E180｜量子计算的Transformer时刻与科技巨头的路径之争

现在处在敏感阶段的有 3 个行业：先进半导体、AI 和量子。总体来说，先进半导体是一个非常传奇的过去，AI 是一个非常蓬勃的当下，而量子基本上都是不可避免的未来。所以在一个加息周期里面，政府会对这个不可避免的未来更感兴趣。但随着降息周期的开始，我觉得 VC 会对整个行业更加关注，特别是 Willow 的出现，我觉得投资会 ramp up。

大家已经从标题看出来了，这又是一集非常硬核的话题：量子计算。2024 年 12 月，谷歌宣布，基于 Willow 计算机芯片的量子计算机只需要不到 5 分钟的时间，就可以完成一项标准的数学计算。那我们把这项计算交给传统计算机，需要多久呢？10²⁵ 年。

这是什么意思？就是说，这个时间已经超过了我们知道的宇宙年龄。我相信听到这里，大家都会有疑问：谷歌的量子计算机如果已经能执行这么厉害的任务了，那量子计算是不是已经实现了？并不是，因为谷歌的机器执行的数学计算，是一项专门用于衡量量子计算进展的测试，而不是一项有用的、可以在医学或者人工智能领域进行的有目的运算。

过去 30 年困扰这个领域最顶级学者的问题，就是量子计算机会犯太多错误。谷歌 Willow 芯片的主要贡献，就是它可以在扩展至更多量子比特的时候，指数级地减少错误。基于这一点，它其实解决了一个困扰科学家们 30 年的难题，所以业内人士又将 Google 的 Willow 芯片称作量子计算界的 Transformer moment。

这样一来，量子计算机距离执行人们认为有用的任务，距离完全纠错的量子计算机，就又近了一步。我们离有用的量子计算还有多远？英伟达 CEO Jensen Huang 在 CES 期间也被问到了这个问题。我们这期节目的录制是在 1 月份 CES 之后，刚好是 Jensen Huang 回答了这个问题，所以我们会讨论他的回答，以及量子计算还有多久能够实现。

同时，我们也会提到刚才节目开头谷歌 Willow 芯片的一些解析。第三部分，我们回顾了过去几十年硅谷巨头是如何布局量子计算，以及它们之间的路线之争。这部分听上去会有一点难，大家可以一边看 show notes，或者使用 AI 工具辅助理解这期节目。

最后一部分，我们会聊一聊量子计算的应用，以及它与加密货币、银行和运营商之间的密码学博弈。今天跟我在一起的两位嘉宾，一位是 Anyon Technologies 的创始人，也是加州理工学院的博士与加州大学伯克利分校的博士后。你好。

你好，很高兴能参与这个节目，跟大家聊一聊最近量子计算的一些前沿信息。

欢迎。另一位嘉宾也是你的同学，他是加州理工学院的博士与博士后，同时也是 Anyon 的 CTO。你好。

你好。我们是加州理工博士期间的同学。

欢迎。开始之前，大家要不要介绍一下自己，包括你们跟量子计算的关系？

在过去 10 多年的时间里，我们基本上一直在做量子芯片相关的事情。我和 Jared 都是 2014 年来到加州理工做博士的，我们在加州理工的导师是 Oskar Painter，也就是现在 AWS 量子硬件部门的负责人。

实际上，我们从 2014 年就开始在量子计算这个赛道上做事情，已经有 10 年的共同从业经验了。2019 年我博士毕业，之后去伯克利做博士后。后来我觉得时机比较成熟了，就跟之前的同组同学 Jared 一起创立了这家公司。

我们的目标，就是结合我们在伯克利和加州理工的前沿技术。因为我在伯克利的博士后所在的研究组，也是整个量子计算芯片领域的先驱团队。这个团队的 Professor Franz Dicke 在超导量子电路这条赛道上已经有 20 多年的历史，也是最早的一批教授，基本上跟 John Martinis 是同一代。

我们当时创立这家公司的初衷，一是看到了很多公司，基本上所有云计算公司都在做量子计算；特别是 AWS 把我们之前在 Caltech 的研究组整体挖过去，创建了量子计算硬件部门之后，我们觉得时机已经很成熟了。既然我们有技术，也有时机，为什么不去创立一家公司，把我们的技术变成商业化产品，服务于下一个十年的计算行业呢？这就是当时的初衷。

Jared，你要不要也介绍一下？

我跟 Roger 的轨迹比较相似，所以他刚才也已经帮我介绍了一些。2019 年到 2022 年博士毕业期间，Roger 去伯克利做博士后，我继续留在加州理工，跟 Oskar Painter 教授继续做博士后。

这个期间，亚马逊也开始开展量子计算，正在把我们的博士生导师所在的整个研究组挖到亚马逊 AWS 的量子计算部门。我也参与了一些初期的交接和准备工作。

当然，正如 Roger 刚才说的，我们最终觉得这是一个非常好的时机，可以成立自己的公司，按照自己的理念走出一条跟大公司不一样的发展路线，所以我们一起创立了现在的 Anyon Technologies。

1. Quantum Computing Basics

节目最开始，还是一个非常通识的问题：能不能用尽可能通俗的语言，跟听众解释一下什么是量子计算，它是用来做什么的？

我用一套比较通用、浅显易懂的方式来介绍一下量子计算。理解量子计算，可以跟经典计算机做一个类比。我们现在市面上几乎所有的计算机，无论是 CPU、GPU、手机，还是很简单的计算器，都可以理解为经典计算机。

我们可以理解为，每一台经典计算机都是一长串由 0 或者 1 组成的字符串，这就是我们所说的 bit。Bit 只能处于 0 或者 1 的状态。所有计算机，无论多么复杂或者简单，无非就是一串比较长或者比较短的字符串。

类比到量子计算机，它其实也是一长串字符串，只不过它的组成部分叫作 qubit，也就是量子比特。量子比特跟比特的区别是什么呢？量子比特不仅仅只能存在于 0 或者 1 的状态，而是有一个叠加态，可以同时存在于 0 和 1 之间的状态。

量子比特还有另外一个特性，就是量子的纠缠态。它不仅仅是每一个量子比特单独存在，不同的量子比特之间还可以纠缠在一起，同时发生改变。这两个特性一起发生作用，就产生了跟经典计算机显著的不同。

经典计算机如果只有 3 位，它所能存在的状态就是 000、001，一直到 111，一共 8 个状态。如果想要进行运算，它只能一个一个地改变每一个位数。如果要遍历这 8 个不同的状态，就要进行 8 次运算。

但量子计算机不同。如果我们有一个由 3 个量子比特构成的量子计算机，由于叠加原理和纠缠原理，它可以同时存在于这 8 个状态里面，然后同时对这 8 个状态进行计算。如果只有 3 位，差距可能还不明显：经典计算机要进行 8 次运算，量子计算机进行 1 次运算就可以完成。

但是如果比特数量继续增加，量子计算机相对于经典计算机的优势，就会呈现指数增长。如果有 4 位，经典计算机要进行 16 次计算，才能穷尽 16 个状态；但量子计算机还是只需要 1 次，就可以同时处理全部 16 个状态。这就是所谓量子计算机相对于经典计算机的指数级加速。

我可不可以理解成，量子计算机非常适合解决复杂、高难度的计算？越难的计算，它越有优势？

我们可以理解为，它的核心优势在于能够在某些特定问题上实现指数级加速。量子计算机不是经典计算机的替代品，就像 GPU 不能完全替代 CPU 一样，它们会共同存在、相互协同。

量子计算机特别擅长在某些特定问题上实现指数级加速，比如矩阵运算、因数分解、量子化学模拟和组合优化等领域。它会在这些高复杂度计算任务中发挥非常重要的作用。

哪些领域会运用到这些高复杂度的计算？比如说，未来量子计算会应用在哪些场景？相比传统计算机，它最有优势解决的问题是什么？能不能举一个具体的例子？

2. Where Quantum Wins

量子计算有几种特殊算法。有些特殊算法对矩阵运算有特别好的指数级加速效果，有些算法对因数分解有特别好的加速效果。

量子计算本身是量子的，而这个世界本身也是量子的。用经典计算机模拟量子世界，本身就非常困难。也就是说，我们的一些化学运算本身是量子的，所以用量子计算机进行这方面的运算会更加容易。

刚才提到的 3 个例子，对应关系其实非常明显。矩阵运算方面，现在所有的人工智能和机器学习，本质上都是矩阵运算。因数分解，很容易想到 Shor 算法所对应的安全问题和加密问题。现在大部分加密手段，都是通过类似的数学问题进行加密的，量子计算对于破解这类加密就非常有优势。

量子化学模拟则很容易想到油气、化工、药物研发等领域，这是非常直接的应用。还有一个领域是组合优化，量子计算机对组合优化问题的求解速度非常快，也有指数级加速的作用，所以对于物流等需要优化的领域也会非常有帮助。

你刚刚提到了几个点。比如在矩阵运算方面，它对人工智能的加速体现在哪里？有了量子计算机，大家训练大模型的时候会有特别的优势吗？还是说它只能在一个极小的领域里，针对某个特定问题提供特定解法？

人工智能无论模型是什么，本质上都是矩阵运算。其实还是回到一个根本问题：为什么 GPU 在人工智能中作用这么大？它比 CPU 运行人工智能模型快这么多，本质上就是因为 GPU 进行矩阵运算的速度比 CPU 快很多。

CPU 擅长比较复杂、线程数较少的运算，而矩阵运算本质上不需要特别复杂的过程，更多是重复的过程，而且需要特别多的核心同步运算，这就是 GPU 的作用。人工智能之所以在 GPU 上比在 CPU 上有优势，就是因为 GPU 的矩阵运算速度快很多。

量子计算机中用到 HHL 算法之类的算法，如果能够加速矩阵运算，本质上就是对人工智能整个大模型开发过程，实现类似从 CPU 到 GPU 的跨越式加速。

我想补充一点。量子计算在具体问题上，通过加速矩阵求逆等相关算法，实际上可以总体加速整个人工智能学习和 inference 的 pipeline。

比如你的人工智能模型有 100B 个参数，用 GPU 跑的话，对应的大概是 100B 乘以 100B 的算法复杂度，要跑这么多步骤去计算。对于量子计算机来说，则可以通过求对数的方式，把 100B 个参数对应的复杂度降到大概 log 100B。

相对来说，在处理巨大模型的时候，整个运算量会指数级下降。也就是说，你可以用更少的能量和资源，去计算一个巨型模型。

3. Jensen Huang Sets the Timeline

刚刚我们提到了量子计算的几个应用方面，之后还可以详细探讨它的商业化，以及它在各个行业是怎么应用的。但在此之前，我觉得有一个问题：量子计算现在到底能不能实现？

比如说，我们刚才说到的训练人工智能，量子计算发展到哪个阶段了？今年英伟达的创始人 Jensen Huang 在 CES 上也被问到了这个问题。我记得他说，如果 15 年内实现非常有用的量子计算，他觉得这是一个非常早的预测；如果 30 年实现有用的量子计算，可能又偏晚，所以合理区间是在 20 年左右。

但他这句话一说，有一批量子计算股票的股价就纷纷下跌。所以我也想听一下两位怎么看 Jensen 所说的量子计算实现时间。

首先，Jensen 在 NVIDIA 的投资者会议上被问到这个问题，并且正面回答，本身其实已经把他认为的 20 年限定成了远不止 20 年，也就是比 20 年还要久。

因为一旦你开始在这种会议上回答这个问题，就意味着投资者会考虑，是不是要把未来 10 年量子计算对你公司股价的影响计入定价。大家都知道，华尔街计算股价的方式，是给未来 10 年的预期增长和垄断地位定价。

所以实际上，这是一个对他来说有点利益冲突的问题。如果他在任何地方表现出未来 10 年量子计算可能会对 GPU 产生影响，那明天 NVIDIA 的股价就要跌。相比让 NVIDIA 股价下跌，让量子计算股票下跌对他来说是一个非常合理的决定。毕竟坐在哪个位置上，就要回答哪个位置上的问题。

另外一个角度，我觉得 Jensen 是很厉害的人，我也很尊敬他。但是人不能只看他说什么，还要看他做什么。Jensen 的公司在量子计算里面算是非常大的一条鱼了，他也是我们的合作伙伴。他们有很多主动的 partnership 和合作，包括我们等一下要参加的超算会议，也是我们跟他们一起做 demo。

所以从他做的事情来看，我们可以回顾一下历史：CUDA 发布是在 2007 年，cuDNN，也就是 CUDA 专门为 DNN 推出的 package，发布是在 2014 年；Transformer 是 2016 年，GPT-3.5 是 2022 年。

就算从 CUDA 算起，15 年也已经是一个从微小的角度开始做这个方向，到最后完全落地的时间。这个过程不会超过 15 年。

第三点，他用词非常精准。他说的是 very useful quantum computer。在这个语境里，其实也可以理解为 large-scale fault-tolerant quantum computer，也就是量子计算的完成体。

这有点类似于 AI 里面我们谈论 AGI。它是一个非常长远的目标，或者说是一个非常 powerful 的梦想和目标。如果它能够实现，人类文明基本上就会进入下一个阶段，因为我们可能会开发出无数新材料，也可能出现远超人类能力的人工智能。

所以，他所说的 very useful，意思是量子计算彻底站到了现在 GPU 所处的、计算中心的核心位置。

我个人不认为 15 年之内出现这种量子计算有比较大的概率。我觉得工业界的共识是，大规模、容错量子计算，真正处在大规模应用阶段，可能还需要差不多 15 年。他的说法本质上没有偏离他们公司内部的调研和工业界共识，只是把它表述成了投资者听起来更加友好的说法。

我在想，要怎么样去理解量子计算对 NVIDIA 的冲击？可不可以理解成，如果量子计算真的实现了，它不需要那么多 GPU 就可以完成这些运算，所以对 GPU 和芯片的需求就没有那么大？我挺想知道，大家思考它对 NVIDIA 股价冲击的逻辑是什么。

4. GPU And QPU Grow Together

量子计算首先会在很多复杂问题上发挥作用。NVIDIA 现在对公司的定义叫作 a supercomputing infrastructure company，也就是超级计算基础设施公司。他们认为，未来的超级计算涵盖 AI、天气预测，以及化学模拟等高复杂度计算问题。

从他的角度来看，这些是 NVIDIA 未来的核心业务，这一点是事实。量子计算也是这么说的。但实际上会发现，量子计算在一定程度上的确会参与到 NVIDIA 在更复杂计算领域中的一些应用。严格意义上说，不能叫侵蚀，而是会参与其中。

比如我们要做极其复杂的蛋白质反应模拟，不是 AlphaFold 这样的预测，而是通过第一性原理去模拟它，精准地找到药物。对于这种任务，NVIDIA 用第一性原理去计算肯定不现实，量子计算可以计算。

但从 NVIDIA 的角度来说，如果有一个中心愿意买 100 万块 NVIDIA 未来的 GPU 芯片去算这个问题，对他们来说股价肯定是好的。可是，如果量子计算能够说，我不需要你 100 万块 GPU 的成本，只需要大约 1 万块 GPU 的成本就能实现这个目标，那相当于 NVIDIA 的一部分市场就被夺走了。

但 Jensen 说的是 very useful。也就是说，量子计算机基本上不需要跟 GPU 分担工作量，就能完整处理这些复杂问题，这个时代还有一段距离。所以我觉得 Jensen 把时间放到 15 年甚至更久，相当于是在告诉华尔街，不要去给未来 10 年量子计算对 NVIDIA 公司股价的影响定价。

未来 10 年，随着计算需求上升，公司的股价应该水涨船高。这是合理的。而且我觉得，未来 10 年从量子计算的角度来说，我们也很需要 GPU 做混合量子计算，这也是我们跟 NVIDIA 合作的原因。

所以，未来 10 到 15 年其实是一个共同存在、共同成长的阶段，并不存在谁取代谁。严格来说，这是一个扩大的增量市场，而不是大家在存量市场里争夺空间。

你们跟 NVIDIA 的合作，大概是什么类型？

我们更加重视产品和技术层面的合作。我们是硬件公司，他们是软件公司。

一方面，我们会使用 GPU 以及他们的软件和 GPU 算法，去优化量子计算机的芯片设计，优化量子测控；另一方面，也可以用 GPU 去优化量子计算机的运行。

此外，还可以通过量子计算机结合 GPU，增强 AI 模型的泛化能力，训练出更加泛化的模型：用更少的参数、更少的数据，获得泛化能力更强、更 generalizable 的 AI model。这其实也是一条 quantum-enhanced AI 的路径。

大家应该也听到，最近有一些非常知名的 AI 公司在招聘量子机器学习的人才，去做相应的开发，这其实也是一个趋势。大家可能听过的公司应该是 SSI，也就是 Safe Superintelligence，Ilya Sutskever 的那家公司。

我们跟 NVIDIA 的合作当然不是软件层面的，更多是构造这样的计算平台。我们把 CUDA 框架作为胶水，把 NVIDIA 的 GPU 和我们的 QPU 连接到一起，形成一个完整的量子增强计算平台。

同时，我们通过高速直接互连，让量子计算机和 GPU 之间形成实时数据交互，在增强量子计算机实时运行能力的同时，增加它解决人工智能学习等问题的能力。

在 NVIDIA 的网页上，这类角色叫作 quantum backend provider。他们自己称自己为 GPU backend provider，所以我们跟他们是并行关系，同时把两者结合成一个完整的 quantum-enhanced computing platform。

我们有自己的量子芯片，也有完整的量子计算机。我们只是把量子计算机和 NVIDIA 的 GPU 系统互联起来，用他们的软件协同两边的工作，通过量子硬件增强 GPU 在人工智能学习问题中的作用。

你们的芯片是自己制造的，还是市场上有专门为量子计算制造芯片的公司？

这个问题很好。我们的芯片是自己制造的，因为我们有独立的设计、专利和制造工艺。

实际上也有公司在出售量子芯片，但质量好不好我不敢说。不过基本上美国的公司都是自己制造，我可以这么说。因为很多技术如果要在快速发展的计算领域取得突破，太早把芯片交给可能没有同等技术积累的团队去制造，并不是很明智。

你怎么看 Google 新发布的 Willow 芯片？

5. Willow Proves Quantum Scaling

Google 一直以来都在朝这个方向走。从 2014 年开始，他们就一直往前推进。他们的公开路线图，是实现量子纠错，在证明可扩展性的基础上，最终制造出 Jensen Huang 所说的 very useful quantum computer。这一直是他们的目标。

我觉得这也是为什么大家有点 confused，因为不同公司的 goal 不太一样。有些公司的 goal 是 shoot for AGI directly，而有些公司像 OpenAI 一样，推出 GPT-3.5，就可以先把它视为一个阶段性的成果，之后继续取得非常好的进展。

所以从我们的角度看，Google 推出 Willow 芯片，是继 Sycamore 之后的延续性工作。他们基于 Sycamore 之前的一些 demo，发现 Sycamore 无论从规模还是芯片性能上，都不足以 demonstrate 量子计算，特别是基于量子纠错计算的可扩展性。

要证明可扩展性，就意味着 the more the better：你制造的芯片越来越大，新的计算机可靠性和计算力反而越来越强。以前从实验上发现的规律是，芯片造得越大，整体性能并不会上升，因为总体错误率也会上升。

所以，纠错是把芯片和量子比特造到所谓 very useful quantum computer 这条路径上非常关键的技术，也是一个前置条件。可以认为，Willow 是基于 Google 过去 10 年的发展，终于证明了量子计算加上纠错的可扩展性。

这个芯片现在处于什么阶段？它已经制造完成了吗？

已经制造出来了。他们用的不是全世界最领先的量子比特和保真度，但是通过各种工程上的提升，让这个芯片 demonstrate 了量子计算在硬件层面、在实验实现上的可扩展性。

这一点我要强调，是实验实现的可扩展性。量子计算本身能不能做到复杂超级计算，从算法层面、原理层面来说，大概十几到 20 年前就已经搞得比较清楚了。

Google 过去 10 年、IBM 过去 10 年，以及整个工业界在做的事情，是从实验物理和器件层面证明这一点：我们真的能做出足够理想化的芯片，做到可扩展性和大规模运算。

所以 Willow 围绕芯片的意义，就在于从实际物理层面把它做出来了。

它会开放给第三方合作伙伴采购吗，还是他们只自己使用？

Google 从来都不是一家硬件公司，也从来不靠出售硬件赚钱。就像 TPU 一样，他们最早做出 TPU 的时候也没有出售，基本上都是自己使用。

他们更多是想证明，自己能够在大约 10 年的时间内，制造出所谓 very useful quantum computer。这是一个阶段性的证明。

你觉得它把芯片造出来之后，会加速整个量子计算研究吗？

从加速层面来说肯定会，但更多是因为他们证明了自己能够做出来。在这种情况下，Google AI 旗下的量子计算部门就能获得更多资源，把芯片做得越来越大，越来越能够解决实际问题。

所以，这个芯片带来的加速，更多不是用它去加速 Google 其他方向的发展，而是把它作为一个活生生的证明，去获得更多资源，把整个系统 scale up，最终变成商业化的、或者 very useful 的量子计算机。

加速肯定会加速，因为管理层现在被 convinced 了。被 convinced 了什么？就是效果是 OK 的。Google CEO 不是也发了一个 post 吗？管理层也需要看到 proof of concept。你说它能够 scale，那就把一个能 scale 的东西给我看。

所以现在从 Google 管理层的角度来说，量子计算的 scalability 基本层面上已经得到验证了。我举一个可能有点类比性的例子：所谓 Transformer moment，就是你证明机器学习模型能够 scale。现在你把它 scale 到足够大，能不能做出一个类似 GPT 的模型？就是这样的逻辑。

所以，Willow 芯片相当于量子计算界的 Transformer moment。

我对此也有比较深的体会。之前有个投资人问我，它是不是 Transformer moment。我想了想，确实有点像，因为 Google 相当于做出了一个活生生的 demo，证明这套东西能够 scale。

如果从 AI 的路径来看，你似乎比 Jensen Huang 更乐观。你认为在未来 10 年以内，量子计算能够实现非常有用的应用。尤其是在谷歌 Willow 芯片发布以后，你觉得它会把真正有用的量子计算加速到多少年？

换句话说，没有这个芯片和有了这个芯片，本质区别是什么？

如果没有这个芯片，大家可能会更倾向于 Jensen 的预测，大概需要 15 到 20 年。但有了这个活生生的 demo 之后，我觉得大家对未来时间线的预测会更快收敛到 15 年以内。

这可能也是为什么 Jensen 会在那次会议上被投资人正式问到这个问题，因为大家开始考虑，是不是要给这件事定价。

Willow 芯片刚才提到，它解决了量子纠错在实验实现上的可扩展性。那你要不要跟大家大概解释一下，它解决了量子计算中哪个最核心的问题，原理是什么？

6. Error Correction Becomes Practical

我大概谈一下量子纠错的基本原理，用通俗的方式解释量子纠错本身。

我们一直都知道，量子计算实用化最大的障碍之一，其实就是噪声。同样，我们也可以用经典计算机来类比量子计算机中的噪声。

经典计算机其实也存在非常严重的噪声。现在我们正常使用手机、电脑等电子产品，从来不会感受到这些噪声，是因为很早以前，底层的经典纠错算法就已经在硬件和软件的衔接层面，把这些噪声或者错误纠正了。

举个例子，在 GPU 中，如果是一个 1.2 伏特的 GPU，理想情况下，1.2 伏代表逻辑 1，0 伏代表逻辑 0。但在实际操作中，由于量产的 GPU 芯片不可能完全一样，每次运算施加的电压也会有一定差异。

所以，电压并不一定始终是 1.2 伏或者 0 伏，不同晶体管、不同时间、不同输出都可能有所不同。计算机的底层会把一个范围内的误差都归类为 0 或者 1。比如输出 1 伏，可能也会被认为是 1.2 伏，也就是逻辑 1；1.5 伏也可能被归类为逻辑 1。

对经典计算机来说，这是一个相对简单的纠错过程。但回到量子计算中，情况就非常不一样了。量子比特不像经典计算中的电压，可以达到 1 伏这样相对较大的数值，方便进行纠错。

量子比特的能量非常小。像我们所使用的超导系统中，它只有一个光子的能量。所以量子比特非常脆弱，极易受到环境干扰和内部误差的影响，从而导致量子信息丢失。

再跟经典比特对比一下，经典比特只会出现 0 和 1 的翻转错误。而量子比特是叠加状态，不仅包括 0 和 1 的翻转，还可能出现相位偏移等错误，这些都会对计算结果或者计算过程造成噪声影响。

由于量子比特具有纠缠特性，所以不能像经典计算中那样，把每个比特单独拿出来进行纠错。如果要对量子计算进行纠错，就需要对所有纠缠在一起、彼此密切联系的量子比特统一进行纠错。

这就是为什么量子纠错被认为是实现量子计算、推动量子计算真正走向实用化的核心技术。

所以，谷歌 Willow 芯片的核心，就是极大地解决了这个问题。Willow 使用了现在最主流的量子纠错方案，这个方案叫作表面码。表面码也源自加州理工的量子纠错技术。

它通过利用表面码纠错码和经过优化的量子硬件，向世界证明了我们可以沿着这条已经规划好的路线继续走下去。只要沿着这条路线继续走，我们就能逐渐扩大量子计算机的规模和运算能力，同时不会让错误率随着规模扩大而变得更加严重。

相反，随着规模扩大，错误率反而会下降，也就是说，整体计算能力会提升。沿着这条路线继续走下去，最终可以实现刚才描述的非常有用的量子计算，也就是业内所说的完全纠错的量子计算机。

大家觉得，谷歌有了这个芯片之后，它会不会对其他做量子计算的公司形成显著优势？比如 IBM、微软、亚马逊、英特尔，以及 Rigetti、IonQ、D-Wave 这些创新型公司。

7. The Quantum Route War

我觉得从这个层面来说，Google 是一家很好的公司。为什么？因为它首先有 vision，愿意在早期投入，就像他们发明 Transformer 一样，给大家证明大方向是对的，大家沿着这条路走就好了，相当于扫清了很多不确定性。

我们可以看一下大公司的反应。比如 IBM 以前从来没有把量子纠错明确放在路线图里面，但现在放上去了。是什么时候放上去的？就是前几个月。

Google 这个成果也不是突然出现的。说实话，内部我们早就能看到论文，因为都要经过同行评审，大家肯定都能看到。论文一旦发表，类似的方法就已经公开了，大家都可能知道。

Google 的路线图一直很明确：我们要做量子纠错，通过纠错实现规模化。量子纠错算法来自 Caltech，表面码，也就是 surface code，是 Caltech 的 Alexei Kitaev 发明的纠错算法。

硬件公司跟软件公司不一样，一个很大的区别在于，硬件可以把 physical process 的大方向讲清楚，具体实现的细节在很多物理平台上可能不同，但大家都可以根据这个大方向去努力。

IBM 以前没有把纠错放进路线图，是因为他们认为量子纠错的实现时间线会拉得更长。他们认为，通过暴力增加量子比特数量，可能更早实现商业价值，或者实现所谓的 very useful quantum computer。这其实是换了一种定义方式。

IBM 作为这个行业最早参与的大公司，为什么在这方面反而有一点保守？

很多时候，大公司往往会更保守、更坚定地坚持早期路线图。IBM 之前更多是在想，怎样利用现在不纠错的量子计算机做出有用的应用，这就是他们的路径。

所以 IBM 不停堆叠量子比特数量，不停探索商业化途径。它确实做技术，也做商业化。Google 则几乎完全不做商业化，专门去做纠错。

但 IBM 这几个月发生了变化。大家现在知道，纠错可能反而能够在 reasonable effort 之内实现，而且关键是，Google 做这件事的人还比 IBM 少很多。所以 IBM 一直在做行业先锋做的事情，只是有的时候，年轻人还是会比它更高效一些。

还有一家大公司，我不方便评论具体是哪一家，因为其中有些是非公开信息，但它也在把自己的路线图改成纠错路线，开始对标 Google。大公司就是这样，看到另一家大公司取得突破，也可能突然调整路线图。以前觉得可能很晚才能做出来的东西，反而可能成为最早实现的路线。

D-Wave 的情况比较特殊，因为 D-Wave 一直走的是退火计算路线，这条路线跟量子纠错完全不同，甚至可以说是背道而驰。

当然，这也有历史原因。D-Wave 是最早的纯量子计算公司，可能在 1990 年代就已经创立，也可能是 2000 年代初。那个年代，大家认为可编程的通用量子计算机不存在，或者非常难以制造。

所以 D-Wave 创立公司的初衷，就是通过相对容易实现的量子退火计算，做一台专用型量子计算机。它不能被编程来做量子纠错，也不能通过编程运行通用量子算法，但他们认为，专用型量子计算机可以更早实现商业化价值。

显然你现在回头看，认为这可能是一个错误选择。你不认可这条路线，是吗？那他们现在有转变吗？

他们从公司创立到现在，一直走的是量子退火方向，所以如果要转变，也需要一个过程，相当于要彻底换方向。

只能说不是完全不认可。他们也许能够找到很多 use case，但实际上会发现，之前认为很难实现的量子计算路径，现在反而可能更早实现，而且实现之后的影响也更大。

所以在你看来，量子纠错现在已经是比较主流、也被大家认可的方向了？

对，因为已经做出来了，活生生的例子就摆在那里。

像 Jensen，或者很多人，张口闭口说要 20 年、15 年、20 到 30 年。但大家仔细想一想，有什么技术是人类开发了十几二十年，到现在这个阶段还要再开发十几二十年才能做出来的？

可控核聚变就是一个例子。但说实话，可控核聚变本质上并不完全是一个技术实验问题。当年人类研究核物理，从证明能够实现第一个裂变反应，到实验室里做出非常小规模的裂变反应，只有几个原子的规模，最后发展到核裂变产品真正落地，只用了 3 年。

再跨越一个时代，从核裂变到更大规模的应用，也可能只用了不到 10 年。实际上会发现，可控核聚变可能是因为市场需求并没有那么迫切。人类现在有大量核裂变反应堆可以使用。

说白了，如果一定要用聚变，也可以用氢弹，甚至苏联有相关的发电方案。可控核聚变是一个非常 elegant、非常 ideal 的目标，但坦率来说，人类可能还没有把核裂变做得足够大、足够高效。

按照人类现在的能源需求，如果还需要几十年，可能说明这种技术在市场上并没有那么迫切。聚变反应本身已经通过氢弹落地了，它相当于是在做 second generation，或者说进一步改进。

但量子计算更多是在谈论第一次落地本身。我觉得这类技术并不存在明明已经发展了十几年、二十年，却还要再用十几年、二十年才能实现的情况。

刚刚我们点评了一些公司。亚马逊现在的路线是什么样的？

公开来看，他们做的还是一种比较新的超导量子比特，用来实现规模化。大公司基本上都在做超导量子比特，包括 Google、IBM 和亚马逊，只是不同公司采用的超导量子比特不一样。

从公开信息来看，亚马逊做的是一种比较新的超导量子比特，叫 Cat qubit。不过 Google 显然已经产生了影响。

那微软呢？

微软也有历史原因。他们当时觉得量子计算还很遥远，其实开始得很早，应该不比 Google 晚。但他们走的是拓扑量子比特路线，这是一条到现在为止都没有证明 proof of concept 的路线，他们大概率已经放弃了。

他们现在最新的进展，更多是因为硬件基本上已经无法继续推进，所以转而跟其他量子计算公司进行深度合作。比如他们之前跟 Honeywell 的 spin-off 公司 Quantinuum 合作，做逻辑量子比特计算；最近又跟 Atom Computing（也是 Berkeley 的一个 spin-off company）合作，做基于原子的逻辑量子比特计算。

微软一开始也很像 Google，非常重视容错量子计算。Google 之所以选择超导，是因为超导量子路线在工程上早就被证明是一条可行路线，你确实可以把芯片造出来并让它工作。

所以从公司层面来说，只需要对它进行工程改进，就可以逐步 deliver 结果。至于快和慢，很多时候跟投入和市场需求直接相关。就像刚才提到的曼哈顿计划，市场有巨大需求，3 年就能 deliver；如果市场需求需要等待时机，或者商业合理性还不明确，过程就可能拖得更长。

但总体来说，沿着超导路线，可以直接把成果推出来。微软当时觉得这条路线可能要走十几年、二十年。最早期大家对未来的估算容易偏保守，很容易说要 30 年之后，所以他们选择了拓扑量子比特。

拓扑量子比特的好处是从一开始就有容错的潜力。他们也相应开发了很多软件，也算是比较早的量子软件开发公司。现在硬件路线没有继续推进之后，他们就把软件跟其他量子计算公司结合起来，在别的量子计算硬件上运行逻辑量子比特。

实际上，它跟 Google 一样重视容错量子计算，只是最后在实现路径上，Google 选择了一条硬件上更稳妥、软硬件结合的路线，而微软因为决策上的一些失误，现在主要剩下软件，并跟硬件公司合作。

所以我觉得，整个过程里对技术方向的把控，还是非常关键的决策。

对。

还有几家创业公司，比如 IonQ，它们的路线是什么样的？

IonQ 的主要路线是离子阱。离子阱路线曾经有很长一段时间，甚至在 2010 年以前，被认为比超导更有前景。

简单来说，基于离子阱的量子实验其实是人类最早的量子实验之一，也拿了不少诺贝尔奖。超导在很长时间里，特别是在 2007 年到 2009 年以前，被认为是一个非常差的平台，因为当时实验上能够做出的超导量子比特都不太行，性能非常差。

大概从 2009 年开始，耶鲁的研究者把超导量子比特做得越来越好。到 2014 年，超导量子比特终于达到了所谓纠错阈值，这也是 Google 参与的一个实验节点。

IonQ 的离子阱体系为什么曾经被认为很好？因为它的量子体系历史最悠久，同时在小规模量子体系里最好操纵，可控性很强。所以他们当时认为，trapped ion，也就是离子阱路线，可能会更早实现商业落地和所谓的 useful quantum computer。

但事实是，从公司创立、上市到现在，IonQ 的量子比特数量可能只翻了一倍。它在 2017 年创立时，大概是从大学实验室搬出来的，有 11 个可以相互纠缠和计算的量子比特。当时也发表了很多论文，工作其实都不错。

但后来发现，当你要超越 11 个量子比特时，工程上会遇到巨大的科学挑战。工程挑战虽然也很大，但可以一步一步实现；科学挑战则更难，需要基础科学突破，不确定性更高，需要更多 innovation 去推动。

所以你刚才说它翻了一倍，现在是 22 个量子比特？

现在差不多在 20 多个到 30 个之间。

目前业内最多的是多少个量子比特？

离子阱最多的应该是 Quantinuum 的 32 个，没记错的话。

现在的问题是，当量子比特变多之后，离子阱的性能越来越接近超导。量子比特变多，它的运行性能，比如保真度，越来越接近超导。更准确地说，是超导越来越接近离子阱。

以前大家认为超导不可能做到高于 99.9% 的保真度，但现在已经做到了，而且不止一个系统。从小规模实验来看，随着离子阱规模变大，它也会遇到各种挑战。它的 trade-off 是，规模变大的同时，保真度会下降，结果两条路线现在居然出现了 crossover。

技术发展其实是一个很有趣的过程。很多人当年都想弯道超车，但在技术发展的早期，可能并不存在这种可能性。

就像 AI 的例子，从 Transformer 发展到 GPT，你不能为了避免使用 Transformer，就换一个完全不同的架构去试错，对吧？

对。很多以为自己可以弯道超车的路线，最后反而会翻车，弯道翻车。

所以 IonQ 的问题在于，它没办法找到一个 clear way，去做到现在超导已经做到的 scale。他们会说自己有 roadmap，但最终还是那句话：show me actual demonstration。

这就是离子阱。刚才你说过，D-Wave 的路线完全不一样，它甚至不是 digital，而是量子退火，没法用来做纠错。

那 Rigetti 呢？

Rigetti 这家公司很传奇。Rigetti 本人就是当年在耶鲁把第一个高保真度超导量子比特做出来的人，他的毕业论文就是关于这个的。后来他把这套技术带到 IBM，跟他的同学一起发展，所以 IBM 最早的路线图就是建立在他的架构之上的。

后来他自己创立了公司，超导比特的一些细节也发生了变化。Rigetti 在量子计算创业公司里面算是前辈、先驱。但可能因为它成立得太早了，2013 年就创建了公司，偏早了一些。

这就像在 Transformer moment 之前创立一家 AI 公司，你可能会成为先驱，但后面可能会失去 momentum，没办法利用最新的技术和信息做出最明智的决定。

所以 Rigetti 我还是很 respect，但从公司的整体表现来看，无论技术层面还是商业层面，现在都有些 falling behind。Rigetti 本人现在也已经退休了，这就是典型的 startup story。

我现在听下来，是不是整个量子计算领域还是巨头的路线更 solid 一些？比如 Google 这些公司，相比创业公司，仍然处在更加领先的位置？

首先，亚马逊不一定。IBM 因为之前选择的路线稍微有点偏，也不一定。他们坚持自己的路线坚持了 10 多年，在 2024 年，也就是去年发布 1,000 个量子比特的量子芯片之后，把路线图改了，现在跟我们的路线有点像。

你们的路线是什么？

我们很早就选择了用多个量子芯片实现 modular quantum computing 这条路线。他们发布的所谓 long-range coupler，其实我们当时也做过，公司创立时就有相关专利。

这个事情难道不有趣吗？我们创立公司的时候，这条路线还没有被其他公司明确写进自己的路线图，现在 IBM pivot 过来了。

当然，这也是因为我们从伯克利 spin off 出来时，看到了过去 10 年整个量子行业的发展。我不一定反对创业公司弯道超车的说法。你做一个完全不一样的量子比特，去走一条完全不同的路线，可能不现实。

但在架构上，创业公司可以比大公司更加创新，采用更加 agile、灵活和高效的架构。

因为更新得更快。

对，因为更新得更快。我们在跟 IBM 的人交流时，其实也聊过这个问题。他们的 mindset 是：我认为自己的路线只要能继续走下去，我有公司、有钱、有人，甚至有信心，那我为什么还要去尝试新的东西？我直接做就好了。

所以他们不是很 care over time 的创新，也不认为公司架构上的一些低效，会对整体商业落地产生实际影响。对他们来说，技术进步效率上那一点上下浮动，对于一家百年企业来说其实很一般。

Google 则是一个很好的例子。Google 会用创新的方式做量子计算。它的微架构跟 IBM 也不太一样，虽然大家都采用超导路线，但具体架构不同。

Google 使用了一条源自 UC Santa Barbara 的路线，可调性非常强，也很灵活，所以他们可以利用这种灵活性，先于 IBM 做到一些 IBM 认为不可能做到的事情。

我还有一个问题：你们怎么衡量量子计算这件事应该在学界做，还是在工业界做？

比如说，你可以继续留在学校做科学研究，也可以成立自己的创业公司做科学研究。如果对应到大家比较熟悉的 AI 领域，当 scaling law 已经成立时，在工业界拥有更多钱和算力，确实更容易出成果。

那么量子计算现在处在一个什么样的阶段？学术界和工业界之间又是怎样的权衡？

8. Industry Replaces Academia

量子计算在 2019 年之后就很明显了：学术界已经干不过工业界。我们以前研究组的同学，不是去了亚马逊、Google，就是去了 IBM。现在无论是 Caltech 还是 Berkeley 出来的那一届同学，以及后面几届，几乎没有进入学术界的。

但你也会看到，AI 领域也是这样。美国学术界认为，学术界的作用不是跟大公司比谁先落地，谁先把东西做出来，谁先取得商业化成果，谁先把规模做大。

美国学术界，特别是越好的机构，核心职责是做快速试错、快速开发和探索。比如在大家都不觉得量子计算能够实现的时候，我去做超导线路，我去做离子阱，先把基础打好。

举个例子，Google 做量子计算的时候，是 2013 年 UC Santa Barbara 的 Martinis 研究组在超导量子计算平台上跨越了量子纠错阈值，也就是保真度超过 99%。所以 Google 那个时候认为，量子计算已经从科学问题变成了工程问题。

学术界的作用，就是在大家还把它当作科学问题的时候，去探索能不能 prove concept。证明之后，工业界就可以接手。

所以现在学术界为什么很少有人继续做大规模量子计算？一是学术界没有这样的资源；二是学术界本身也不太做这件事。说白了，工业界的 goal 是把量子计算做得越大越好，而学术界并不是这个目标。

所以我理解，工业界探索的是落地，而学术界还是在最初的小苗头上进行探索。

对。当工业界完全觉得这件事没有 ROI 的时候，学术界才是蓬勃发展的地方。一旦你证明这已经不是科学问题，而是工程问题，工业界就会完全 take over。

因为工业界有明确目标，它的工业目标是把东西做出来，而不是发表论文。

造一台量子计算机大概需要多少钱？

如果只从物料成本来说，造一台量子计算机大概需要 100 万美元左右。当然，前提是你知道怎么造，而且不需要经历太多试错。

比我想象中便宜。那 Google 现在的量子计算机大概有多少个 qubit？

Willow 是 100 个左右。

我发现大家在提到量子计算时，经常会用量子比特作为计量单位，看它有多少个量子比特。你能不能用通俗的方式跟大家解释一下，这个数量是什么意思？为什么每次量子比特数增加，或者翻倍增加时，就会遇到难以突破的学术问题？

量子比特数量增加一倍，典型地就像制造芯片一样。当你把芯片规模扩大，或者把硅片做大、放入更多晶体管时，芯片整体的良品率会下降。

当你制造更多量子比特时，对所有量子比特都能在目标范围内工作的微纳加工精度要求就会更高。比如你制造 1,000 个量子比特，真正能够串联起来工作的可能只有 300 个。

所以，造 1,000 个量子比特有没有意义？这就可能变成 pure show，没有实际意义。

离子阱也是一样。刚才说过，离子阱通过禁锢离子的方式工作，当离子数量超过 11 个、达到 20 个以后，禁锢难度就会越来越高。这其中既有物理问题，也有微纳加工和设计问题。

That's why 很多大公司都会选择超导路线。微纳加工说实话已经发展了四五十年，做一个 100 纳米 feature 的东西还做不出来，就有点说不过去了。

从去年下半年开始，也会发现半导体公司慢慢参与进来。比如应用材料，以及一些传统半导体设备公司和芯片工厂，已经开始做量子芯片流片，跟一些创业公司展开合作。

量子计算并不是 AI 或半导体早期那种完全没有验证的状态。现在是下面的公司，比如 Google 和我们，慢慢证明这东西可以做，而且做得越大，回报越大。这样一来，上游的半导体设备公司和晶圆厂就开始感兴趣了，因为它们可以接手。

这是一个很典型的商业逻辑。

今年 VC 投资量子计算，你们有没有感受到市场正在变热，资金开始大批进入这个领域？

9. Strategic Capital Targets Quantum

目前还没有明显感觉到传统 VC 的投资变多，毕竟降息也是相对近期的事情。

什么样的投资变多了？

战略 VC 和国家主权基金的投资变多了。比如 John Martinis，也就是以前 Google 量子计算部门的负责人、UC Santa Barbara 的教授，他的新公司叫 Qolab，去年从日本开发银行和其他机构拿到了 1,600 万美元。

总体来说，现在更偏向于一个 CSS，也就是关键战略领域。现在处在敏感阶段的有 3 个行业：先进半导体、AI 和量子。

我们可以总体来说，先进半导体是一个非常传奇的过去，AI 是一个非常蓬勃的当下，而量子基本上是不可避免的未来。所以在加息周期里面，政府会对这个不可避免的未来更感兴趣。

但随着降息周期开始，我觉得 VC 会对整个行业更加关注，特别是 Willow 的出现，我觉得投资会 ramp up。不过还要看下一个降息周期会持续到什么时候。

你刚刚提到日本开发银行投资了这家公司。我理解，是不是因为量子计算一旦实现，就会要求全球密码系统进行整体升级，所以大家会在安全层面提前布局？

10. Banks Prepare for Quantum Threats

这个已经开始了。两年前，拜登政府发布行政命令，要求所有联邦机构将自己的加密系统改成所谓抗量子加密。国家标准与技术研究院大概在去年确定了 3 个抗量子加密标准，所以这件事其实两三年前就开始了。

去年 2 月，新加坡金融管理局建议所有新加坡金融机构采用抗量子加密术和安全密钥。QKD，也就是一种量子通信手段，可以让金融数据不被泄露出去。

这其实也涉及刚才说的时间线问题。为什么两年前新加坡金融管理局，也就是新加坡央行，就已经开始做这件事？汇丰银行也已经在英国做过抗量子加密和安全通信的试点网络。很多银行都在做，比如 JPMorgan Chase，他们也是这个领域里非常大的一条鱼，已经有主动的抗量子加密和量子通信基础设施及项目发展，这些都是公开信息。

所以密码学也在蓬勃发展，抗量子算法相关的密码学也在发展。

对。量子算法和量子通信，其实都跟量子计算相关。很有意思的是，之前可以理解为政府在主导，但从去年开始，金融界在这方面的进展非常大。基本上你听过的银行，都有独立项目和共同项目，甚至央行也在做。

所以这又回到刚才的问题：很多时候不要看他说什么，要看他做什么。有人说要保守一点，但如果量子计算机真的还要 10 到 15 年才能破解加密术，为什么现在大家就开始改变自己的基础设施？

你觉得量子计算大概什么时候可以破解银行的密码？

因为在谷歌 Willow 芯片发布的那一天，我观察了一下比特币的价格，确实出现了大跌。市场上已经流行了很长时间的一种说法，就是量子计算很容易破解比特币的算法。

比特币的算法其实分成两部分：一部分是整个挖矿机制的算法，另一部分是私钥的椭圆曲线签名。在这两部分算法里面，据说椭圆曲线签名是最容易被破解的，甚至比破解传统银行系统的密码还要容易。不知道你们理解的是不是这样？

比特币确实使用了两种加密系统。这里就要提到刚才已经聊到的 Shor 算法。它是一种专门针对大数分解和离散对数问题的量子算法，可以在多项式时间内破解椭圆曲线签名。

它针对的不仅仅是比特币系统。所有公钥公开、并且使用相关加密机制的系统，都可能受到影响，能够比较容易地被 Shor 算法攻破。

这跟银行系统不同。银行系统没有公开的密钥，银行系统的密钥本身也是机密信息，不会暴露在外。

但比特币用户的钱包公钥是公开的，可以在链上查询，任何人都可以通过区块链网络访问这些公钥。在没有量子计算机的时代，拿到公钥，几乎不可能计算出私钥；或者说，计算成本非常高，可能需要几万年。

但有了量子计算机和 Shor 算法，在量子计算机具备足够能力的情况下，拿到公钥之后计算出私钥，就会成为一个可行的过程。

那需要多少个量子比特才能破解？

有人说需要 4,000 个量子比特，但其实我们现在距离 4,000 个量子比特还非常远。

这里我先纠正一下。4,000 个、3,000 个量子比特这个数字，建立在 Shor 算法所需要的量子比特是没有错误的前提下，也就是完全容错、完全纠错的量子计算机。

你需要的是一台拥有大约 4,000 个量子比特的大规模容错量子计算机，去运行 Shor 算法。这就是 Jensen 所说的 very useful quantum computer。

按照 Jensen 的预测，大概还要 15 年。但你看大家现在的行动，显然不是在等 15 年之后。因为当一件事已经开始威胁到自己的钱包时，大家的敏感度就会变高。

所以，我觉得能够破解加密术的量子计算机，也就是所谓 very useful 的大规模容错量子计算机，可能还需要 10 年左右才会出现。

但很多机构和公司，特别是银行，以及比特币相关团队，现在已经开始实施抗量子加密。银行现在就开始做，是因为万一出现意外呢？

这不是一个绝对的预测，只是 estimation。就像 GPT moment，实话说，在 2021 年、2022 年初的时候，大家并不知道进展会这么快。按照当时普遍的判断，能够通过图灵测试的 AI，可能还需要 8 到 10 年，但实际上几个月之后就出现了。

很多人因此意识到，技术突破有点像技术爆炸，你无法预测它什么时候发生。我只能说，合理推测是 10 年左右，但如果 5 年之后出现，甚至明年出现，我也不会极端惊讶。没有什么物理规律说它不可能，本质上是一个工程学问题。

你刚刚提到，银行都在做抗量子算法和量子通信的布局。我也看到，比特币核心开发团队可能也在研究如何抵抗量子计算机的破解。

但正如你刚才提到的，very useful 的完全容错量子计算机可能会突然出现，它不是匀速发展的，可能会快速实现，也可能要 10 到 15 年，甚至 15 到 20 年。

那我可不可以理解成，现在变成了一场竞赛？如果非常强大的量子计算先实现了，就会对那些还没有来得及升级的密码系统造成巨大威胁；而另一端，抗量子密码学的升级可能是一个相对平缓的过程。

首先，密码学替换相对来说比较简单。抗量子加密本质上是加密机制的替换，很大程度上是软件升级问题，或者硬件替换问题。

比如要进行高速加密，可能需要一个单独的硬件 ASIC。但在美国国家标准与技术研究院确定了 3 个抗量子加密标准之后，从商业化角度来说，按照标准去 implement 就可以了。

这也是为什么你会看到，像汇丰去年在香港发布的加密系统，也加入了抗量子加密。抗量子加密的转换本身并不是一个特别慢的过程，只是需要去做。

更复杂的是量子通信，比如 QKD。很多银行也在做 QKD，它完全不依靠加密算法本身来抵抗量子计算，而是依靠物理层面的隔绝，这也是一条路线。但它会慢一些，因为涉及光纤网络等基础设施。

很多银行其实也在主动推进，甚至我们接触过的一家银行合作伙伴说，现在有一个很有趣的情况：银行在要求通信公司，比如 AT&T，去部署量子安全光纤 QKD 网络，帮助它们在华尔街进行安全通信。

这很有趣，反而是银行在倒逼通信公司做这件事。因为对银行来说，任何潜在的数据泄露都可能带来数十亿美元的损失，它们不会 take the risk。

所以我并不太担心，解密能力提升会导致金融体系或者虚拟货币体系崩溃。从技术层面上，我不觉得会这样。

但还是那句话，《三体》有句话说得很好：“傲慢才是最大的问题。”还有一句，“我消灭你，与你无关。”

我觉得现在大家，包括银行和金融机构，虽然有时候看起来很傲慢，但它们在这件事上一点都不傲慢，反而是在 play safe。包括 Crypto，它们也可以迭代加密方法，让系统更加 secure。这是可以做到的，也并不是一个 rocket science 的问题。

所以你觉得这件事本身并不是特别难。

像你们这样的公司的商业模式是什么？因为量子计算要实现本身就很难，而且是一个高研发驱动的行业。你们会怎么样去寻找商业化场景？

11. Quantum Computing Finds Customers

这个问题很有趣。我们公司的主要业务，就是研发、制造和销售量子增强型计算平台，也就是量子计算设备。

俗称量子计算机。之所以用了很多定语，是因为大家对量子计算机的理解不太一样。有的人理解的是 very useful，有的人理解的是 partially useful。

我们的理解是，量子计算机在未来 5 到 10 年里，处在从 near term 逐渐进入 very useful 阶段的过程中。在这段时间里，所有应用都会逐步落地。现在很多大公司也在做量子应用，包括量子机器学习。

Very useful 量子计算机是完全容错的计算机，是一台可以通用编程的量子计算机，基本上所有算法，包括解密和加密，都可以运行。

但这是一个连续的过程。就像我们知道，把土刨开之后下面肯定是金子，但在把土刨完之前，能不能先攫取最大的红利？这是很多终端用户在思考的问题。无论这个终端用户是大型银行，还是央行，大家都在思考这个问题。

比如最近新加坡金融管理局发布的 program，就是促使新加坡金融机构开始利用量子计算，把它应用到业务中，辅助业务发展。

现在正处在一个很有趣的阶段。很多大公司和国家都在想，这里面肯定有地方可以挖到第一笔红利。与其让别人挖到，不如自己先挖到。所以这给我们带来了比较大的契机。

我们可以向大公司和一些基础设施项目配套提供量子计算设备，或者说量子增强型设备。本质上，我们变成了一个服务器供应商。

这也是目前客户购买我们设备的主要原因。他们买我们的设备和量子计算机回去做什么？其实我们最大的 revenue，来自向这些数据中心提供量子计算机。

所以你们现在已经有收入了？

有。

能打平吗？

严格意义上说，从 gross 的角度来看是 profitable 的。我们去年已经是这样了。

厉害，厉害。最后一个问题：对于普通人而言，你觉得量子计算会影响普通人的日常生活吗？还是说它只会在高精尖领域里默默运行？

我觉得对普通人来说，这个东西更像计算机早期诞生时的情况。它最初服务的是大型跨国机构，甚至是国家政府的基础设施需求。它提供的是后台能力，为未来服务普通人的化学产品、金融产品和 AI 产品提供助力。

这有点像 GPU。GPU 很多年以来主要是游戏玩家在使用，后来有一段时间用于挖矿，现在才慢慢变成无论玩不玩游戏，大家都要跟它打交道。但它也是先从数据中心开始服务大众的。

我觉得量子计算也会经历这样的过程。我们会先服务一些比较特定的高价值客户，从我们的角度来说，就是像计算机早期一样，服务基础设施项目和大型机构，再通过它们间接服务普通人。

随着 Jensen 所说的 very useful quantum computer 出现，那个时代不光意味着量子计算机进入了完整形态，也意味着整个产业链更加成熟，生产效率更高，成本也会越来越低。

计算机早期非常昂贵。IBM 是最早制造计算机产品的公司之一，IBM 董事长 Thomas Watson 当时有一个经典的误判：全世界只需要 5 台计算机，因为他数了数需要计算机的政府、军队和银行。

后来发现这明显是误判，因为这是一个“先有鸡还是先有蛋”的问题。更多人使用之后，就会发现更多用途；有更多用途，就会产生更多需求；更多需求会推动更大产量，而更大的产量又会让成本下降。

量子计算机几乎不需要稀有金属。它的成本为什么现在这么高？很多时候，跟航空航天行业一样，是因为规模还没有上来。

明白了，也是先服务于高精尖领域，再慢慢扩展到普通人。

谢谢两位，今天给我们这些文科生做了一次量子计算科普。

谢谢，很高兴跟大家分享。如果之后还有任何问题，随时 follow up 就好。

谢谢两位。如果大家对量子计算以及本期的节目内容有什么样的想法，欢迎大家给我们写评论、写留言。中国的听众可以通过小宇宙、苹果播客、喜马拉雅、蜻蜓 FM、网易云音乐来收听我们。海外的听众可以通过苹果播客、Spotify，还可以在 YouTube 上搜索“硅谷一零一播客”来收听我们。我是泓君，感谢大家的收听，谢谢。