摘要

量子竞赛当前最重要的投资事实不是赢家已经出现，而是硬件与算法仍没有共识。 英伟达在GTC集齐12家量子公司及微软、亚马逊的量子计算科学家后，看到的不是类似早期GPU的统一突破口，而是彼此截然不同的路线。D-Wave、IonQ投资人John将问题概括为：“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。”泓君随后将量子日后的板块回落与这一问题联系起来。
微软的拓扑路线是“若成立则跨级、若证据不足则仍停在起点”的高赔率赌注。 Majorana零模把信息编码在全局纠缠结构中，理论上可天然抵抗局部噪声，一个逻辑比特可能抵得上谷歌十几个物理比特；但节目对比的是Willow已有100多个量子比特，微软只有“0.5个量子比特”。尤亦庄强调论文展示了潜在读出方法，却“还没有看到非常明确的证据”证明设备中真实存在受拓扑保护的Majorana零模。
亚马逊Ocelot用“猫态”把纠错部分下沉到物理结构，并给出了秒级寿命指标。 它把单个脆弱量子态变成类似多细胞生物的冗余结构，使生、死本征态寿命达到秒级，约为以往其他量子比特的1000倍。Ocelot目前做出5个量子比特，按其定义可直接视为有抗噪能力的逻辑比特。
五条主流路线并无单一总冠军，竞争本质是“多快好省”的错位权衡。 中性原子较易扩展至1000个且可常温控制；离子阱只有十几个、二十几个或约32个，速度可能慢100倍，却更精确；光子便宜、光速传播但易损失且难相互作用；超导最成熟、误码率较低，却依赖毫开尔文制冷；拓扑路线则把“好”点得最亮，但规模与速度仍待验证。
AI与量子计算不是替代关系，而是彼此降低瓶颈的双向基础设施。 AI已可优化量子线路编译、从真实设备数据学习surface code纠错，并构造数字孪生；反向看，量子采样有望加速生成模型部署，量子神经网络被论证具有N对N²的记忆尺度，QAOA类搜索则被概括为把经典T时间降至√T。“向大自然学习，用大数据的方法来驱动纠错码的设计”，是当前已经发生的结合。
比通用容错计算更早兑现的价值，可能来自量子化学、药物与材料筛选，以及图优化、投资组合和路线规划。 经典设备模拟量子系统的上限大致从笔记本的20个、服务器的30个到大型服务器的40—50个量子比特；70、80乃至105个量子比特已进入经典计算难以覆盖的范围。尤亦庄判断这些量子模拟和优化任务“不需要一个完全具有纠错能力的量子计算机”，目前已经在发展。
大规模、比较有用的量子计算仍估计需要10到15年，但产业拐点可能以发布事件而非线性进度条出现。 尤亦庄设想，前一天人们还觉得100个量子比特“什么也干不了”，第二天Google就可能宣布系统造好，落地方式更像ChatGPT突然开放；最终节奏主要取决于头部公司何时完成工程化。至于超距传输、操纵时空乃至获得宇宙“root权限”，节目明确把它们放在“物理原理未禁止、工程上仍属科幻”的远期框架内。

精读

1. GTC暴露的不是路线繁荣，而是协同缺失

泓君以英伟达的历史类比开场：早期3D图形卡即使有像素缺失、Z-buffer精度不足，也能解决高画质、高帧率运行《雷神之锤》的明确痛点。黄仁勋原本希望量子计算也找到这种“门槛非常低”的突破口。
但这次GTC把12家知名量子企业与微软、亚马逊的科学家放在同一张桌上，呈现的是硬件、算法各走各路。它不像去年邀请Transformer 8位作者的那场历史性对话那样聚焦于同一技术背景，有限的专业人才也难以被高效利用。
D-Wave、IonQ投资人John的会后判断最尖锐：“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。”泓君随后将量子日后相关股价集体走低与这一问题联系起来，并称这是行业最大的问题。

2. 微软押注用Majorana零模制造“天然量子硬盘”

尤亦庄解释，Station Q沿着拓扑量子计算方向长期研究，把量子信息编码在一对Majorana零模中。咖啡匙划过液面留下两个涡旋，是他的核心类比：涡旋记录的不是某个局部水分子的状态，而是整体流动的pattern。
当两个Majorana零模被分隔得足够远，它们不易重新湮灭；泡沫、涟漪、热涨落等局部扰动，也难以改变全局纠缠结构。信息因此像储存在背景流体中，量子比特从制备之初便可能成为抵抗噪声的“量子硬盘”。
这与人为设计纠错编码的路线不同：超导物理比特通常先尽量压低误码率，再用许多物理比特编码逻辑比特；拓扑方案若成功，则从底层直接获得受保护的逻辑信息，“本身就是赢在起点上”。
规模对比也解释了微软押注的赔率：节目中Willow已有100多个量子比特，而微软只有“0.5个量子比特”；但若微软真做出一个逻辑比特，它可能抵得上谷歌十几个物理比特。悲观估计下，一个逻辑比特甚至可能需要百万级物理比特，区间本身说明纠错成本尚无定论。

3. 微软的争议不在理论，而在证据能否排除假信号

尤亦庄把争议边界划得很清楚：拓扑量子计算及Majorana路线在理论上“可行并且非常值得期待”，真正的问题是实验体系复杂，同一种信号可能由多种机制产生，看到信号不等于证明零模存在，更不等于证明拓扑保护。
历史使学界格外谨慎：过去十几年不只微软，多个实验组都尝试实现Majorana零模；一些论文曾声称发现它，后来却被认定是假信号，甚至撤稿。因此，独立重复和交叉验证比单次发布更关键。
对微软论文，尤亦庄先保留专业边界：“我在这个方面并不是一个非常完全的专家。”他的阅读是，论文描述了一种可用于读出Majorana量子比特信息的实验方法，但结论依赖设备已经实现Majorana量子比特这一前提，数据中“还没有看到非常明确的证据”。
节目录制于3月12日，当时称微软据说会在3月17日公布更多数据。尤亦庄期待的不只是更多数据，还包括其他实验组复现，以及通过移动Majorana零模演示拓扑逻辑操作；经过一段时间审稿的论文，也未必代表实验室的最新进展。

4. Ocelot用“量子多细胞生物”换取秒级稳定性

亚马逊Ocelot采用“猫态”：普通量子比特像单细胞生物，一次环境干扰就可能致命；猫态则像由大量细胞共同维持生死状态的多细胞生物，少数部分受损后，整体仍能工作，再通过纠错“修复伤口、治疗疾病”。
其关键指标是，猫态至少在生、死两个本征态上的寿命达到秒量级，约为以往其他量子比特的1000倍。它不是让噪声消失，而是先把量子信息放进更有冗余度的结构，再处理其他类型的错误。
Ocelot目前做出5个量子比特；按亚马逊的定义，这些猫态比特因自带抗噪能力，可以直接称为逻辑比特。它与微软都试图在底层提高稳定性，但物理机制和扩展问题并不相同。

5. 中性原子赢在规模与灵活性，离子阱赢在精度

中性原子路线用激光像小镊子一样排列原子，再移动光束让指定原子靠近、纠缠、交换信息。相比焊死在超导芯片上的线路，它可以移动和重新安排比特；而所有同类原子“天生都长得一样”，也能减少刻蚀误差带来的差异和补偿需求。
这一路线较容易达到1000个量子比特，并可在常温环境用激光控制，代表公司包括Atom Computing、Pasqal和QuEra。瓶颈不是原子来源，而是激光控制精度和系统噪声；在“好”这一项上，节目判断超导当前仍略占优势。
离子阱则用电场把带电原子悬在空中，其稳定振荡像精确钟表，激光“指挥一个完美的舞蹈队”来执行计算。现阶段规模多为十几个、二十几个，泓君提到约32个；操作可能比前两类慢100倍，但误码率更低，也能常温运行并与芯片制程结合，IonQ、Quantinuum是代表。
离子阱扩容更可能依靠多阱、多device协作：一批离子运算后转移到等待区，再load新离子，而非无限放大单个阱。它还能用人为制造的物理比特“硬搭”拓扑态，再从高误码物理比特构造低误码逻辑比特；微软则希望自然电子自发形成拓扑态。

6. 光子不擅长碰撞，却可能成为量子互联网的接口

光子可用偏振或路径编码0和1，传播快、对环境干扰不敏感，也能常温、低成本运行。缺点恰是同一性质的反面：“两个手电筒的光就直接交叉穿过了”，光子很难彼此作用，而计算的实质正是信息载体通过相互作用交换信息。
光子路线因此大量依靠测量诱导量子纠缠；但测量结果具有概率性，光在光纤和器件中又会丢失，可能“算着算着，比特就没了”。如何设计测量、控制大量光子并应对损失，是九章、Xanadu、PsiQuantum等相关研究面对的核心问题。
尤亦庄认为光子的独特生态位可能是量子网络：北京的超导或中性原子计算机先把量子态转译成光子，经光纤传至上海，再转回当地设备。“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”，而非只与其他平台争夺通用计算。

7. 超导仍是巨头主航道，细分路线和模块化策略继续分叉

超导体中的电荷像波一样集体运动；把超导体制成线路，就像修出允许电流波动的河道，不同波动模式可编码0和1，再由外部电场控制及耦合。IBM、Google、Amazon和Rigetti都在这条相对成熟、资本投入较多的路线上布局。
超导内部仍有分派：transmon更依赖电容中不同电荷能级，可以粗略理解为“更靠电”，IBM和Google是代表；fluxonium利用超导环路中的磁通，“更靠磁”。Rigetti两边均有涉猎，体现初创公司更积极、更激进地探索高挑战方案。
Rigetti还强调模块化：未必要在单片上刻出1000个比特，可以连接多个小芯片，重点攻克芯片之间的连接和量子信息传递。这个策略降低单片制造压力，却把问题转移到互连、带宽和跨芯片传递量子信息上。
完整版图还包括更广义的拓扑计算——Majorana只是其中一种，任意子也是理论路径——以及英特尔等尝试的硅基电子自旋量子比特。后者可借助既有半导体制程优势，但节目判断仍属较早期、尚非主流。

8. “多快好省”比量子比特总数更接近真实竞争力

尤亦庄提出四项评价：多是量子比特数量，快是单位时间操作数，好是低误码和高精度，省是制造、维护成本。超导较成熟且当前误差较低，却依赖毫开尔文制冷；中性原子易做多、常温较省；离子阱慢但精确；拓扑若成立则把“好”点得最亮。
“10个32比特芯片”不等同于一个320比特芯片。若任务可拆成小芯片并行，模块化很合适；若算法要求大量比特持续协同，量子信息便要反复穿过带宽有限的总线，通信成本可能抵消扩容收益，因此连接主义没有脱离任务的统一答案。
尤亦庄给出经典模拟的直观标尺：苹果笔记本大致到20个量子比特，较强电脑或服务器约30个，世界级大型服务器通常也不超过40—50个。一个70、80乃至105个量子比特的芯片，本质上已超过经典计算机的计算能力范围，但“不可模拟”仍不自动等于“有商业用途”。

9. Willow证明了采样速度，却没有自动证明实用价值

Willow宣传的基准任务若交给经典计算机，耗时会超过宇宙时间尺度，而芯片只需十几秒或类似时间。尤亦庄概括说，它证明了速度，但不保证结果百分之百正确；在某些任务上，它已经展示出很快的速度。
泓君的反问值得保留：这只是为测试量子设备设计的数学任务，并没有解决生活或科研中的具体问题。量子优势首先出现在随机采样，不代表已经形成像经典与门、或门、非门那样通用的软件栈，更不代表能“想让量子计算机干啥就干啥”。
尤亦庄进一步提醒，今天的量子计算机连两个数相乘都很困难，但它也没必要在经典计算机最擅长的任务上竞争。量子计算需要找到自身原生任务，而不是把经典软件逐项搬过去。
随机采样看似“生成了一堆没啥用的随机数”，却是图像、语言等生成模型的基础。其设想是，假使有一天模型训练完成，可以把量子计算机作为高速生成器部署：早期ChatGPT会因流量宕机，未来量子采样或许能在很短时间同时回答“一亿个人的问题”；这是方向判断，不是已实现能力。

10. AI已经进入量子编译、纠错和数字孪生

同一个宏观量子算法可以对应许多门序列，AI可搜索操作最少、布局最优的线路，把算法编译到具体设备。更短的线路意味着更少累计噪声，因此软件优化会直接转化成有效硬件性能。
人工设计纠错方案通常依赖理想化模型，难以覆盖宇宙射线击中芯片后产生的一串相关错误。AI则可边观察设备、边采集数据，学习“这台量子计算机在当下状态”如何出错，再生成针对性纠错策略。
DeepMind与Google Quantum AI已经在surface code体系中验证这一思路：理想实验室数据训练出的算法已相当不错，用真实实验数据训练后还能更好。尤亦庄的总结是：“向大自然学习，用大数据的方法来驱动纠错码的设计”，可能比人类凭经验设计更有效。
AI还可学习设备行为，形成behave like a quantum computer的数字孪生，让团队先在较低成本的模拟器上试错。自然语言编程则像量子领域的Cursor或AI agent，但尤亦庄强调目标更高：它不仅代做底层步骤，还应理解连顶尖expert都未完全掌握的前沿量子现象。

11. 量子计算对AI的承诺集中在记忆、生成、搜索与表达力

泓君把人脑的随机性、关联性和“牵一发而动全身”类比为量子过程。尤亦庄只给出审慎可能性：UCSB的Matthew Fisher教授等人在量子意识方向研究，人脑生化过程或许受量子纠缠影响，“我们的思考可能有量子的成分在里面，犹未可知”，并未把类比当成结论。
更具体的方向是量子神经网络。节目援引郜勋、扈鸿业等人的理论结果：N个量子比特可承载经典系统N²个比特对应的信息尺度，可能用于扩展语言模型上下文记忆；目前有论文和数学证明，但“还没有公司”完成落地。
将这类数学优势变成量子大语言模型，需要硬件和软件共同成熟，尤亦庄给出的估计是10到15年。生成模型更直接受益于量子采样速度；IBM用量子芯片生成手写数字，被当作已有研究样本，而不是通用生成平台已经成熟的证明。
训练侧，QAOA等量子搜索可利用叠加态并行搜索神经网络参数，节目将理论加速概括为从经典T时间降至√T。IBM还研究量子线路作为核函数或特征函数：量子纠缠提供经典系统没有的关联，可能更有效提取经典数据中的隐藏关系；尤亦庄称，在分类任务上量子算法的表达能力更强。

12. 量子化学和组合优化可能先于通用容错计算落地

分子、药物和材料的底层行为本来就由量子力学支配；与其在经典计算机上艰难模拟，不如让量子设备直接充当量子模拟器。相关算法可寻找分子的基态构型，即最稳定结构，再快速筛选候选药物和材料，减少昂贵实验试错。
QuEra已经展示以原子布局处理图论中的组合优化问题，并在节目所述任务上显示出相对经典计算更高的效率。其潜在外延包括投资组合、量子金融，以及自动驾驶中的路线规划，但这些仍取决于实际问题映射和设备质量。
尤亦庄强调，科研用途本身就是应用：Google、IBM与高校合作，已经让经典计算机完全无法模拟的量子芯片帮助研究量子现象。量子化学、量子模拟和部分优化也“不需要一个完全具有纠错能力的量子计算机”，因此可能早于通用商用系统产生价值。

13. 超距传输需要先跨越20到30个零的规模鸿沟

尤亦庄用未来邮局解释量子超距传输：邮局A与B先建立大量纠缠对，A把包裹的量子态与本地比特共同测量，再把经典测量结果发给B；B据此操作本地纠缠比特，恢复包裹对应的量子态。
这不是把原物复制到B：经典测量结果仍需传到B，原包裹也会在A的测量中被破坏，因此看起来像“瞬间就把一个物品从一个地方转移到另外一个地方”，但原件不会保留。
一个普通包裹约含10^23个原子，精确描述其内部状态可能需要10^20至10^30量级、甚至更多量子比特和纠缠资源；现有设备只有百位数、千位数，相差“20到30个零”。节目明确说，传包裹乃至传人的设想目前仍处于科幻阶段。
更远的推演是，一些理论物理学家相信引力的实质与大规模量子纠缠有关；若人类能精确控制纠缠，或许能改变引力和时空结构，使超距传输与虫洞产生联系。尤亦庄反复限定：“只是在物理学原理上，没有禁止这些事情的发生。”

14. 商用可能突然到来，但大规模可用仍被估在10到15年

尤亦庄认为“应用”定义不能只限于消费市场：量子设备已经服务学术研究，也已进入经典计算机无法模拟的尺度。跨行业和日常使用却很难用10%、20%、100%的进度条预测，因为找到可行路线后，剩下的工程扩展可能集中爆发。
他的情景是，前一晚人们还觉得100个量子比特“什么也干不了”，第二天Google便announce系统已经造好；这更像ChatGPT开放前后的突变。落地时点很大程度取决于几家头部公司，小公司和科研界的重要角色则是降低知识壁垒、帮助其他行业理解如何使用。
尤亦庄对“大规模、比较有用”的量子计算给出10到15年估计，同时把当前量子模拟和优化排除在等待名单之外，因为它们可以在尚未完全容错的设备上发展。预测保持为估计，而非确定倒计时。
面对学界与工业界的分叉，尤亦庄说自己“随着年龄的增加，我就觉得都挺好的”：象牙塔满足好奇心和智力挑战，工业才能真正服务社会；工业又离不开基础科学的长期供给。终极愿景则是理解“宇宙本身这一台量子计算机”，取得与底层规律交互的“root权限”，但节目没有把这一愿景混同于商业路线图。

29.直击 2025 GTC（下）｜王冠之重，黄仁勋如何回应一切质疑？AMA：AGI时代的职业建议、我的研究方法（Sholto & Trenton）