量子技术与AI：当下已成现实与仍属未来的边界

关于量子计算与AI的讨论往往在两个极端之间摇摆：乌托邦式的革命宣言与将其完全斥为炒作的驳斥。OECD.ai平台推出了三期分析系列，试图找到中间道路——第一期由行业专家撰写，提供了当下已经奏效与仍是研究目标之间的有益区分。

作者是Multiverse Computing（一家专注于量子启发优化的西班牙初创公司）的销售总监Victor Gaspar，以及东芝公司负责量子通信业务部门的Katsuyuki Hanai。重要说明：文章表达的是作者作为行业从业者的观点，而非OECD的监管或研究立场。

当下已成现实且可用的是什么？

分析中最具体的发现涉及张量网络——一种最初在量子系统物理学中发展起来的数学技术，但完全适用于经典硬件。张量网络通过以保留数据中关键关系的结构化方式去除冗余参数来压缩大型语言模型的表示。

专家引用的结果是显著的：与未压缩模型相比，内存和计算需求减少10至100倍，精度损失适中，可通过短暂微调弥补。关键区别：这不需要量子硬件，不需要访问云端量子计算机，也不是理论构想——据作者称，初创公司和技术提供商已将张量网络技术集成到商业产品中。

量子传感器是另一个具有经证实的短期应用的类别。与需要极端冷却和环境隔离的量子计算机不同，量子传感器可以在实际条件下工作，已达到经典设备无法企及的测量精度——测量磁场、温度、化学成分或机械振动。应用从医学诊断延伸到精准农业和基础设施监测。

评估变得关键的地方

量子机器学习（QML）——将量子算法应用于AI模型的训练或推理——仍是最受炒作但也最成问题的细分领域。Gaspar和Hanai识别出三个阻止突破的系统性局限：

首先，经典系统与量子系统之间的数据传输仍然缓慢。量子处理器不像经典芯片那样接收数据；每次数据输入都需要量子态初始化，消耗宝贵的相干时间。这一瓶颈对大多数需要大规模数据吞吐量的机器学习任务消除了优势。

其次，对于相关机器学习任务，相对于经典算法的优势尚未得到证明。虽然量子算法对某些数学问题展示出理论加速，但现代GPU和TPU上经过优化的经典算法在基准测试中始终与量子替代方案持平或超越。作者明确指出，更广泛的QML商业应用在未来十年内无法预期。

第三，功能性QML系统所需的硬件规格仍未明确。需要多少量子比特、多少相干性、多低的门错误率——没有明确的目标就没有清晰的发展路径。

作为桥梁的混合方法

作者描述的最现实的短期场景是混合量子-经典系统：量子处理器接管狭窄、明确定义的优化问题（例如化学反应优化、分子模拟），而经典AI系统处理其余一切。今天通过API提供量子计算机访问的云平台降低了希望尝试这些混合架构的开发者的入门门槛。

在政策层面，作者警告专业人才短缺——既理解量子物理又理解AI的人才，以及国际合作开发量子AI系统伦理框架的需求——这一话题目前处于监管讨论的边缘。

分析将在OECD.ai平台的系列另外两期中继续。