玻色量子副总裁巨江伟 图片来源：受访者提供

“水温”回升，AI催生新型算力需求

NBD：公司是否感受到量子计算产业的“水温”正在上涨？在市场关注度跃升的背后，行业基本面是否也在变化？

巨江伟：从市场接受度和成熟度来说，量子产业的发展和变化非常明显。2020年到2023年，拓展市场首先要做的是告诉客户“什么是量子”，但2024年以来，尤其是去年发生了非常大的变化，客户对量子已经非常了解，更关心的是量子计算机怎么用。

行业热度及市场认可度提升背后，政策是很重要的原因，但最核心的原因还是行业自身的发展和需求侧的拉动形成了正向循环。人工智能及大模型与各行各业深度融合，产业对算力的需求日益旺盛，经典计算的局限性也愈发明显。因此，客户开始尝试新型算力技术，量子计算就是其中一种。目前在特定场景中，量子计算已经展现出解决实际问题的能力，并在向更多场景拓展。

NBD：业内关于解决AI算力缺口有多种路线的讨论，量子计算是发展人工智能的“选择题”还是“必答题”？

巨江伟：量子计算机的最大优势来自量子物理的底层特性，使其可以实现并行加速计算，解决大规模复杂问题，在计算时间、计算效率或能耗上有众多优势。这是其物理系统带来的天然优势，并不是依靠“堆”经典计算机能弥补的。

不过，至少在硬件层面，量子计算今天还没有成熟到可以实现大规模应用，更多是融合经典与量子计算各自的优势，结合应用场景达到“1+1>2”的效果。不过，现在确实处于比较早期的阶段。这将是新型算力和经典算力慢慢融合的过程，并不是简单的替代——长期来看也不会如此。

不挑战GPU，发挥量子计算物理优势

NBD：公司提出一个愿景，“以量子重新定义人工智能”。量子计算是否会冲击当下人工智能生态？

巨江伟：玻色量子在成立之初就判断，不管量子计算机的未来应用有哪些，人工智能一定是它的主战场之一。因此，我们从一开始就锚定量子计算机的主要方向应该在人工智能率先发力。现在来看，在反向传播算法、大模型和GPU（图形处理器）架构体系上长出的这棵人工智能“大树”，并不是量子计算机要挑战的对象，而是赋能的对象。

2024年诺贝尔物理学奖颁给了辛顿与霍普菲尔德，以表彰他们在玻尔兹曼神经网络方面的贡献，后者提出的以能量驱动的人工智能架构与我们的专用量子计算机非常契合。这也是为什么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，核心路径是“Quantum（量子） for AI for Science”——这个“AI”更多指的就是玻尔兹曼神经网络，而不是当前以Transformer为代表的生成式人工智能。

一方面，玻尔兹曼神经网络和深度学习是并列架构；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架构融合，使今天的深度学习变得更好。我们称之为两个方向：“物理原生AI”和“物理增强AI”。这是玻色量子目前找到的量子计算机切入人工智能的技术路径。

“找场景是一个双向奔赴的过程”

NBD：公司整机用户里，科研类和产业类的占比是什么样子？

巨江伟：现在还是科研类用户居多，即使是产业界用户，也是产业中负责科研方向的一群人。这个“科研”不是纯粹学术意义上的科研，而是在产业应用探索方向的科研。量子计算机还在找场景，我们在努力，产业也在努力，这是一个双向奔赴的过程。

量子计算机 图片来源：受访者提供

NBD：量子计算机找场景为什么看起来那么难？

巨江伟：任何新技术都会有这样一个过程，今天大模型也在找场景，尤其是量子计算机目前的定位更多是To B/G，解决大型国央企、科研院所、大学等用户的问题，本身就需要不断找场景。

此外，还有产业链发展的问题。量子计算被造出来只是第一步。就像你要打游戏，首先要有硬件，接着装操作系统，再装App（应用程序），连接网络——这就是产业链，绝对不是一家公司能做的，是多个不同层面的产品综合在一起，最终满足用户的需求。

实际上，中国与欧美在量子计算领域的技术差距不会很大，但后者在产业化方面走得更靠前。比如，欧美量子计算企业已经初步形成产业链的分化，无论是量子计算的整机制造商，还是中间件、应用软件的开发商，都出现了独角兽级别的企业，也已经有一批量子计算领域的上市公司。

国内量子计算领域目前还没有形成明显的产业链分化，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涌现，并分别在硬件、软件、算法多个领域发力，也获得了一级市场的认可和支持，能明显感觉到中国量子科技领域也在加强投入和推进。

“客户往后退半步，我们往前走半步”

NBD：如果给量子计算产业化设定里程碑，有哪些重要节点值得关注？

巨江伟：第一个重要节点，就是要找到能够真正发挥量子计算机价值的实用化场景，哪怕它在计算能力上跟经典计算机一样，但是功耗更小，其价值也足以让客户买单。

第二个阶段就是量子—经典混合计算。量子人工智能和量子—经典混合计算，本质上是一件事，一个是算法层面的结合，一个是基础建设层面的结合。未来会是多种算力融合共同解决复杂问题，量子计算机只是其中一种，我们不用神化它。

NBD：玻色量子的资本化及产业化进程走在国内前列，在推动量子计算产业链发展中，公司如何选择做什么、不做什么？

巨江伟：玻色量子的定位非常清晰，就是一家以“实用化量子计算”为核心的量子计算机硬件公司。我们能做的一是硬件，持续提升硬件的稳定性和量子比特规模；二是推出量子神经网络开发工具——Kaiwu-PyTorch-Plugin（简称“KPP”），让开发者在不需要量子物理背景的情况下，也能调用量子算力开发应用，降低生态门槛。

此外，玻色量子通过举办校园量子竞赛、成立科研基金、企业合作等多种方式并行推进场景探索，本质上是在产业链不成熟时，只能客户往后退半步，我们往前走半步。一方面提前进行场景探索和布局，另一方面在这个过程中孵化产业链中游企业。

理论科研的主战场在实验室，企业要让技术有用

NBD：量子计算机的技术路线很多，“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和竞争？

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。目前各个路线并没有收敛，很难说哪个更好，更多是齐头并进。甚至大胆一点想，未来可能就是多种技术路线并存，每种都有各自的优缺点，适应不同场景和问题。

站在企业角度，我们不是物理学家，要做的是生产出一台量子计算机能够解决问题。对用户来说，解决不了问题，什么路线都不好使。学术理论科研的主战场在实验室，而企业必须直面产业真实需求。在技术没有完全收敛的情况下，企业要做的是在不同技术路线上把优势发挥到极致，并尽可能规避劣势。

光量子最大的优势就是可以在常温下进行量子态制备，并且背靠已十分成熟的光学产业链。人才储备、产业链的成熟度、常温运行，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、运维成本和购买成本都是可控的。

与通用量子计算机相比，专用量子计算机的应用范围窄一些，专攻特定领域特定问题，但其量子比特规模和稳定性决定了至少在这些领域，用户可以先用起来。通用量子计算机从科研走向商用，还需要一段时间的技术沉淀。当然，并不是说专用量子计算机就比通用量子计算机更好，而是在特定阶段为用户提供更合理的技术。

NBD：除了技术研发本身，公司未来发展中最大的非技术性风险可能是什么？

巨江伟：顶尖人才的招聘与储备。行业现在稀缺的是跨学科复合型人才与工程化人才。找量子物理专家把量子计算机造出来的阶段已经过去了，现在是怎么用的问题，需要和不同行业交叉。我刷招聘软件从来不会只看量子物理背景的人，希望这个人既能懂生物、金融、材料，同时又能懂量子。

很多下游客户也在招聘并培养交叉领域人才，后者才是真正能把应用场景所需的量子算法做出来的人。随着产业发展，人才瓶颈会限制算法应用的落地速度。要解决这个问题还是得依靠生态。它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。

免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。