文章发表于2026-07-15 09:28:45，归属【科技前沿】分类，已有10人阅读
随着量子计算技术的持续迭代，与之配套的量子机器学习（QML）算法也在同步快速发展。过去数年间，业内研究者普遍采用变分含噪声中等规模量子（NISQ）算法，以此弥补当前量子设备运算环境存在噪声的缺陷。
Horizon Quantum Computing（该公司主营量子软件开发工具）创始人兼首席执行官乔・菲茨西蒙斯表示：“这类算法衍生出大量同思路机器学习方案，核心逻辑相通。你可以把一段量子程序视作神经网络，程序内置大量预先不赋值的参数，后续通过迭代调优完成训练，业内将其命名为量子神经网络；变分分类器等模型也归属于这一范畴。”
另一条技术路线是改造现有经典机器学习模型，借助量子计算机加速运算。但噪声是绕不开的瓶颈，因此必须配套量子纠错技术；同时还需要量子随机存取存储器（QRAM）作为硬件支撑。
菲茨西蒙斯补充道：“如果我们能研发出低噪声量子计算机、搭建成熟的量子内存，量子计算机加速经典模型与原生量子模型的潜力将彻底释放。如今我们确实可以调试各类变分算法，但想要实现架构更完善的量子算法、落地带纠错功能的量子随机存取存储器，还需要等待。”
对数据科学家而言，量子计算并非眼下最紧迫的技术趋势，但它将从底层彻底重塑机器学习体系。
“量子计算最直观的优势，是能够处理经典算力完全无法承载的超大规模数据。” 菲茨西蒙斯解释，“摩尔定律让传统计算机算力每18个月实现翻倍；而量子计算机的量子比特数量每8至9个月就能翻一番。系统每新增一个量子比特，针对机器学习类问题的运算能力就直接翻倍，整体算力呈双重指数级增长。”
量子设备将助力企业以计算方式建模、解析复杂系统，落地场景十分广泛：汽车、航空航天、能源、生命科学、保险、金融服务等行业均有巨大应用空间。随着量子比特数量不断提升，量子计算机可承载复杂度持续走高的模型。
“传统机器学习的研发逻辑是：搭建模型后用真实业务数据测试，以此完成性能基准标定。” 菲茨西蒙斯说，“量子计算才刚起步，还没达到这套成熟标准。而这正是量子机器学习实现规模化落地、成为可用技术的关键前提 —— 我们必须像经典机器学习领域那样完成标准化基准测试，不能只在极小数据集上单次采样验证。目前很多量子计算研究，本质只是重复经典领域已验证的技术路线。量子机器学习还有很长的路要走，我们至今未能完全摸清它的性能上限与能力边界。”
经典机器学习无法适配全部业务场景，量子机器学习同样存在适用边界。巴斯克地区物理研究中心（DIPC）伊克尔巴斯克研究所教授、量子AI企业Multiverse Computing首席科学家罗曼・奥鲁斯指出：经典机器学习依托传统AI模型与GPU硬件；而量子机器学习采用完全不同的算法与硬件，利用量子叠加、量子纠缠等量子特性实现指数级效率提升。
奥鲁斯介绍，“经典系统以二进制比特存储数据，只有0、1两种状态；量子机器学习则用量子态表征数据。量子计算机还能生成经典系统难以高效拟合的特殊数据模式，这正是机器学习任务的核心需求。”
经典机器学习技术可反向赋能量子研发：优化量子电路、完善量子纠错码、分析量子系统特性、设计全新量子算法；同时也用于量子实验与仿真的数据预处理、数据分析。在当下主流混合实验架构中，NISQ设备负责量子计算擅长的高复杂度子问题，剩余计算任务交由经典机器学习处理。
此外，量子启发式软件技术也能优化经典机器学习，例如张量网络：它可刻画机器学习模型结构，打通算力瓶颈，大幅提升 ChatGPT 等大语言模型的运行效率。
“量子计算是一套完全独立的范式，整套体系建立在量子力学规则之上，是全新的信息处理模式，支持许多违背传统数据科学直观认知的运算操作。” 奥鲁斯表示，“量子系统独特的信息处理机制，使其能够操控复杂数据、表征高维数据结构与变量关联。依托这项能力，生成式 AI 可降低能耗与算力成本；药物研发等数据密集型科研项目的运算速度也会大幅提升。量子机器学习还能催生新型神经网络，借助量子特性显著提升模型推理能力、可解释性与训练效率。”
行业正从系统架构、环境优化、软硬件研发等多个维度同步创新，攻克量子领域各类细分难题。奥鲁斯说：“除了研发适配量子机器学习的高性能量子硬件，业界也在探索混合系统架构 —— 将 Transformer 等生成式 AI 模块与量子算力融合。”
和经典机器学习一样，量子机器学习并非单一技术方案。
Sandbox AQ 工程副总裁斯特凡・莱辛瑙尔表示：“与量子计算其他分支类似，量子机器学习也分为多条技术路线。当下行业主流所说的量子机器学习，本质就是变分量子算法。这类量子计算依赖一整套数值参数，我们需要持续调参，直到运算结果满足业务需求。这套逻辑和经典机器学习完全对应：神经网络依靠权重、偏置等参数完成运算，通过训练迭代调参，经典与量子机器学习的训练流程高度相似。”
受限于当前量子设备比特数少、易产生运算误差，绝大多数量子机器学习算法开发，都依靠经典计算机模拟量子硬件完成。但这种仿真手段只能测试小规模问题样本，算法在真实业务规模下的实际性能仍是未知数。
莱辛瑙尔认为：“量子机器学习最有可能在原生量子类问题中发挥价值，例如奇异新材料等复杂量子现象建模。即便在这一领域，量子机器学习的实用价值仍有待验证。真正具备颠覆性潜力的是容错量子算法，但这类算法需要大规模、全纠错量子计算机才能运行。目前没人能确定，量子计算机能否在达到该硬件标准前实现商用；而量子机器学习是现阶段最有希望提前落地见效的技术路线。当然也存在另一种可能性：量子机器学习最终无法创造实用价值，我们必须等到全容错量子硬件成熟，量子计算产业才能迎来爆发。”