量子造福

一、从"能算"到"有用"：走了40年的一步

2024年，一篇名为"A hybrid quantum computing pipeline for real world drug discovery"的论文，登上了Nature工程类下载阅读量第15名。

这不是又一篇量子优越性的炫技论文。这是人类第一次将真实量子计算应用于真实的药物设计挑战——不是在模拟器上，不是用玩具模型，而是在真实的药物管线中，处理真实的分子，面对真实的临床需求。

从"证明量子计算能算"到"证明量子计算有用"，这一步，走了整整40年。

1982年，费曼预言了量子模拟的可能性。1994年，Shor算法证明了量子计算的理论威力。2019年，谷歌"量子优越性"实验证明了量子计算机在某些特定问题上确实超越了经典计算机。但"比经典快"和"对人类有用"之间，隔着一道巨大的鸿沟——前者是技术展示，后者才是真正的革命。

2024年的这篇论文，标志着鸿沟开始被填平。而当我们沿着这条路径继续走下去，会发现：量子计算的"有用"，远不止药物一个领域。

二、量子模拟：费曼的预言

"用量子力学来做"

1982年，理查德·费曼在一场演讲中说出了那句被后世无数次引用的话：

"自然界不是经典的，如果你想模拟自然界，你最好用量子力学来做。"

这不是一句哲学宣言，而是一个深刻的数学洞见。

经典模拟的困境

一个分子的量子态由其所有电子的波函数描述。对于一个含50个电子的分子，完整描述其量子态需要2⁵⁰≈10¹⁵个复数参数——这超过了任何经典计算机的内存容量。如果把电子数增加到70个，参数量就超过了宇宙中的原子总数。

这意味着经典计算机根本无法精确模拟哪怕中等大小的分子。今天计算化学中使用的方法——密度泛函理论（DFT）、CCSD(T)等——本质上都是在做近似：牺牲精度换取可行性。对于很多化学问题，这些近似已经够用。但对于药物设计中精确的分子对接、催化剂设计中的反应路径计算、高温超导体的电子结构模拟，近似方法的误差可能大过信号本身。

这就是费曼预言的核心：既然分子本身就是量子系统，为什么不用另一个量子系统来模拟它？

用N个量子比特模拟N个粒子

量子计算机天然适合模拟量子系统。N个量子比特可以编码2^N维的量子态空间——正是经典计算机需要指数级资源才能描述的那个空间。用N个量子比特模拟N个粒子的量子态，资源消耗从指数级降为线性。

这不是"快一点"的问题，而是"从不可能变为可能"的问题。

两大关键算法

• 变分量子本征求解器（VQE）：NISQ时代最实用的量子化学算法。原理是——在一个参数化的量子电路上制备一个试探波函数，测量其能量，然后用经典优化器调整参数使能量最小化。量子部分负责制备和测量，经典部分负责优化——量子-经典混合计算的典型范式。VQE不需要容错量子计算机，在当前含噪量子设备上就可以运行
• 量子相位估计（QPE）：理论上更强大的算法，可以精确求解哈密顿量的本征值。但QPE需要深层量子电路，对量子比特的相干时间和门保真度要求极高——只有容错量子计算机才能有效运行。QPE是"未来的算法"，而VQE是"现在的算法"

两者的关系就像冲锋枪和洲际导弹：VQE现在就能用，精度有限但足以探索未知；QPE理论上完美，但需要等待量子硬件的成熟。当前的量子化学研究，大多是VQE当先锋、QPE作为终极目标。

三、药物研发：从15年到5年？

传统药物研发：高成本、低成功率的困境

一组令人绝望的数字：一款新药从研发到上市，平均需要10-15年，成本超过20亿美元，而从靶点发现到最终获批的成功率仅约5%。

为什么这么难？因为人体是一个极度复杂的化学系统。一个药物分子进入人体后，需要与特定的蛋白质靶点结合（靶向性），不能与其他蛋白质结合（选择性），需要在体内稳定存在（药代动力学），还不能有毒（安全性）。每一个条件都把候选分子的空间缩小一个数量级，最终能通过所有筛子的分子，亿中选一。

传统的药物发现依赖两大手段：高通量筛选（逐一测试大量分子）和基于结构的理性设计。两者都有根本性局限——高通量筛选只能搜索已知的化学空间，而理性设计的精度受限于经典计算化学的近似方法。

量子计算的三个切入点

量子计算在药物研发中有三个核心应用场景：

• 靶点发现：精确模拟蛋白质的三维结构和动态行为，理解疾病机制，找到药物可以作用的靶点。蛋白质折叠是一个本质上量子的过程——电子在氨基酸残基之间的分布决定了折叠路径。经典方法只能做粗粒度近似，量子计算有望捕捉到关键细节
• 分子优化：从亿万候选分子中找到最优结构。药物化学家需要同时优化分子的多个属性——亲和力、选择性、溶解度、代谢稳定性等。量子计算可以更精确地预测分子与靶点之间的结合自由能，从而缩小实验筛选的范围
• 合成路线：优化药物合成的化学反应路径。一个好的合成路线可能把生产成本降低一个数量级。量子计算可以精确模拟化学反应的过渡态，帮助化学家设计更高效的合成方案

里程碑事件

2024年，医图生科（QureGenAI）：世界首次将真实量子计算应用于现实药物设计。他们构建了一条量子-经典混合计算管线，在真实的药物管线中完成了分子对接和结合自由能计算——这正是开篇提到的那篇Nature热门论文。

2025年，诺奖得主David Baker团队：在Science发表论文，用量子化学助力AI完成De-Novo复杂酶设计。Baker是2024年诺贝尔化学奖得主，他的团队开发的RoseTTAFold已经革命性地改变了蛋白质结构预测。这项新工作表明，量子化学计算正在成为AI蛋白质设计的重要工具——不是替代AI，而是为AI提供更精确的物理约束。

2025年，西北地区首台15比特超导量子计算机落地，构建"Quantum AIDD"（量子AI药物发现）范式。虽然15比特的计算能力仍然有限，但它标志着量子计算在药物研发领域的布局已经从论文走向基础设施。

现实局限

必须坦诚地说：量子计算在药物研发中仍处于早期阶段。当前的量子计算机处于NISQ（含噪中等规模量子）阶段，量子比特数量有限、噪声显著、相干时间短。真正实用的药物分子模拟——比如精确计算一个中等药物分子与蛋白质靶点的结合自由能——需要容错量子计算机，可能还需要数百万物理量子比特。

VQE可以在当前硬件上运行，但精度受限于电路深度和噪声水平。在NISQ时代，量子计算更像是药物发现中的"望远镜"——帮助你看得更远，但还不能替代"登陆"。

四、材料科学：设计未来

如果说药物研发是量子计算在生命科学中的第一站，那么材料科学就是物理科学中的第一站——而且可能是更早收获的领域。

三大前沿方向

高温超导体模拟：理解超导机制，寻找室温超导材料——这可能改变能源传输的格局。今天，超导电缆需要液氮冷却（-196°C），成本极其高昂。如果能找到在室温下超导的材料，全球电力传输的损耗将从约8%降到接近零——按全球年发电量计算，相当于每年节省数千亿度电。问题在于：超导的微观机制至今仍不完全清楚，特别是铜氧化物高温超导体的配对机制。量子计算有望精确模拟超导体中电子的配对行为，从而指导新材料的设计。

锂电池材料：量子模拟帮助找到更高效的电池正极材料。锂电池的能量密度和充放电速度本质上由正极材料的电子结构决定。经典计算化学可以对已知材料做近似预测，但在新材料探索中，量子计算可以更精确地预测锂离子在晶格中的扩散路径和电压平台——这是电池性能的核心参数。

催化剂设计：量子计算模拟化学反应路径，设计更高效的工业催化剂。全球约90%的化学工业过程依赖催化剂，而催化剂的设计很大程度上是"试错法"。量子计算可以精确模拟反应的过渡态——那个能量最高、存在时间极短的关键中间态——从而理解催化剂如何降低反应能垒，并据此设计更高效的替代方案。哈伯法合成氨每年消耗全球1-2%的能源，如果能用量子计算找到更高效的固氮催化剂，其影响将是巨大的。

基础设施

北京"量超智通"平台：实现了GPU与量子计算机的统一调度。这意味着研究者可以在一个平台上同时使用经典超级计算和量子计算资源——让量子处理器做它擅长的部分（量子模拟），让经典处理器做其余部分（数据处理、机器学习），两者无缝协作。这是当前最务实的量子计算应用模式。

关键算法方面，材料科学中的量子计算主要依赖VQE（求解材料哈密顿量的基态能量）、QAOA（量子近似优化算法，用于组合优化问题）和量子机器学习（用量子电路加速材料特性的预测模型训练）。

五、量子传感：感知极限的突破

在量子计算的三大应用方向（计算、通信、传感）中，传感是最不为人知的——却是最接近商业化的。

原因很简单：量子传感不需要容错量子计算机。它利用的是量子力学的基本效应——叠加、纠缠、相干——来突破经典测量的极限。你不需要百万量子比特，有时几个就够。

国仪量子：中国量子传感的旗舰

合肥的国仪量子（CIQTEK），估值超70亿元，2025年12月正式递交科创板IPO申请——这可能是全球第一家上市的量子传感公司。

国仪量子的核心技术是钻石中的氮-空位（NV）中心——一种钻石中的点缺陷。NV中心具有极长的自旋相干时间，可以被激光初始化、微波操控、荧光读出——本质上就是一个囚禁在钻石中的单量子比特，但它感知的不是计算任务，而是周围的磁场、电场和温度。

三大应用场景

钻石单自旋传感器：纳米级空间分辨率，可进行芯片无损检测。当芯片制造工艺进入3纳米以下，传统检测手段已经力不从心——你如何在不破坏芯片的前提下测量纳米尺度的电磁场分布？NV中心传感器可以在室温下以纳米级分辨率扫描芯片表面，检测电路中的缺陷和异常——这是芯片制造的刚需。

量子磁力仪：可检测心脏跳动产生的磁场变化——心脑血管疾病早期诊断。人类心脏跳动时产生的磁场极其微弱，约为地球磁场的千万分之一。经典磁力仪很难在这种信噪比下工作，而量子磁力仪可以捕捉到这些信号，有望实现心脏病的无创、无辐射、实时检测。

微波场强仪：基于里德堡原子的量子传感。里德堡原子是被激发到极高能级的原子，其电子轨道半径可达微米量级，对外界电磁场极度敏感。基于里德堡原子的微波场强仪可以实现从直流到太赫兹频段的精密测量——在5G/6G通信、雷达、电子战等领域有重要应用。

最新突破

2026年4月：国器(德清)发布GQ-NextMag S3 SERF原子磁强计。探头体积仅3.8cm³，灵敏度10 fT/√Hz，室温工作。这是什么概念？3.8cm³的体积意味着它可以放入极狭窄的空间——比如紧贴头皮进行脑磁图检测；10 fT/√Hz的灵敏度意味着它能检测到脑神经活动产生的极微弱磁场。而且它不需要液氦冷却（传统SQUID磁力仪需要-269°C的液氦），室温即可工作——这大幅降低了设备成本和维护复杂度。

2025年11月：中科大王亚团队在Nature发表论文，利用量子纠缠增强纳米尺度单自旋探测，分辨率提升1.6倍。这意味着什么？量子传感的精度有一个经典极限——标准量子极限。利用纠缠，可以突破这个极限，达到海森堡极限。1.6倍的提升看似不大，但这是首次在纳米尺度上实验验证了纠缠增强的量子传感——证明了原理可行，后续的改进空间巨大。

量子传感是当前最被低估的量子技术。它不需要等量子计算机成熟，已经可以在医疗、芯片、国防等领域创造商业价值。如果说量子计算是"未来的革命"，量子传感就是"已经发生的革命"。

六、金融：量子的第一桶金

在所有量子计算的应用领域中，金融可能是最快"变现"的——因为金融不需要物理精度，只需要统计优势。

汇丰银行：量子计算首次进入真实金融市场

2025年，汇丰银行在欧洲债券市场应用IBM Quantum Heron硬件，使用量子算法预测债券成交价格。结果：预测准确率较传统方法提升34%。

34%的提升在金融市场意味着什么？债券市场日均交易量数万亿美元，1%的定价精度提升就足以产生巨大的利润差异。这是量子计算在金融领域迄今为止最有说服力的实证——不是理论模拟，不是回测，而是在真实市场中、用真实量子硬件、做出的真实交易预测。

三大金融应用

• 量子蒙特卡洛：金融风险模拟的核心方法是蒙特卡洛模拟——通过随机采样估算复杂衍生品的定价和风险。但经典蒙特卡洛的收敛速度是1/√N（需要4倍采样才能把误差减半）。量子蒙特卡洛可以实现二次加速，将收敛速度提升到1/N——同样的精度，计算量减少到原来的平方根
• 投资组合优化：在数千种资产中找到最优配置，本质上是一个组合优化问题。量子退火（D-Wave）已经在实际投资组合管理中试用，结果表明在特定约束条件下，量子退火可以更快找到接近最优的解
• 欺诈检测：量子机器学习算法可以处理更高维的特征空间，检测传统方法遗漏的欺诈模式

金融行业对量子计算的热情不难理解：这是一个纯粹的信息处理领域，不需要物理实验验证，收益可以用金钱直接衡量。如果量子计算能在任何一个金融场景中证明其价值，回报将远超投入。

七、量子+AI：两种革命的交汇

21世纪有两场技术革命：人工智能和量子计算。当它们相遇，会发生什么？

量子机器学习

量子计算加速AI的核心逻辑：经典神经网络在处理高维特征空间时面临"维度灾难"——特征维度指数增长，计算量也随之爆炸。量子计算机天然生存在2^N维的希尔伯特空间中，可以用N个量子比特编码2^N个特征——这与深度学习需要的高维表示完美契合。

但必须区分"理论上可能"和"现实中可行"。目前的量子机器学习还处于概念验证阶段，量子硬件的噪声和有限规模限制了实际可处理的问题大小。

实际案例

中电信量子集团：开发了量子长短期记忆网络模块（QLSTM），用于光伏功率预测。LSTM是处理时间序列的经典深度学习架构，QLSTM将LSTM中的关键矩阵运算替换为量子电路，在相同参数量下可以处理更高维的输入。光伏功率预测是一个对精度极度敏感的场景——预测误差每降低1个百分点，电网调度效率就显著提升。

黄仁勋的"认错"：一个信号

2025年初，英伟达CEO黄仁勋公开表示"实用量子计算还要等20年"。两个月后，他公开认错。随后，英伟达接连投资头部量子公司。

这不仅仅是个人判断的修正。黄仁勋最初的判断基于一个合理的观察：当前量子硬件确实还很早期。但他低估了两件事——量子算法的进步速度（特别是量子-经典混合方法），以及应用场景的多样化程度（不需要等容错量子计算机，NISQ时代就有价值）。当行业领袖从"不屑"转为"下注"，信号比任何论文都有说服力。

量子-经典混合：最务实的路径

当前量子计算最务实的应用模式是量子-经典混合计算：量子处理器做它擅长的部分（量子模拟、量子采样、量子优化），经典处理器做其余部分（数据预处理、后处理、机器学习）。两者通过经典通信连接，各取所长。

这不是退而求其次，而是工程智慧。在容错量子计算机真正成熟之前，混合计算是连接"量子优势"和"现实需求"的唯一桥梁。2024年QureGenAI的药物设计管线、2025年汇丰的债券预测、中电信的QLSTM——它们都是混合计算的成果。

纯量子计算可能需要十年甚至更久才能达到实用规模，但量子-经典混合已经在创造价值。

本章自测

行动指南：普通人如何拥抱量子时代