算力破局路上，量子算法研究绕不开的三个坎
现在圈子里吵来吵去，都是量子硬件卡脖子，少有人聊算法本身的问题。
说白了，硬件是锅，算法是米，没有好米，再贵的锅也煮不出能吃的饭。
量子算法格罗弗搜索逻辑流程图
很多人不知道，量子计算的优势，本质是量子叠加带来的并行性，可这种并行性不是免费的。你要读取结果，就得坍缩到一个态上，大部分时候你能拿到正确结果的概率并不高，还要反复测量提优。
肖尔算法能破解RSA，前提是你有足够多的纠错量子比特。现在能拿出来的设备，最多也就几百个纠错比特，离分解RSA的最低要求还差十万八千里。
别不信。不少顶刊发出来的成果，拿到现有实际设备上跑一遍，结果误差比经典算法还大，说出去谁信？
量子算法与经典算法时间复杂度对比表
指数加速只出现在满足特定数学结构的问题上，比如大数分解、量子系统模拟，换个普通的组合优化问题，大部分时候最多也就二次加速，还要付出量子硬件的极高成本，划算吗？
就拿现在炒得最热的药物分子模拟来说，现在能稳定模拟的也就十几个原子的小分子，真正的临床药物分子动辄上百个原子，现有算法根本hold不住，还要结合经典算力做混合计算，本质上还是经典算法占大头。
不过话说回来，也不是说完全没用。至少在蛋白质折叠的构象搜索上，已经能看到一点点明确的优势，只是离量产落地还远得很。
很多创业公司拿这个讲故事，融了好几轮，连个能落地的原型产品都拿不出来，说白了，就是蹭热度割韭菜。
NISQ时代，算法适配才是落地核心
现在我们还处在噪声中等规模量子（NISQ）时代，没有全纠错，商用设备也就千把个物理比特，噪声大，电路深一点结果就全乱了。原来为理想量子计算机设计的算法，根本跑不起来。
所以现在主流研究方向转到了变分量子算法，把量子部分做成浅电路，经典部分做参数优化，把噪声的影响尽可能降下来。这条路看起来走通了，但也有绕不开的底层坑。
最典型的就是贫瘠高原问题：当参数维度变高，损失函数的梯度几乎就变成零了，优化根本走不动，你调参调几个月，结果还不如经典随机初始化的准确率高。
这不是硬件的问题，是算法本身的结构问题，到现在都没有通用的解决方案。很多研究出来的优化办法，只适用于特定的小问题，换个问题就直接失效了。
产学研落地的时候，最容易忽略的就是这个适配问题。很多实验室发论文，用的是模拟的理想量子硬件，结果很漂亮，拿到真实NISQ设备上一跑，噪声一干扰，准确率还不如成熟的经典算法，这不就是自娱自乐吗？
还有一个容易被忽略的风险，就是算法的安全迭代。现在后量子密码算法都在推进标准化，可真等到大规模纠错量子计算机出来，现有互联网的公钥体系全都会被破解，这里面的算法替换风险，很多企业根本没做提前准备。
当然，也不用太悲观。最近两年也出了不少有意思的新方向，比如量子算法和大模型结合，用量子的特性做高维特征提取，已经有一些不错的小样本学习结果，只是还没到大规模应用的地步。
路都是一步步踩出来的，没人能一口吃成胖子。比起追热点炒概念，沉下心解决算法本身的坎，才是真的能推动行业往前走的事。
比硬件先行，也比硬件更难
从上世纪八十年代第一个多项式分解算法提出，到九十年代格罗弗、肖尔打开新世界的大门，核心框架其实几十年没变过。后来的无数研究，大多是在原有框架上修修补补，很少有能撼动根基的全新思路。量子算法格罗弗搜索逻辑流程图
很多人不知道，量子计算的优势，本质是量子叠加带来的并行性，可这种并行性不是免费的。你要读取结果，就得坍缩到一个态上，大部分时候你能拿到正确结果的概率并不高，还要反复测量提优。
肖尔算法能破解RSA，前提是你有足够多的纠错量子比特。现在能拿出来的设备，最多也就几百个纠错比特，离分解RSA的最低要求还差十万八千里。
别不信。不少顶刊发出来的成果，拿到现有实际设备上跑一遍，结果误差比经典算法还大，说出去谁信？
被放大的万能神话，和被忽略的应用边界
跑出来几个成功案例，外面就开始吹量子能解决一切了。从制药到密码，从金融到气候模拟，什么都能往上套。 实际上呢？量子算法只在特定问题上有指数级或者二次加速，大部分常见问题，加速效果几乎可以忽略，甚至跑不过经典算法。量子算法与经典算法时间复杂度对比表
指数加速只出现在满足特定数学结构的问题上，比如大数分解、量子系统模拟，换个普通的组合优化问题，大部分时候最多也就二次加速，还要付出量子硬件的极高成本，划算吗？
就拿现在炒得最热的药物分子模拟来说，现在能稳定模拟的也就十几个原子的小分子，真正的临床药物分子动辄上百个原子，现有算法根本hold不住，还要结合经典算力做混合计算，本质上还是经典算法占大头。
不过话说回来，也不是说完全没用。至少在蛋白质折叠的构象搜索上，已经能看到一点点明确的优势，只是离量产落地还远得很。
很多创业公司拿这个讲故事，融了好几轮，连个能落地的原型产品都拿不出来，说白了，就是蹭热度割韭菜。
NISQ时代，算法适配才是落地核心
NISQ时代，算法适配才是落地核心
现在我们还处在噪声中等规模量子（NISQ）时代，没有全纠错，商用设备也就千把个物理比特，噪声大，电路深一点结果就全乱了。原来为理想量子计算机设计的算法，根本跑不起来。
所以现在主流研究方向转到了变分量子算法，把量子部分做成浅电路，经典部分做参数优化，把噪声的影响尽可能降下来。这条路看起来走通了，但也有绕不开的底层坑。
最典型的就是贫瘠高原问题：当参数维度变高，损失函数的梯度几乎就变成零了，优化根本走不动，你调参调几个月，结果还不如经典随机初始化的准确率高。
这不是硬件的问题，是算法本身的结构问题，到现在都没有通用的解决方案。很多研究出来的优化办法，只适用于特定的小问题，换个问题就直接失效了。
产学研落地的时候，最容易忽略的就是这个适配问题。很多实验室发论文，用的是模拟的理想量子硬件，结果很漂亮，拿到真实NISQ设备上一跑，噪声一干扰，准确率还不如成熟的经典算法，这不就是自娱自乐吗？
还有一个容易被忽略的风险，就是算法的安全迭代。现在后量子密码算法都在推进标准化，可真等到大规模纠错量子计算机出来，现有互联网的公钥体系全都会被破解，这里面的算法替换风险，很多企业根本没做提前准备。
当然，也不用太悲观。最近两年也出了不少有意思的新方向，比如量子算法和大模型结合，用量子的特性做高维特征提取，已经有一些不错的小样本学习结果，只是还没到大规模应用的地步。
路都是一步步踩出来的，没人能一口吃成胖子。比起追热点炒概念，沉下心解决算法本身的坎，才是真的能推动行业往前走的事。