E185｜无共识的量子竞赛：群雄逐鹿与争议中的微软

大家有没有关注今年的 GTC？英伟达的创始人黄仁勋邀请了量子计算领域的 12 家知名企业和 2 家巨头，包括微软和亚马逊的量子计算科学家，进行了一场 2 个多小时的对话。

去年这个时候，英伟达邀请的是 Transformer 的 8 位作者，当时可以说是一次历史性的对话。今年，它把这个特别的环节留给了量子计算，还邀请了业界所有知名的公司。黄仁勋在分享中有一段话让我印象很深，他说，英伟达的崛起很大程度上依赖于电脑游戏，让并行计算得到普及。

他当时就是找到了这样一个门槛非常低的痛点。因为早期，比如在 1996 年左右，如果想在高画质、高帧率的情况下顺畅地玩《雷神之锤》，几乎就离不开一张 3D 加速卡。但是当时他们早期发明的 3D 图形卡也并不是那么完美，也会有像素缺失、Z-buffer 精度不够等问题，但人们多多少少是可以接受的。

所以，他如今也希望用类似的思路，在量子计算领域找到早期的突破口。可是这一次，当他把全球 14 家顶级量子计算公司汇集在一起时，却发现每一家在硬件和算法上的路径都截然不同，这远比早年 3D 图形领域要复杂得多。

一位 D-Wave 和 IonQ 的风险投资人 John 在会后跟我说：“没有统一的路径，无法达成共识，无法协同，无法产生经济效应，无法高效利用有限的专业人才。”这也是为什么量子日之后，量子计算的股价会集体走低，而这个现象本身就是量子计算界最大的问题。

其实我们上一集播客已经重点讲过超导量子计算的路径。这期播客，我们将系统地梳理量子计算行业，盘点 5 种主流的不同路径，以及大家经常提到的量子计算与 AI 的关系。

但是最后，这期播客还是没忍住，又从技术播客变成了科幻播客。这种能力实际上非常类似于《星际迷航》等电影中描述的虫洞。虫洞是时空几何中的一种特殊结构，它连接了两个相距很远的点。比如，你从一个点丢一艘宇宙飞船进去，它就会从另一个点被抛出来。

有一些理论物理学家相信，引力的实质是大规模的量子纠缠。如果人类有一天能够通过量子计算技术的发展，做到对量子纠缠的精确控制，那人类就获得了改变引力、改变时空结构的能力。

量子计算有点像量子物理，是我们这个宇宙的底层编码。人类如果有一天能够掌控量子技术，就相当于掌握了这个宇宙底层编码的 root 权限。事实上，有很多物理学家都持有这样的世界观：我们的宇宙是一台巨大的量子计算机。

接下来，我们就一起来听一听，我们离拿到打开宇宙的钥匙还有多远。

最后我也给自己打一个小广告。硅谷101最近正在招聘。我们在招聘播客运营、播客主播、设计师、插画师以及视频的主持人与后期。如果大家对内容有热情，欢迎来联系我们。具体的招聘详情和职位的申请表，我都放在我们的 shownotes 中了。如果你所收听的渠道看不到我们的 shownotes，也可以将你的简历和代表作品发送到 HR@sv101.net。也请大家在邮件上标注一下你是在应聘哪个职位。

好了，下面就请收听我们今天的节目。今天我们再来聊一下量子计算。今天跟我们在一起的两位嘉宾也非常厉害：一位是 UCSD 的物理学教授尤亦庄，尤老师您好。

大家好。

尤老师是量子计算方向的顶级专家，对 AI 和量子计算物理学可以说都有很深的造诣。今天跟我在一起的还有一位是侯万达，万达是尤老师的博士生。欢迎。

大家好。

我们节目大概在几周以前刚刚发过一期跟量子计算相关的播客，也上线了一期量子计算相关的视频。我们当时在录那期节目的时候正值 CES 期间，Jensen Huang 刚刚评价了“有用的量子计算离我们有多远”。那个时候，谷歌的 Willow 芯片也出来了，但是我们在采访的时候，微软还没有发布它的量子芯片，亚马逊也没有发布它的量子芯片。

所以那期节目放出来的时候，就有很多听众在下面留言，想让我们继续聊一下微软的量子计算，它的芯片到底做得怎么样。那我们今天就从这个问题开始。

其实微软最近发布的这个量子芯片，还是一个挺大的消息。微软的 Station Q 长期以来一直沿着 Majorana 和拓扑量子计算的方向发展。想起我十几年前在 UC Santa Barbara 做博士后的时候，其实我跟 Station Q 距离也比较近，也经常听他们讨论这些方面的进展。

他们使用的是一种叫作拓扑量子计算的技术，实际上是将量子信息编码在一个叫作“马约拉纳零模”的拓扑激发中。我们打个比方，这个东西很像我们喝咖啡的时候，用咖啡匙划过咖啡，会在咖啡匙的后面留下两个涡旋。这两个涡旋即使你把咖啡匙拿出咖啡，往往也能在咖啡杯里面存在相当长的一段时间。

这两个涡旋实际上编码了咖啡匙运动的信息。它们在咖啡杯里面就是一种拓扑激发，因为如果你想要改变这个涡旋的结构，需要对咖啡里面的流动做一个整体、全局的变化。咖啡匙产生的涡旋结构，被编码在整体流动的 pattern，也就是模式里面。

所以，如果有一些很小的微扰，比如咖啡杯里面有一些泡沫，或者咖啡表面有一些涟漪，这些都不会影响涡旋的存在。马约拉纳费米子，或者“马约拉纳零模”，实际上就是一种量子的涡旋。它把量子信息以一种非常类似的方式，编码在两个马约拉纳零模上面。

每一个马约拉纳零模就像一个小涡旋一样，而每一次编码都会产生一对马约拉纳零模。“零模”实际上是用一个量子多体态全局纠缠的结构来描述量子信息。所以，如果我们把这两个零模分隔得很远，它们就没有办法重新彼此湮灭，从而使这个信息非常稳定。

这样一来，环境中的噪声、热涨落等，都不会改变这个量子多体态所蕴含的信息，也就实现了对量子信息的保护。这就是用类似涡旋的拓扑不变性来保护量子态的机制。

你可以想象，它就像在制造量子比特的时候，天然形成了一块抵抗噪声的“量子硬盘”。如果这个技术能够成功，将会是一个非常了不起的成就，因为它在底层上使我们制备出来的量子比特本身，就天然具有对抗环境噪声的能力。

它这种结构，我理解也是在量子纠错上保证量子比特尽量不出错。在这一点上，它也是在解决跟 Willow 差不多的问题，就是解决量子计算错误的问题。

对。但是以往的很多方案，都是通过比较人为的方式，去设计一些纠错编码来解决这个问题。而这种新的方案，是利用多体量子态的量子纠缠，把量子信息编码在类似涡旋结构的背景中。

实际上，这个信息是在背景流体中流动的。它利用量子多体系统中非常底层的背景运动模式，在一个全局范围内来编码量子信息，所以能够自然地对局部噪声有很好的抵抗性。

您会怎么样去比较微软的量子芯片和谷歌的 Willow 在行业里面的定位？我们刚刚在录播客前还聊到，谷歌的 Willow 已经运行了一百多个量子比特，但是微软的量子芯片现在还只有 0.5 个量子比特。那是不是代表它还没有像 Willow 跨得那么远？

没错，因为这是一种非常新的技术，也非常具有挑战性。如果成功的话，意义会非常重大，所以它当然需要花更大的精力和更多的投入去做这种研究。

谷歌的技术相对更成熟一点。它是直接在超导量子线路上制作超导量子比特，在物理层面上实现一些量子比特。但是这些量子比特并没有非常好的对抗噪声机制，只能尽量把系统做得足够完美，来降低噪声率和误码率。

所以，它还需要很多量子纠错编码方式，才能真正实现比较有用的逻辑比特。人们预测，可能实现一个逻辑比特需要十几个物理比特，也有比较悲观的估计，认为需要百万个级别的物理比特。

如果从这个角度比较，假使微软能够做出一个逻辑比特，也能够比上谷歌的十几个物理比特。

但是我看微软的这个学术成果发布以后，学界对它整体的印象，跟当时对 Willow 的整体印象好像不太一样。因为微软走的这条量子芯片路线，其实是拓扑量子计算路线，而这条路线在学界里面是有一些争议的。大家对它的争议点是什么呢？

拓扑量子计算从原理上来讲，学界对它并没有很大的争议。基本上从理论上来说，这是一个可行、并且非常值得期待的技术路线。学界对它的研究也很多，而且微软使用的 Majorana 技术，在理论界也有很多讨论。

但是长期以来，这些讨论一直存在于理论和一些简单的实验验证中，还没有被非常明确地实现过。而且在过去的十几年里，其实有很多实验组，不仅仅是微软，都试图实现马约拉纳零模。这也包括国内丁洪、薛其坤老师等人的各种实验组工作。

这个物理体系相对来说还是有点复杂，因为它涉及量子多体相互作用的费米子系统。所以这里面往往有一些信号，可以由很多不同的机制导致相同的实验结果。

关于实验数据应该怎么解读、同样的实验数据是否真的一定由马约拉纳零模造成、是否一定意味着它具有拓扑保护，这里面有很多复杂的物理讨论，所以学界中也有很多争论。

在过去的历史中，曾经有一些文章声称发现了马约拉纳零模，但事实上后来被发现是一些假信号，甚至遭到撤稿。所以学界和业界目前相对来说都比较谨慎。

人们期待微软能够进一步公布更多数据，在未来的实验中，甚至有可能由其他实验组重复类似的实验，对这个现象进行交叉验证，以确定马约拉纳零模的真实存在。最好能够演示这些马约拉纳零模，通过移动等方式来实现拓扑逻辑操作。

您有看过微软的那篇论文吗？您觉得这篇论文中是否存在数据不足的问题，甚至是否有和 2018 年那次撤稿相同的问题？

我读过这篇论文。我在这个方面并不是一个非常完全的专家，所以只能说，这篇论文在我看来描述了一种实验方法。这个物理量的意义在于，它可以用来读出一个 Majorana 量子比特的信息，而这对于读取量子比特信息来说，是非常重要的一种实验手段。

这篇论文结论的解读，依赖于它们的设备是否真的实现了一个 Majorana 量子比特，设备中是否真的存在马约拉纳零模。但是在论文的数据中，我们还没有看到非常明确的证据，所以人们也期待微软进一步展开更多讨论。

事实上，这篇文章也经历过一段时间的审稿，所以它不一定代表微软最新的研究成果。我相信他们的实验室中可能会有一些更新的报告，也许我们会在不久的将来听到。

因为我们今天录制的时间是在 3 月 12 日，据说微软会在 3 月 17 日公布一些更加详细的数据。或许等微软公布之后，我们可以做一个小的补录。

微软发布之后，亚马逊也很快发布了它的量子芯片。尤老师可以跟大家解释一下，亚马逊的这个量子芯片是怎么实现的吗？

亚马逊的这个量子芯片叫 Ocelot，也是一个非常有意思的芯片，可能也是好几年磨一剑的成果。它实际上非常巧妙，使用了一种“猫态”的方式来实现量子比特。

“猫态”这个量子态，大家可能在科普中也听说过，就是薛定谔的猫。薛定谔作为量子力学的创造者之一，提出了一种假想的量子态：一只猫处于生和死两种状态的量子叠加态中。

这种叠加态在我们日常的经典生活中是从来没有见到过的。你不可能在大街上见到一只又活又死的猫，这是量子力学给我们的一种奇迹。

实际上，猫态意味着，一只猫活着的时候，它体内的每个细胞都是活的；如果它死了，它的每一个细胞都是死的。所以，活和死实际上是大量细胞的宏观量子叠加。

相对于普通的量子比特来说，你可以认为，普通的量子比特像是一个单细胞生物，而猫态是一个量子多细胞生物。对于单细胞生物来说，问题在于它受到环境干扰时比较脆弱，容易在环境干扰中死亡。

但是作为一个多细胞生物，它对环境的抵抗力就强得多。如果环境杀死了这个多细胞生物中的某些细胞，剩下的细胞基本上还能够工作。它可能会生病、受伤，但仍然可以通过量子纠错等方式修复这些伤口、治疗这些疾病。

所以，它实际上是利用多细胞和单细胞之间的类比，来增加量子比特的稳定性。以前的量子比特，直接拿一个原子或者某个微观粒子的某种微观状态来承载量子信息，相对比较脆弱。

而它们使用了这样一个薛定谔猫一样的状态，也采用了很多先进的手段，来纠正各种不同类型的量子错误。它的主要优势在于，能够保证猫态至少在生和死这两个状态上的寿命达到秒的量级。

这种量级的寿命，大概是以前其他量子比特的 1,000 倍以上。也就是说，猫态比特至少在生死这两个本征态上的稳定性，比以前提高了大约 1,000 倍。

所以，亚马逊这个量子芯片有多少个量子比特？

目前做了 5 个量子比特。

这 5 个是逻辑比特，对吧？逻辑比特跟量子比特有什么区别？

猫态做出来的比特，按照他们的定义，直接就已经是逻辑比特，因为它具备对抗噪声的能力，所以更不容易出错。

对，更不容易出错。这么看来，最近这半年，甚至最近 3 个月，各个硅谷大公司的整体突破还是很多的。

但是尤老师，我记得上次我们聊上一期节目的时候，您有一个非常好的点评。您说我们目前关注的路线，主要还是集中在超导量子比特，包括谷歌、亚马逊可能都是这条路线。您觉得量子计算还有哪些比较经典的路线？有哪些代表性的公司？可不可以总体上给大家复盘一下？

可以的。还有一些相对来说比较重要的路线，包括中性原子的量子比特。

它的想法是用激光像一个小镊子一样，把原子排列在一起。每个原子就像一个小灯泡一样，可以有两种不同的状态，就像亮和暗。当然，这些都是量子态。

所以，它利用原子的不同状态，用激光把原子放到一起。当原子靠得比较近时，可以通过一些方式让它们相互作用，从而建立量子纠缠，然后实现量子计算。

这个手段的优越性在于它非常灵活。它不像超导量子比特，制造出来以后就已经焊死在芯片上面了，这些比特是动不了的。但是中性原子量子比特可以靠激光挪来挪去。

人们可以通过调控激光的光束，让两个比特靠近、相互作用、交换信息，然后再把它们挪走，和另外一个比特发生计算。这样的话，就大大增加了计算的灵活性。

而且原子还有一个好处，就是所有的原子天生都长得一样。但是如果你在电路上刻蚀超导量子电路，总会有一些工艺误差，导致每个超导量子比特都略微有些不一样，需要后期进行很多补偿。

中性原子的量子比特则可以做到统一，也比较容易控制。而且原子比较容易获得，所以很容易做到 1,000 个量子比特这样的数量级。就目前来说，它在“多”这个方面做得比较好。

但它的主要难点在于，如何用更准确的激光进行精确控制，以及如何降低系统中的噪声。人们还在这个方向上努力。

在中性原子这个系统中，有一些代表性公司，包括 Atom Computing、Pasqal、QuEra，它们都在利用中性原子做量子计算。

现在中性原子的量子计算进展到什么水平了？对比刚刚提到的超导量子比特路线，从技术角度来说，比如把 100 分当作可用的量子计算，能不能给听众一个直观感受？它们分别处在哪个进展曲线上？

我觉得，如果从整体评分来说，可能是不相上下的。要评价一个量子比特或量子线路的优越性，我觉得可以从 4 个方面评价：多、快、好、省。

“多”就是希望比特数量比较多；“快”就是希望操作时间比较短，能够在短时间内实现大量操作；“好”就是希望比特精确率比较高、误码率比较低；“省”就是希望比特比较容易制备，制造和维护成本都比较低。

超导量子比特在多个方面都在努力。中性原子的量子比特在多个方面比较有优势，它比较容易做得多，而且也都挺快的。在“好”这个方面，目前可能还是超导量子比特的误差率稍微低一点。

在“省”这个方面，超导量子比特其实不太省，因为它需要非常低的温度才能运行，基本上是毫开尔文量级，所以往往需要很大的制冷设备来维持运行，每天的运行成本也非常高。

中性原子基本上可以用激光在常温环境下进行控制。

除了中性原子量子比特，另外一个很重要的技术是离子阱量子比特。它实际上是用电场把一些带电的原子，也就是所谓的离子，悬挂在空中，用电场将它们捕捉起来。

这些带电离子就像一个小小的钟表一样，会在离子阱中振荡。它的振荡频率非常精确，状态也很稳定。人们还可以利用这种振荡的量子态，用激光控制它们相互作用，就好像激光在指挥一支完美的舞蹈队，让它们一起完成量子计算。

这个方案从“多”的角度来说，目前还做不了很多，基本上是十几个或者二十几个比特。从“快”的角度来说，它的主要问题是比较慢。移动这些离子需要花比较长的时间，让离子之间相互耦合也需要比较长的时间。相对于前两种技术，它可能会慢 100 倍左右。

但是人们也在努力改进它的速度。它的一个好处是特别精确，误码率可以比超导量子比特和中性原子比特都低很多，所以人们对它也抱有很大的期望。

而且，目前有一些非常先进的拓扑量子态，就是在离子阱量子比特上实现的，所以这也是一个非常有前景的技术。这个技术还可以很自然地和芯片制造技术结合起来，做成芯片，而且能够在常温下运行，所以从“省”的角度来说，也是相对比较省的方案。

比如 IonQ、Quantinuum 这些公司，就主打离子阱量子比特的思路。

现在离子阱，我印象中已经到了 32 个量子比特，差不多是这个量级。如果再扩大一倍，比如扩大到 60 多个，或者说扩大一倍，真的会很难吗？因为您刚刚提到，它在“多”的方向不太好扩展。

对，主要是因为离子比特之间发生相互作用的机制，使它很难像中性原子一样发生全局的 all-to-all 相互作用。

所以，人们一般扩展离子阱比特的概念是多做几个阱、多做几个 device。这些离子在某个区域完成运算以后，就把它们转移到别的区域先等待，然后再把新的离子加载进来做运算。一般是这样一种策略，再让几个不同的设备连接起来。

这有点像一块芯片做不大，但是你可以做 10 个一样的芯片，效果乘以 10 也很厉害。

您刚刚提到了，它是非常精确的。精确可能是量子计算最难解决的问题。现在离子阱在实际应用中多吗？还是说，因为它的精确性，它是目前应用发展得比较好的一个技术方向？

其实所有这些量子计算技术，目前距离商业应用可能都还有一段距离，但它们在科研上都有很好的应用。

比如离子阱，因为比较精确，可能实现一些非常厉害的拓扑态，为拓扑量子计算提供基础。这是目前这个方向上比较令人激动的进展。这些拓扑态在其他设备上还有一定挑战，所以离子阱也为研究拓扑态提供了一个基础框架。

实际上，等于说是用这些人造的量子比特，硬生生搭出了一个拓扑态，而不像微软的 Majorana 技术。微软的技术，是让芯片上的电子——电子是自然界提供给我们的微观粒子——自发形成拓扑态。

但是离子阱等技术，是人造的拓扑态。只要能够形成拓扑态，都能够获得具有拓扑保护的量子比特。

所以，离子阱，包括其他量子比特技术，原则上都可以先制造一些误码率相对较高的物理比特，然后用这些物理比特搭建拓扑态。在拓扑态上，就可以实现误码率很低的逻辑比特。

接下来我们再聊另一个路线，就是光子量子计算。我不知道这个路线是不是中国在这方面做得比较强，因为我们上一期讲量子计算的时候，很多听众都在下面留言，说想听一下光子量子计算的路线。

对。中国的九章量子计算机，其实就是一种基于光子的量子计算技术。这也是潘建伟院士团队推进的一个很了不起的进展。

光子实际上是以光对应的量子粒子作为信息载体，往往利用光的偏振或者某种路径选择，作为编码量子态 0 和 1 的依据。

这个方法的优点在于，光不太容易受到外界干扰，而且传播得非常快，是以光速运行的。但是它的主要缺点也在这里：一个东西如果很难被外界干扰，也就很难发生相互作用。

光子的缺点就在于，你很难让它们发生相互作用。你用手电筒打出两束光，两个手电筒的光会直接交叉穿过，不会互相弹开。正是因为光子很难相互作用，所以很难让光子互相改变彼此的量子状态。

这就很难用来做计算，因为计算的全部实质就是很多不同的信息载体通过相互作用交换信息。你没有办法让它们发生相互作用，又怎么交换信息呢？

所以，人们需要别出心裁地想一些非常奇特的方式，让光子相互作用。其中一种方式就是利用测量。在量子力学中，除了可以通过相互作用和时间演化来让量子系统的状态发生变化，也可以通过量子测量来让量子系统的状态发生变化。

这种通过测量诱导量子纠缠的方式，在基于光子的量子计算路线中被广泛应用。也有很多公司，比如 Xanadu、PsiQuantum 等，在这个方面不断研究。

您觉得光量子在“多、快、好、省”上，各自的优缺点应该怎么样评价？

光子当然非常便宜，召之即来，也可以在常温下运行，不需要低温维持，这些都是“省”的好处。

从“多”的角度来说，你也可以获得很多光子，但是它主要是不够“好”，因为损失太严重了。光在光纤中传播时，时不时就会有光子丢失。所以经常会出现算着算着，比特就没了。

而且，因为它的量子计算和其他量子计算不一样，它是基于量子测量来进行的，而测量本身具有很大的不确定性。每次测量时，量子系统都会按照一定概率产生测量结果。

所以，如何设计良好的测量，让计算按照我们期待的方向进行，就涉及很多编码和软件层面的问题。如何合理地控制大量光子，让它们在测量系统中相互作用、执行计算，以及如何应对计算过程中光子不断丢失的情况，实际上都是很大的挑战。

所以在这方面，人们还在努力。目前来说，光量子计算在“好”这个方面，可能还很难和其他几个平台相比。

所以光子量子计算可能有其他方面的应用，就是利用它的量子特性，而不是单单专注于计算本身。比如可以用光量子做一些传输之类的事情。

对，量子通信就可以。

我们可以想象，未来有了量子计算机，自然下一步就是量子互联网。就像今天的计算机要连接成互联网，才会更加有用。

你可以想象，比如有一个中性原子的量子计算机，但你没有办法把这些中性原子从北京发射到上海去。这些原子从北京到上海，已经完全退相干了。

所以人们的想法是，不管你是超导量子计算机，还是中性原子量子计算机，当需要传输量子信息时，就先把这些量子信息转译到光量子上面，然后利用光子可以通过光纤传播的特性，从北京铺设一条光纤到上海，把光传过去。

上海再有一台光量子计算机，把信息接收下来，再转译到上海的超导量子计算机，或者中性原子、离子阱等其他量子计算设备上。

所以，光量子计算特别适合作为互联网中沟通不同量子计算机的连接口。

这个太有意思了，相当于大家在一个生态位里面，各自承担不同的功能。光子量子计算到底有多少个量子比特？这件事情重要吗？

也挺重要的。大家也希望把它做得比较多、比较好。

我们接下来聊一下拓扑量子比特，也就是微软的这套方法。它相对来说比较新，而且事实上属于一大类拓扑量子计算，不仅仅是 Majorana。

拓扑量子计算是一个很大的框架，基于马约拉纳零模实际上只是其中一种。当然还有其他方式，比如基于任意子的拓扑量子计算。这其实是我们这些做凝聚态理论的物理学家比较喜欢的方向。

它其实是基于量子多体态中的量子纠缠来编码信息，所以信息特别稳定，能够自然地对抗噪声。

这项技术如果一旦发展起来，天然获得的就是有保护性的逻辑比特，本身就是赢在起点上。从“多、快、好、省”的角度来说，它的“好”这一项特别突出，误码率会很低。

但是如何把它做多、做快，都还在探索阶段，因为这项技术目前才刚刚开始。所以它将来如何 scale up，我们目前还不是非常清楚，还需要继续观察它未来的发展。

这个技术是从什么时候开始的？在学术圈里，这个流派比较鲜明的代表人物有谁？

主要是微软 Station Q 的一些创始人，他们很早就开始研究了，可能可以追溯到二三十年前。

理论上最早提出拓扑量子计算想法的，是加州理工学院教授 Alexei Kitaev，包括利用马约拉纳费米子进行计算的想法。后来，这些想法被很多物理学家和数学家进一步发展，在理论上已经非常先进，但实验还在不断推进。

我们也看到不断有新的结果出现，所以还需要期待未来。

我们刚刚聊到了几种量子计算路线，包括中性原子量子比特、离子阱量子比特、光子量子比特和拓扑量子比特。我们没有解释超导量子比特，是因为之前的播客中提到过。

但是对于没有听过上一期播客的听众，我们还是简单科普一下超导量子比特和代表性公司。因为我觉得，这基本上是硅谷主要公司的主流方向，还是很重要的。我们再解释一次。

超导量子比特利用的是超导体非常神奇的量子特性。超导体不同于普通导体。在普通导体中，电荷都像粒子一样，由带电粒子携带，并进行无规则的随机运动。

但是在超导体中，所有这些电荷都像波一样进行集体运动，体现出量子的波动性。如果把超导体做成电路，这个电路就像河道一样，允许电流在其中像水流一样波动。

电路中不同的电荷波动模式，就会变成不同的量子状态。人们可以利用这些量子状态来编码 0 和 1，并且可以利用外界的电场来控制量子比特的状态，让它们发生相互作用。

这就是超导量子比特的一些基本原理。

从公司来说，超导量子比特是科技公司最喜欢的方向之一，投资也比较多。IBM、谷歌、亚马逊、Rigetti 等大公司，都在这方面进行了很多投资，相对来说也成熟一点。

Rigetti 和谷歌在路线上会有什么不同吗？虽然它们都是超导量子比特，因为成立的时代不太一样，所以它们在路径上会不会有不同的方向？

具体来说，在超导量子比特这个领域里，还有一些不同的实现方式。有一些叫 transmon，有一些叫 fluxonium，还有一些更细微的差别，用来区分不同的量子比特。

IBM 和谷歌都是 transmon 学派的代表。

Transmon 应该怎么理解？

Transmon 本质上是利用电容，利用电容器中不同电荷的不同能级，形成以电容为主导的量子比特。

Fluxonium 更多是利用超导环路中的磁通。一个更靠电，一个更靠磁，可以简单地这么说。

Rigetti 的研究方向相对比较灵活，在这两个方面都有涉猎。所以我觉得，这可能是初创公司的一个特点：它们会更积极、更激进地研究各种具有挑战性的方案，不会拘泥于相对成熟的方案。

而且 Rigetti 相对更重视如何把量子计算做得模块化。我可能不一定要在一块芯片上做出 1,000 个量子比特，但可以把 10 个芯片连接在一起。所以，它们比较重视如何建立量子芯片之间的连接、如何在芯片之间传递量子信息等技术。

我们刚刚其实好几次都提到了把量子芯片连接在一起。比如说，我们可以用 10 个 32 量子比特的芯片。您觉得，10 个 32 量子比特的芯片，跟一块 320 个量子比特的芯片，在本质上是一样的吗？

这里面就涉及连接时的总线，而总线有带宽问题。这和所有芯片的连接一样，一旦涉及连接，就会受到带宽限制。

所以，如果所有比特都能在一起进行量子计算，当然是最好的，所有量子信息都在同一个地方，就不需要互相转移了。

但如果采用连接的方式，就要看计算任务是否适合这样做。有些计算任务最好用小芯片并行，最后再把它们连接起来，这样的策略比较优。

但有些更复杂的计算任务，可能天生就需要大量量子比特协同操作。如果建立很多连接，就需要不断互相转移数据，反而会降低计算效率。

所以，在不同的应用场景下，这两种方式各有利弊。

能不能举一个例子，哪些应用场景需要很多量子比特？哪些应用场景把一些量子比特芯片连接起来就可以了？

一般来说，相对比较复杂的算法，可能往往会用到很多量子比特。不过目前还没有很多大家都在使用、非常具体的量子算法，所以这只是对于未来的设想，并不是说目前已经看到了明确的区别。

连接之后的研究范围有哪些？因为我们已经实现了把这些量子计算机连接起来，连接起来之后可以用来做什么？现在有没有一些具体的应用场景？

比如保密通讯，都需要你去分发量子信息。所以量子互联网肯定将来在通讯这些方面，至少都是可以取代经典计算机的。

我觉得，关于多少个量子比特，还有一个更直观的理解方式。像苹果的笔记本电脑，如果去模拟底层量子力学，差不多上限是 20 个量子比特。

如果用一些比较厉害的电脑或服务器去做模拟，上限差不多是 30 个量子比特。世界上一些比较厉害的大型服务器，做这种模拟基本也不会超过 40 到 50 个量子比特。

如果能够做成一个 70、80 乃至 105 个量子比特的芯片，本质上就已经超过了经典计算机的计算能力范围。

我觉得这个比喻很通俗。那还会有其他技术派别吗？除了我们刚刚提到的 5 种，比如直接在芯片上实现、基于电子自旋的硅基量子计算？

也有。英特尔等公司都在尝试研发，因为英特尔本身在半导体制造上有优势，所以可能更倾向于在这些方面投入研究。

但是这些方向目前不算特别主流，还处于起步阶段，大家都在努力尝试。

我刚刚听完尤老师对不同量子比特路线的总结，大概理解了为什么硅谷很多公司会选择超导量子比特方案。它们核心其实要的是“多”和“好”，因为巨头有钱，“省”对它们来说可以不用考虑。

它们要选择有潜力的方案。有潜力就代表这条路线未来可以不断增加量子比特，同时还能解决目前困扰量子计算最大的难题，也就是如何保证精确性。

它现在能做哪些经典计算机做不到的事情？假设我让它去训练 AI 大模型，您觉得它和传统计算机的训练会产生完全不一样的结果吗？

首先最明显的，就是谷歌自己宣传的一个点：它的 sample 速度非常快。

如果你点开 Willow 的 announcement 主页，它会展示这样一个任务：如果用经典计算机来计算，所需时间会超过我们宇宙的寿命，但在 Willow 芯片上只需要十几秒，或者类似的时间，反正就是非常快。

所以，它证明了速度，但不保证百分之百正确。在某些 task 上，它已经展示出确实很快。

在此基础之上，如果它们能够把量子比特做得越来越多，也就是说，在“多、快、好、省”中，“好”和“多”这两个指标其实可以互相转化。

如果我有很多量子计算芯片，就可以用很多物理比特来代表一个逻辑比特。这样只要增加“多”这个指标，最终就可能变成一台“好”的量子计算机。

所以，这些大公司最终如果能够把量子计算机复制很多遍，用一种成熟的技术让它们协同起来，形成一台可以商用的量子计算机，它最终不仅能在速度上证明比经典计算机快很多，而且是快到人类历史以及宇宙历史都无法等待的程度。

经典计算机可能需要宇宙历史那么长的时间才能完成的任务，量子计算机可以直接完成，而且还能保证很高的精确度。这是我们的一个梦想。

那它现在能做哪些事情？是不是跟它使用的量子算法有关？因为刚刚您提到 Willow 用十几秒完成了一个数学计算，如果用经典计算机计算，可能比整个宇宙的寿命还要长。

我知道那个测试并不是一个有意义的测试，纯粹是为了测试量子计算机性能。它并不能解决生活中或者科研中的具体问题。关于它到底能怎么用，是不是也和量子算法有关？

量子计算机的逻辑和经典计算机不一样。经典计算机可能依靠与门、或门、非门，以及加法、减法等四则运算，完成具体的数字计算，支撑起整个软件产业。它是一个非常通用的计算体系，已经达到了图灵完备的层次。

当然，也有量子通用的概念，但是目前我们还没有很好的量子软件，能够让我们想让量子计算机做什么，它就做什么。

而且，量子计算机做的事情未必需要和经典计算机一样。经典计算机可能特别适合把两个数相加或相乘，但没有必要让量子计算机在这个任务上表现得非常厉害。事实上，今天的量子计算机想要把两个数相乘，也是一件非常困难的事情。

所以，量子计算机首先确立的、相对于经典计算机的优势领域，就是量子采样，也就是谷歌最早进行的所谓量子优越性实验。

听起来，那是一个没有什么意义的任务，是一个随机数采样任务。采样出来的结果就是一堆随机数。随机数生成得快不快？它确实比经典计算机快得多。但是，这些随机数有什么用呢？也确实没什么用。

但是，随机数生成实际上是所有生成模型的基础。不管是要生成一幅新的图片，还是像 ChatGPT 一样生成语言、和人类进行对话，本质上都是广义上的采样问题，都具有一定随机性。

生成是有一定规律的，所以完全可以想象，量子计算机在这些任务上会有优势。一旦算法训练完成，它就可以以快得多的速度进行部署。

比如 OpenAI 刚开始发布 ChatGPT 的时候，全世界的人都涌向 OpenAI 的网站，结果服务器宕机了。那是因为它的服务器无法承载这么大的流量。为什么？因为算法的复杂度，使服务器无法快速向所有人分发生成的答案。

假使有一天，大语言模型运行在量子计算机上，量子计算机具有非常优越的 sample 速度，可以在非常短的时间内同时回答 1 亿个人的问题，这就是巨大的商业优势。

所以，发展这些方面的技术，是目前看到的量子计算机比较合适的一个方向：直接利用它采样效率高的优势，把它当成一个生成器。这也是量子机器学习领域非常热门的话题。

机器学习会怎么样帮助量子计算更快地发展？比如现在 AI 的发展，对量子计算机的发展有促进作用吗？

对。AI 的发展其实对所有产业都有赋能作用，包括量子计算。

量子计算中有很多问题，比如量子线路编译。假设我要执行一个量子算法，这个算法实际上是一个宏观描述，需要具象化为具体操作：对每个量子比特做什么样的门，以及这些量子逻辑门应该如何在线路上安排。

这里面会有很多优化问题。同一个算法可以用很多种不同的线路实现，哪一种线路最优，哪一种线路需要的操作最少，这些都可以通过 AI 和机器学习来寻找最优解。

如果量子线路比较优化，自然就能降低操作过程中积累的误差和噪声。这是 AI 在量子编译方面的作用。

另一方面是量子纠错。量子计算机运行时会受到环境干扰，产生很多错误，所以需要纠错。但是很多纠错算法，是理论物理学家用纸和笔设计出来的，是人类设计的。

人类设计的缺点在于，无法直接从大数据中学习经验，设计出针对当前量子计算机的纠错算法。人类只能通过一些理想化模型，假设量子计算机会发生什么样的错误。

但事实上，量子计算机上会发生的错误很难预测。比如宇宙射线打下一波高能粒子，就可能直接影响一个超导量子芯片，产生一系列相关联的错误。这些错误很难在模型中模拟。我们的模型最多只能假设每个量子比特独立地发生错误，很难想象宇宙射线突然打下来会造成什么影响。

所以，这种事件很难用传统方式针对性地设计量子纠错方案。但是，如果有一个 AI 算法，一边观察量子计算机运行，一边不断采集和分析数据，就可以了解量子计算机内部产生错误的原因，从大数据中学习它的模型。

这样，它就可以更聪明地设计出针对这台量子计算机、针对当前状态的纠错算法。

事实上，最近谷歌 DeepMind 团队刚刚发布了一些新的研究成果。他们在表面码量子纠错体系中验证了这件事情：在人类理想的实验室环境中训练的算法，纠错能力已经相当不错；但如果直接使用实验中的实际数据进行训练，就能得到更好的纠错方案。

这证明了向大自然学习、用大数据驱动纠错码设计，是更可行的方案，比人类凭经验设计要厉害得多。

所以其实已经用上了，对吧？DeepMind 已经把 AI 技术带给量子计算了。

对，是 DeepMind 和 Google Quantum AI。它们是同一家公司内部的合作，已经有了一些成果。

另一方面，还可以从大数据中学习量子设备本身的行为，用来构造数字孪生。让经典计算机上的 AI 算法通过观察量子计算机的行为，学会如何 behave like a quantum computer，也就是像量子计算机一样工作。这样就可以把它当成一个模拟器。

这有什么用呢？我们在设计量子计算机时，往往需要进行很多试错。在试错过程中，最好不要直接做实验，因为实验成本很高。

所以，如果有一个 AI 数字孪生模拟器，就可以用较低成本进行大量测试。这也是 AI 推动量子计算设备发展的一个方向。

目前，我们给量子计算机编程的方式还比较初级，有点类似汇编语言。但是随着 AI 大语言模型的发展，我们也在思考，未来是否可以用自然语言的方式和量子计算机交互。

这些都是 AI 从硬件和软件层面给量子计算带来的促进。

可以理解成，你们在做一个量子计算领域的 Cursor？

可以这样理解，而且我觉得它也算是一个 AI agent。

更像一个 AI agent。

不过，AI agent 和量子编程有一点不一样。一个 agent 大概已经有了一个想法，知道要如何完成你的工作，而你本身也会去做这件事。但在工作的过程中，有很多步骤你不想花太多时间去做，于是可以让 AI agent 帮你把这些工作完成。

量子编程稍微有些不同。很多量子现象仍然处于科学前沿，这个世界上最厉害的 expert 也不能完全了解量子世界到底是怎么运行的。

所以，我们希望将来有一个 AI expert for quantum programming。它不仅能在底层完成这些操作，对于前沿的量子知识，也能给你一些比较好的回答。

我刚刚观察到，当我们讨论 AI 如何帮助量子计算时，很多时候都是在软件层面。量子计算机不仅仅要有芯片，还要在物理上把量子计算机造出来。

如果它想要发展得好，就需要很多合作伙伴进入，也需要软件层的参与。包括英伟达也在做量子计算软件平台，可能还是需要整个行业生态建立起来，才能进一步加速发展。

那如果反过来问，量子计算会怎么样帮助 AI 的发展？因为上期聊 DeepSeek 的时候，我们和羽北聊到，大模型什么时候可以达到人脑的效率和能耗。他觉得大模型现在和人脑还差 3 个数量级。

我其实觉得人脑也挺有意思。比如我们有时候产生一个想法，这个想法可能瞬间就过去了；或者我们在做一件事情的时候，做完一件事，接下来就会发生二、三、四、五、六件事。人脑思维和想法的过程，其实特别像量子计算。您觉得像在哪里？

我觉得很相关。当你有一个意向，然后执行了这个意向，接下来所有的结果都会改变。

再比如说，你有一个想法，但很多时候也不能预判自己的行为。它可能是 0，也可能是 1，具有一定的随机性。

还有牵一发而动全身的这种全局性。

对，非常随机，而且具有牵一发而动全身的全局性。

是的。其实关于人脑中的思维过程是否涉及量子，历史上也有很多讨论。比如 UCSB 的 Matthew Fisher 教授，就一直在量子意识这个方向研究这些问题。

人脑中的很多生化过程，可能会受到量子纠缠的影响。所以这也说不清楚，我们在思维过程中是不是已经悄悄使用了量子计算。

我们也许不完全是一台经典计算机，我们的思考可能有量子的成分在里面，犹未可知。

当然，从更具体的科研角度来说，量子计算机对 AI 也打开了很多新的可能性。比如人们提出可以做所谓的量子神经网络。

目前的人工神经网络，都是经典变量经过线性层、非线性激活等操作，传递经典信号。但是量子信息也可以在量子线路中进行相应传递，从而形成一种类似神经网络的方式，表达非常复杂的函数。

这有什么优势呢？人们可以证明，如果用量子计算机做神经网络，可以节省很多内存资源。量子计算机的记忆能力特别强，经典计算机需要 100 个神经元才能记住的东西，量子计算机可能只需要 10 个。

它们之间是平方关系：量子计算机的 N 个量子比特，可以记住经典计算机 N² 个比特所承载的信息量。

这特别适合用来解决什么问题呢？语言模型中的上下文问题。现在很多大语言模型遇到的瓶颈，就是前文窗口不够长，导致讲到后面就忘记前面的对话到底是什么。

这个瓶颈在于隐藏变量无法支持足够多的变量。量子计算在这些方面，已有研究表明可以扩展语言模型的记忆能力。

现在有公司在尝试吗？

目前还没有公司，但是有一些论文。像郜勋、扈鸿业，他们也是我以前的学生，写过一些这样的论文。

现在论文有一些初步结论，证明它是可行的吗？

对。至少在理论上，N 和 N² 之间的 scaling，是他们论文证明的一件事情，大概可以达到这样的优势。

至于如何把数学上的优势变成实际优势并发挥出来，就需要硬件和软件继续发展，把这个想法真正落地，真正让大语言模型变成量子大语言模型。只有到了那一天，我们才能看到这个优势真正被实现。

这个硬件和软件的发展，大概还需要什么样的数量级？

我的估计是 10 到 15 年。

除了大语言模型，最近 IBM 不是还做了一个可以用量子芯片生成手写数字的结果吗？

对，这就是我们刚才已经涉及的话题，也就是量子生成式模型。这属于量子计算对 AI 的一种促进作用，因为生成模型本来就是 AI 中非常重要的任务。

量子计算在这方面有很大优势，它的采样速度非常快。当然还有其他优势。比如 AI 算法训练本身就是一个优化问题，有很多神经网络参数需要调整，然后寻找损失函数的最优解。

这是一个大规模优化问题。在经典计算机上，往往需要通过梯度下降等算法，非常吃力地进行。但是量子计算有一个很厉害的功能，就是量子搜索，也就是 QAOA，Quantum Approximate Optimization Algorithm。

这类搜索算法特别适合寻找函数的最低点。因为量子系统运行时具有一定并行性，可以把很多状态叠加在一起，同时进行计算。

这种并行性使我们相当于可以同时搜索几个不同的神经网络参数，更快地找到最优参数，找到最终收敛的解。

即使不谈具体任务，单纯训练一个神经网络，量子计算机也可能帮助我们获得优势。这些也是理论上可以证明的优势，所以可能极大降低大模型的训练时间。

它也是一个平方根 N 的优势：经典计算可能需要 T 的时间，而量子计算只需要 √T 的时间。

还有其他的吗？

人们还谈到量子分类算法，作为一种分类器。IBM 最近也有一些研究工作，体现了利用量子线路作为核函数，也就是特征函数，来提取数据中的特征。

人们发现，在这些任务上，量子计算机可能比经典神经网络表现更优越。不管是分类任务还是生成任务，可能都会有一些优势。

IBM 已经做出来了吗？已经证明了吗？

对，这是已经完成的研究。在分类任务上，量子算法的表达能力更强；在生成模型上，我们期待它的采样速度更快，主要是这些优势。

所以，量子计算是在处理大规模数据时，对数据进行分类，也就是 AI 训练前面的数据处理环节，会有优势？

对。量子系统有很多经典系统没有的关联，比如量子纠缠，所以它有优势。

利用量子纠缠带来的额外关联，有可能更有效地发掘数据中隐藏的关联信息。尽管我们用来训练的数据往往都是经典数据，你可能觉得不需要量子纠缠，但即使是经典数据中的关联，也可能利用量子纠缠，让模型得到更好的训练。这些优势都有可能。

除了 AI，它还有什么大家比较容易理解、离生活近一点的应用？或者说，它已经在一些科研领域起到帮助，比如制造新材料，有这方面的应用吗？

有。近期可能比较落地的，是量子化学和量子制药。

量子计算可以帮助我们设计材料。材料其实是很多原子组合在一起形成分子。我们寻找药物时，也是在设计某一种特定的分子结构。很多时候，我们需要靠实验确定这个药物能不能做出来，但实验成本很高。

所以人们想用计算机模拟这些分子的行为。但是，如果用经典计算机模拟分子行为，分子底层的行为是由量子力学规律主导的。最好就是在量子计算机上用量子的方式模拟分子动力学，而不是写一段经典代码，努力在经典计算机上模拟。

就像万达刚才说的，如果用经典计算机模拟 40 到 50 个量子比特，就已经顶天了。但是在量子计算机上，它天然就是一个量子模拟器，非常适合研究微观粒子、原子和分子的化学问题。

人们在这方面也发展了一些算法，可以找到原子组成分子之后的基态构型，也就是说，它最稳定的状态应该是什么样。

这可以加速新材料和新药物的研发进程。我们可以在短时间内大量筛选候选材料，加速这些研究。

另一方面，人们也谈到，量子计算机在优化问题上具有优势。事实上，QuEra 已经在图论的一些优化问题上进行过展示，它们可以用量子计算机表现得比经典计算机更有效。

因为它们的原子设计天然适合模拟组合优化问题，而组合优化问题在现实生活中的应用，往往涉及金融等领域，比如如何组合投资，或者自动驾驶中的路线规划。

所以，可以想象量子计算带来的优化能力，将来可能被应用到量子金融、量子路线规划等方向。

量子加密我们之前的节目已经提到过了。我觉得还有一个是量子超距传输。尤教授，您要不要讲一下这个？我觉得特别精彩。

这个话题非常有意思。我们可以利用量子纠缠作为一种资源，把一个量子态从一个点传递到另一个点。这是非常神奇的现象。

你可以把它想象成一种快递服务。未来的邮局接收到你的包裹以后，不是用汽车或飞机把包裹运到另一个地方，而是先在邮局 A 和邮局 B 之间建立大量量子纠缠，形成量子纠缠对。

然后，它把你的包裹拿过来，和邮局 A 里面的这些量子比特进行量子测量。因为包裹本身作为现实生活中的物体，也是一个量子态，所以本质上就是把这个量子态通过量子纠缠的途径，悄悄传到了邮局 B。

这个时候，邮局 A 只需要把量子测量得到的经典结果，通过发电报或打电话告诉邮局 B，邮局 B 再经过一些额外操作，就能够恢复出这个包裹的内容。

基本上，这就是用讲故事的方式描述量子超距传输，也就是量子隐形传态的过程。

这好像是瞬间转移。

对。它传输的速度是光速，但原来的包裹会自然地在邮局 A 消失，因为邮局 A 做测量时会把原来的包裹消灭掉。

所以，它看起来就像把一个物品从一个地方瞬间转移到了另一个地方。原则上，这种事情是可以发生的。

但它需要满足一个条件：第一，你要有能力在 A 和 B 之间建立大量量子纠缠。

如果要传递一个像包裹这么大的实体，一个普通包裹里大概有 10²³ 个原子。也就是说，你需要有相应数量的量子比特，甚至可能更多，因为每个原子内部还有结构。

为了精确描述所有这些原子的状态，需要有非常多的量子比特与之对应。所以，在 A 和 B 之间，可能要建立 10²⁰ 到 10³⁰ 量级的量子比特。

我们现在的量子计算机只有百位数、千位数的量子比特，远远达不到 10²⁰、10³⁰ 这个量级。

这要多少个量子比特？

基本上就是 10²⁰ 到 10³⁰ 量级，也就是 20 到 30 个 0。这比 100，也就是 2 个 0，或者 1,000，也就是 3 个 0，要多得多。

这是一种未来技术。我们现在还没有办法实现这么大规模的量子纠缠控制，也没有办法对这么多量子比特进行精确操纵。

但是计算机的发展史告诉我们，比特数的发展是指数级的。早期计算机发展时，比特也只有一两个；但现在，我们电脑里的比特数，大家用硬盘就能感受到。以前每隔几年，硬盘容量就好像会翻一倍。

所以，比特数的增长一旦进入摩尔定律的轨道，就是指数级增加。在人类文明发展的长河中，也许有一天，我们能够实现这种大规模量子计算。

大规模量子计算带来的不仅仅是把一个计算任务算得更快，而是真有可能产生改变宇宙底层规律的黑科技，比如量子超距传输这种类似瞬间转移的能力。

这种能力实际上非常类似于《星际迷航》等电影中描述的虫洞。虫洞作为时空几何中的一种特殊结构，连接了两个相距很远的点。从一个点丢一艘宇宙飞船进去，它就会从另一个点被抛出来。

对。这种技术实际上和一些理论物理学家的观点有关，他们相信引力的实质是大规模的量子纠缠。

所以，如果人类有一天能够通过量子计算技术的发展，实现对量子纠缠的精确控制，人类实际上就获得了改变引力、改变时空结构的能力。

你可以通过量子计算改变时空，实现星际穿越、超距传输，或者以光速到其他地方旅行。这些都有可能。

所以，您刚刚提到的量子超距传输，我们刚刚打的比喻还是传快递。理论上也可以传送人，等伦理学方面通过以后，可能有一天人们会研究传递活人。

但是目前我需要再次强调，我刚才讲的这些都还处于科幻阶段。只是说，在物理学原理上，没有禁止这些事情发生。人们相信，在足够大的规模下，这些事情有可能发生。

我只是想说，我们的眼光可以看得更长远一点。量子计算不仅仅是一项计算技术，背后还代表着我们对宇宙非常深刻的理解和认识。

可能有一天，大规模量子计算真正发展出来以后，会彻底革命性地改变我们对时空的理解，以及我们操作时空的能力。

量子计算有点像量子物理，是我们这个宇宙的底层编码。人类如果有一天能够掌控量子技术，就相当于掌握了这个宇宙底层编码的 root 权限，可以从最底层和宇宙进行交互。这是我们的终极梦想。

我最近自己还在想一个问题：我们这个世界到底是不是模拟出来的？它是不是一个游戏世界？我们可能只是这个游戏世界里面的一个小程序，我们的感受也不一定是真的，或者说只是游戏世界中的一小部分。

从物理学上来说，这是有可能的。我觉得这种看法非常合理。事实上，有很多物理学家持有这样的世界观：我们的宇宙是一台巨大的量子计算机。

每一个人、每一件事、每一个物品，都是量子计算机里运行的一些程序。所有相互作用，无非就是程序在运行；时间演化，也就是程序在运行。

您认可吗？

我也认可这样的看法。

所以，我们发展量子计算，本质上是希望将来有一天理解宇宙本身这台量子计算机。

你要说量子计算机有没有建成？已经建成了，而且规模还巨大，就是我们的宇宙本身。只是我们没有权限，没有办法随心所欲地使用它。

我们现在人类的野心，是希望自己建造一台独立于宇宙的量子计算机，随心所欲地使用量子规律，甚至有一天能够反过来操纵宇宙本身。

尤老师，您为什么会学物理和量子计算？

物理可能是因为我小时候对科学有兴趣。我父母都是出版社编辑，在福建科技出版社工作，所以我母亲经常会把她们出版社编辑的一些科技书带回家里。我们家里堆满了这些书。

我平时做完作业以后没什么事情干，就在家里随便看书。我们家里有一套《中国大百科全书》，我会随便抽一本下来，看里面的词条。

那些词条是跳跃式的，比如从恐龙灭绝看到生态系统，再看到光合作用、太阳能、核反应，看到薛定谔方程。在这个过程中，我学到了很多科学知识，也对科学不同领域之间的联系产生了很多兴趣。

所以，我就想学物理、学科学。这就是我小时候的经历，也是梦想产生的过程。

但是年轻的时候，我并不知道做物理学工作是什么体验。虽然父母都警告我说，听说学物理找不到工作，学了物理以后可能一辈子清贫、一辈子寂寞，让我小心一点。

但那时候，我抱着“一定要学会量子力学和广义相对论”的想法，坚决去学了物理。走上这条路以后，我当然也体会到了学习物理的快乐，以及后来在科研上做出一些小小贡献的快乐。

但事实上，你一旦这么做了，往往这条路也就走到黑了。等到博士毕业以后，发现自己也没有什么别的技能，最后也就进入这个领域，继续做这个行当。就是这么一个故事。

我们刚刚其实已经聊到了非常宏大的宇宙。我也在想，量子计算可能和 AI 一样，已经进入了一个分界点。

比如 Willow 芯片出来以后，已经证明只要增加规模，这条路线就可以继续发展。很多时候，可能就会变成从学界向工业界转移的临界点：只要不断扩大规模，就能让它变得更大、更好。

但是我知道，学界同时也在讨论很多前沿方向的可能性。所以我很好奇，当您自己研究的领域站在这样一个历史交叉点上的时候，您会怎么考虑这两条方向？

随着年龄增加，我觉得两方面都很好。

学术象牙塔当然激动人心，前沿发现中有很多智力上的挑战，可以满足你的好奇心。但是工业界才能真正服务社会、创造社会价值，所以还是要学以致用。

当然，工业界离开学术也很难长远发展，需要基础科学的发展，才能真正促进工业革命。

最后我们总结一下这期播客。我们今天聊了很多量子计算的技术派别，包括它和 AI 之间的相互关系。

这也是我们上一期的一个经典问题：您觉得，距离实现真正可用、能够完全纠错，同时比特规模能够进入指数级增长的量子计算，还有多远？

我觉得首先，应用的定义比较广泛。如果量子计算机能够先应用于学术界，让学者们在使用量子计算机的基础上，研究和理解一些量子现象，这本身也是一种应用。

这种应用其实已经在谷歌、IBM 和很多高校的合作中体现出来了。我觉得这已经非常积极，大家已经看到了。而且，它们的量子芯片是经典计算机完全无法模拟的，所以先进性也已经体现出来了。

如果是商用、跨领域合作，甚至直接进入日常生活中的应用，首先它不是特别好估计，因为它可能是一个瞬间发生的事情。

当我们看到一个可行技术路线的苗头时，问题就是什么时候能够把它扩展起来、真正实现。剩下的可能就只是工程技术难题。

所以，很大概率不是看着进度条每天一点一点从 10%、20% 最终涨到 100%，而是前一天晚上睡觉时，还觉得量子计算机只有 100 个量子比特，什么也干不了；第二天早上起来，Google 就 announce：“我们已经造好了。”

这时，人们可能会发现，一切发生得非常迅速。就像 ChatGPT 被放到网上、让所有人都能使用之前，很多人都不知道它是什么，也不知道它有什么用。但当它一旦 open to everybody，所有人马上就知道，我们的生活被改变了。

我个人觉得，量子计算的时间线很难估计，最主要取决于几家头部大公司，什么时候选择把这件事落地完成。

而我觉得，其他小公司以及学界更重要的工作，是帮助人们理解量子技术到底能为我们做什么。因为量子技术的壁垒相对较高，需要很多背景知识。

科研工作者和一些小公司，可能可以致力于这样一件事：当这项技术真正出现时，如何让其他行业的人以及普通人理解它到底在做什么，如何从中受益，如何感受到量子计算进入生活带来的好处。这一点非常重要。

所以，我觉得量子计算的落地可能是突飞猛进式的。它可能还需要 10 到 15 年，如果要实现大规模、比较有用的量子计算，可能也要到那个时候。

但是，目前量子模拟已经蓬勃发展。比如我们刚才讲到的量子化学和量子优化，并不需要一台完全具备纠错能力的量子计算机。现在已经有很多公司开始做这些事情了。

我们有可能在有生之年打开宇宙的密码吗？

我对此充满期待。

有可能吗？乐观和保守地估计呢？

我还是对未来比较乐观。事实上，我觉得“有生之年”这个词的定义本身都有可能变化。

人的生命到底有多长？我们现在也许已经处在一个临界点，人类文明可能即将迈入永生。当医学足够发达以后，我们的寿命也有可能得到很大延长。

所以，我觉得还是可以乐观地期待。

好，谢谢尤老师，谢谢万达。今天我们也算是继续做了一期量子计算的科普。大家如果对这个领域感兴趣，也可以给我们留言，我们可以制作更多量子计算相关的节目。

我是泓君，感谢大家的收听。你可以通过小宇宙、苹果播客、Spotify来收听订阅我们。同时，如果你是在用视频的渠道去听播客的话，大家可以在 Youtube 或者哔哩哔哩上搜索“硅谷101播客”来找到我们。另外，我们有一些播客部分的文字稿，会发表在硅谷101的微信公众号上，欢迎大家关注我们。