量子机器学习：硅芯片上的魔法，还是未来的必选项？

0923的南京，空气里还飘着桂花味。我蹭进河西量子实验室的开放日，挤在一群穿白大褂的年轻人里凑热闹。

一个算法组的小伙子靠在走廊的墙上抽烟，跟我吐槽。现在阿猫阿狗都在说量子机器学习，好像明天就能把现有AI按在地上打。结果呢？连个能稳定赢过经典模型的公开任务都拿不出来，全是PPT上的效果图。

我笑了笑，没接话。毕竟这行业，现在就是这么个状态。

别被名字唬住，量子机器学习其实就是借量子的特性解难啃的问题

很多人一听名字就懵，觉得又是高大上的黑科技，跟自己没关系。说白了，你可以这么理解：经典机器学习是在经典计算机上，从数据里找规律。量子机器学习，就是把其中最卡算力的那一步，放到量子计算机上跑。

举个最常见的例子，机器学习里很多问题本质都是组合优化问题——比如从几十上百万种可能里找最优的那个解。经典计算机怎么找？相当于你走迷宫，一次只能走一条路，走错了退回来再走另一条。可能性少的时候没问题，多到一定程度，比如几百万种可能，就算超算也要跑几个月。

量子计算机不一样，靠的就是量子叠加的特性。简单说，它可以「同时站在所有岔路口」，再通过量子干涉，让最优解那一条路的概率被放大，最后一测量，大概率就能拿到你要的结果。

当然，没那么神。现在的量子机还做不到百分之百每次都对，得多跑几次筛结果。但只要问题够大，速度优势就能体现出来。

还有另一个方向，就是用机器学习来研究量子物理，反过来帮量子硬件调参数，不过一般人说量子机器学习，指的都是前者，我们就不展开了。

真能落地？我亲眼见过的能用场景，其实都很小众

说实话，现在网上吹的那些「量子AI颠覆大模型」，全都是瞎扯。我在开放日看了三个已经跑通的原型项目，全都是经典计算机真的搞不定的偏门场景。

印象最深的是小分子构象预测。做创新药的都懂，找了一个候选小分子，要算它怎么和靶点蛋白结合，哪个构象的结合能最低，活性最好。这个问题，经典计算要枚举所有可能的构象，分子稍微大一点，算力直接爆炸。用了量子机器学习之后，在十几位的量子芯片上，就能跑出比经典模型更准的结果，速度还快了不少。

还有一个是高维数据特征提取。现在很多生物数据、金融数据维度很高，经典降维算法很容易把里面隐藏的关联信息弄丢，量子机器学习提取出来的特征，能保留更多弱关联，最后的预测精度确实更高一点。

不过话说回来，这些成果都是在实验室小规模数据上跑出来的。成本高到离谱，那台用来做计算的量子机，光维持低温的制冷设备就几百万，不可能拿到企业去当普通服务器用。现在说白了，就是技术积累阶段。

最容易踩的几个坑，大部分人都理解错了

第一个坑，就是觉得量子机器学习一定会全面取代经典机器学习。怎么可能？你刷个短视频，做个商品推荐，经典模型跑得又快又准，成本还低，犯得上用几百万的量子机吗？绝大多数场景，经典机器学习永远会是主流。量子机器学习抢不走它的饭碗，它补的是经典啃不动的那些硬骨头。

第二个坑，就是现在跑不出大成果，就是这方向没用。现在整个行业都处在NISQ时代，也就是含噪声中等规模量子时代，现有的量子机本身误差就大，稍微算复杂一点，噪声就把结果盖了，跑不出太好的成果太正常了。就像你拿九十年代的家用电脑跑大模型，跑不出来你能说大模型没用吗？对吧？

第三个坑，就是觉得这方向马上就能赚钱。泡沫早就起来了，前两年我见过好多拿量子机器学习当幌子融资的创业公司，PPT做得花里胡哨，连个能运行的代码都拿不出来，这两年不也都倒了一批了。

当然，我不是唱衰这方向。相反，我觉得它是未来少有的真能带来突破的方向。比如量子化学，新材料研发，可控核聚变的参数模拟，这些都是经典计算机搞不定的，只要量子硬件跟上了，第一个爆发的应用就是量子机器学习。

那天从实验室出来，已经是傍晚了。长江边的风裹着桂花味吹过来，那个抽烟的小伙子说，他来这儿三年，每天就是测算法，调参数，没出过什么大成果，但是他觉得值得。

现在所有人都太急了，都要今年投钱明年出成果，哪有那么多一蹴而就的事儿。量子机器学习不是什么改变世界的魔法，它就是给人类手里多添了一把钥匙，一把专门开那些经典钥匙打不开的锁的钥匙。

锁没到呢，钥匙慢慢磨就是了。