作者：毛爍

量子計算為什么遲遲無法走向大規(guī)模商用？

其實，量子計算這些年并不缺少階段性突破。但真正讓行業(yè)沒有跨入“大規(guī)模可用”的原因在于，整個量子計算系統(tǒng)在擴展過程中暴露出的復雜性，遠遠超過了預期。

用業(yè)內(nèi)的一句大實話來說：流片容易，調(diào)校要命。

01 量子計算的兩道“天塹”

眼下，擺在量子計算產(chǎn)業(yè)化進程前的，是兩道門檻，一是量子處理器的校準，二是量子糾錯。

先看校準。

要知道，量子處理器并不是傳統(tǒng)意義上“流片完成、通電運行”的芯片。無論是超導、離子阱、自旋量子點還是中性原子，量子比特都處在極其脆弱的物理條件之下。

溫度漂移、電磁環(huán)境擾動、材料缺陷、控制鏈路波動、器件間串擾，都會直接影響其工作狀態(tài)。而硬件數(shù)量一旦上升，系統(tǒng)就不再是若干獨立量子比特的簡單疊加，而會迅速演化為高度耦合、持續(xù)漂移、需要反復調(diào)參數(shù)的復雜系統(tǒng)。

而所謂校準，就是從大量測量結(jié)果中識別量子比特頻率、門操作窗口、讀出條件、耦合關(guān)系和噪聲特征，再據(jù)此確定整套控制參數(shù)。

每一次冷啟動、環(huán)境變化、每一段運行周期之后，都可能需要重新掃描、擬合、補償。在幾十比特規(guī)模的系統(tǒng)里，這項工作甚至需要經(jīng)驗極深的團隊持續(xù)介入。而硬件規(guī)模達到數(shù)百乃至數(shù)千量子比特時，依靠專家經(jīng)驗和人工調(diào)參的方式甚至都很難繼續(xù)維持。

走到這一步，校準已經(jīng)不再只是實驗物理問題，而是控制工程、統(tǒng)計建模、自動化軟件和機器學習共同參與的系統(tǒng)問題。

再看糾錯。

量子計算的另一層挑戰(zhàn)在于，量子態(tài)本身極易受噪聲影響，門操作和讀出過程會引入誤差。只要規(guī)模稍大，系統(tǒng)就不可能依賴“裸比特”直接完成有意義的計算。

所以，糾錯幾乎是必經(jīng)之路。

理論上看，目前行業(yè)已經(jīng)有較成熟的編碼方案；但從實際工程上看，困難點其實在于把糾錯持續(xù)、穩(wěn)定、實時地運行起來。

一個邏輯量子比特背后，往往需要大量物理量子比特來支撐。隨著碼距增大、測量輪次增加、系統(tǒng)規(guī)模上升，錯誤信息會以持續(xù)數(shù)據(jù)流的方式不斷產(chǎn)生。經(jīng)典系統(tǒng)必須在很短時間內(nèi)完成syndrome解碼，并及時給出后續(xù)控制所需的信息。只要這個過程的時延壓不下去，吞吐跟不上，糾錯就會失去意義，量子態(tài)也會在累計誤差中迅速失穩(wěn)。

當量子硬件繼續(xù)提速、量子比特繼續(xù)擴容，真正的壓力開始轉(zhuǎn)移到經(jīng)典計算一側(cè)——解碼算法是否足夠高效，控制系統(tǒng)是否能承受持續(xù)并發(fā)的數(shù)據(jù)流，軟硬件協(xié)同是否能把整個閉環(huán)穩(wěn)定壓在物理退相干時間之內(nèi)。

到了這個階段，量子計算就成為了一場圍繞實時性、吞吐、容錯和系統(tǒng)協(xié)同展開的“工程戰(zhàn)”。

這也是為什么，Google、IBM等巨頭近年來推進量子研究時，重點越來越少放在“單次展示多少量子比特”上，而更多轉(zhuǎn)向邏輯比特、誤差抑制、糾錯實驗、控制棧和系統(tǒng)集成。

行業(yè)的難點已經(jīng)發(fā)生了變化?，F(xiàn)在，大家更關(guān)心的是量子比特做出來之后，能不能把它們變成一臺真正可用的機器。

換句話說，決定量子計算未來幾年產(chǎn)業(yè)走向的，是完整的“算力工程問題”——如何讓量子硬件、控制電子學、校準軟件、糾錯解碼器和經(jīng)典加速系統(tǒng)共同構(gòu)成一套能擴展、能運維、能持續(xù)運行的體系。

02  NVIDIA Ising 讓量子計算告別“手工時代”

為了攻破上述兩大核心痛點，NVIDIA祭出了殺招——NVIDI Ising。

這個名字，其實也致敬了伊辛模型（極大地簡化了復雜物理系統(tǒng)理解的標志性數(shù)學模型），其目的，是用AI徹底簡化復雜的量子工程。

NVIDIA Ising 是針對性極強的開源AI模型系列，專門為解決“校準”和“解碼”這兩大痛點量身定制。

NVIDIA Ising的核心組件之一NVIDIA-Ising-Calibration-1-35B-A3B（Ising 校準）擁有350億參數(shù)（35B），其底層架構(gòu)基于阿里開源的Qwen3.5-35B-A3B進行微調(diào)衍生，采用的是混合專家視覺語言模型架構(gòu)。

截取自huggingface

在推理階段，每個token僅激活約30億活躍參數(shù)（包含256位專家，每個token 8位活躍專家），這種MoE 架構(gòu)保證了模型在擁有海量知識容量的同時，依然能保持極高的推理效率。

除了參數(shù)和效率，NVIDIA Ising的另一個特點在于，讓量子校準，不是“算出來”的，而是“看出來”。

NVIDIA并沒有走傳統(tǒng)的數(shù)值優(yōu)化老路，而是極其創(chuàng)新地引入了視覺語言模型（VLM）。NVIDIA Ising具備高達262144個token的超長上下文窗口，支持圖片（PNG、JPEG）和文本的混合輸入。能夠像最資深的量子物理學家一樣，快速“看懂”來自量子處理器的測量數(shù)據(jù)實驗圖，并根據(jù)六個核心分析問題類別，自動生成結(jié)構(gòu)化的高質(zhì)量技術(shù)文本。

同時，NVIDIA Ising的核心組件之一Ising Calibration（Ising 校準）還可以進行技術(shù)分析、得出實驗結(jié)論、進行顯著性評估、擬合質(zhì)量評估、參數(shù)提取，甚至自動進行實驗成功分類。

更關(guān)鍵的是，這些能力并非停留在“分析層”。通過與AI 智能體（AI Agents）的結(jié)合，NVIDIA Ising的輸出可以直接驅(qū)動連續(xù)校準流程，使原本高度依賴專家經(jīng)驗、需要數(shù)天人工干預的工作，被壓縮至數(shù)小時內(nèi)完成。

在部署層面，NVIDIA Ising同樣體現(xiàn)出較強的工程可行性。僅需 2 塊 NVIDIA L40S（48GB）或1塊 H100（80GB）GPU 即可運行，大幅降低了算力門檻。

而在模型訓練上，NVIDIA 采用了兩階段順序 SFT（監(jiān)督微調(diào)，涵蓋72.5K條數(shù)據(jù)），將大量專家經(jīng)驗系統(tǒng)性地融入這套350億參數(shù)模型之中，使其具備了貼近真實科研流程的分析與決策能力。

面對量子糾錯問題，NVIDIA的解法是，用神經(jīng)網(wǎng)絡的并行計算能力，碾壓傳統(tǒng)算法的串行瓶頸。

Ising Decoding（Ising 解碼）提供了兩個3D卷積神經(jīng)網(wǎng)絡（3D CNN）模型變體，分別針對“速度”“精度”進行優(yōu)化。其實，3D CNN天生適合處理具有時空相關(guān)性的量子糾錯拓撲數(shù)據(jù)，專門用于量子糾錯的實時解碼。

截取自Github

實測數(shù)據(jù)顯示，相比當前開源行業(yè)標準pyMatching，Ising解碼模型在速度上最高快了2.5 倍，在準確率上最高提升了3 倍。這在分秒必爭的量子態(tài)相干時間里，2.5 倍的速度提升甚至決定了糾錯的成敗。

在數(shù)據(jù)訓練層面，NVIDIA也采取了兩條路徑，并且刻意做了區(qū)分。

對于解碼模型，其完全基于合成數(shù)據(jù)（synthetically generated data）進行訓練。通過在模擬環(huán)境中引入特定的去極化噪聲（depolarizing noise），可以生成大規(guī)模、可控的數(shù)據(jù)樣本。這帶來的直接好處是，開發(fā)者無需依賴昂貴的量子硬件，也能夠完成模型的訓練與微調(diào)。

而在校準模型上，數(shù)據(jù)來源則明顯更“重”。除了模擬器生成的數(shù)據(jù)之外，還融合了來自多家量子處理器（QPU）合作伙伴多年積累的真實運行數(shù)據(jù)。這部分真實數(shù)據(jù)提供了更復雜的噪聲分布和工程細節(jié)，使模型的分析能力更貼近實際系統(tǒng)。

這樣的數(shù)據(jù)策略在于，解碼模型追求規(guī)模與可擴展性，校準模型則強調(diào)真實性與工程貼合度。

03 開源背后的“三重奏” 加速生態(tài)擴展

NVIDIA Ising模型的領(lǐng)先性能不言而喻，但NVIDIA卻將其全面開源。

從GitHub、Hugging Face，到NVIDIA官方平臺，相關(guān)模型、數(shù)據(jù)與訓練框架均已開放獲?。黄渲蠭sing-Calibration-1-35B-A3B甚至采用了相對寬松的Apache 2.0 及 NVIDIA 開放許可協(xié)議。

截取自Github

這份“慷慨”的背后，指向了三層目標。

第一層，是構(gòu)建“生態(tài)基建”。事實上，量子計算仍處于技術(shù)路線高度分裂的階段，超導、離子阱、光量子、硅自旋并行推進，沒有統(tǒng)一標準，也不存在“唯一正確答案”。

除了仍在接入中的光量子路線，NVIDIA Ising 已與主流技術(shù)路徑展開合作。原因也很直觀，沒有任何一家廠商，能夠獨立構(gòu)建完整且真實的噪聲模型。

因此，開源并不是讓渡能力，而是加速演進的機制。

當更多噪聲數(shù)據(jù)被引入進行微調(diào)（fine-tune），這一模型便會逐步演化為整個行業(yè)共享的“公共底座”。而隨之一套更加統(tǒng)一、可復用的技術(shù)基礎(chǔ)設施也隨之形成。

第二層，是釋放開發(fā)者的“非共識創(chuàng)新”。其實，過去一段時間，一些關(guān)鍵性的量子架構(gòu)突破，并非來自傳統(tǒng)巨頭，而是出自新興團隊，例如Iceberg Quantum、Atomic，以及DeepSeek 這樣的團隊。

這背后的原因，是創(chuàng)新正在加速“去中心化”。

NVIDIA顯然不打算錯過這波紅利。通過開源，可以將量子糾錯研究的門檻，從“必須擁有量子硬件”，降低為“只需具備算力平臺”。

與此同時，NVIDIA也一并補齊了配套工具——從 Kuquanim 模擬庫，到標準化workflow“cookbook”，再到 NVIDIA NIM 微服務體系，形成了一套完整工具鏈，并支持本地部署以滿足數(shù)據(jù)安全需求。

這意味著，即便硬件資源受限，開發(fā)者依然可以參與最前沿的量子研究。

某種程度上，這也是一次“技術(shù)平權(quán)”。

第三層，是補齊“混合算力體系”的拼圖。

NVIDIA Ising與NVIDIA CUDA-Q 以及 NVIDIA NVLink / NVQLink 等底層能力深度協(xié)同。

而這，造就了一條完整的技術(shù)鏈路。

底層，NVQLink提供低延遲的QPU-GPU實時通信；中層，CUDA-Q提供混合量子—經(jīng)典計算框架。上層，NVIDIA Ising模型承擔校準與糾錯決策。

而這套“模型 + 框架 + 硬件互聯(lián)”的體系一旦成型，其外溢效應很快體現(xiàn)在產(chǎn)業(yè)層面。

目前，除了NVIDIA Ising納入其開放模型矩陣之中，還有智能體Nemotron、面向物理AI的 Cosmos、自動駕駛領(lǐng)域的Alpamayo、機器人方向的Isaac GR00T，以及生物醫(yī)藥領(lǐng)域的 BioNeMo。

更重要的是，市場的反饋也隨之迅速顯現(xiàn)。

在學術(shù)界，包括Cornell University、University of Chicago、University of California San Diego、Harvard John A. Paulson School of Engineering and Applied Sciences 等頂尖高校，以及 Fermilab、Lawrence Berkeley National Laboratory、National Physical Laboratory 等國家級研究機構(gòu)，已經(jīng)率先引入這套模型體系，用于量子計算相關(guān)研究與實驗平臺。

而在產(chǎn)業(yè)側(cè)，參與者的覆蓋面同樣迅速擴大。包括IonQ、IQM Quantum Computers、Q-CTRL、Infleqtion、Atom Computing 在內(nèi)的一批量子計算企業(yè)相繼入局，連同 Academia Sinica、EeroQ、Conductor Quantum、EdenCode、Quantum Elements、SEEQC 等機構(gòu)，共同構(gòu)成了一張橫跨科研與產(chǎn)業(yè)的應用網(wǎng)絡。

當不同技術(shù)路線、不同類型的參與者開始基于同一套工具體系展開探索，一個更加統(tǒng)一、協(xié)同的量子計算生態(tài)，也正在逐步成形。

04 寫在最后

身處量子計算圈內(nèi)的人都知道，過去兩年，行業(yè)其實正在經(jīng)歷一段擠水分的“陣痛期”。

NISQ（含噪中型量子）時代的紅利正在被加速耗盡。 邁向FTQC（容錯量子計算）的高墻，光靠物理學家在實驗室里“搓”材料、調(diào)微波，已經(jīng)跨不過去了。

而NVIDIA Ising 的全面開源，卻撕開了這道高墻的掩體，將量子產(chǎn)業(yè)的底層邏輯展現(xiàn)在所有人面前。

我們仔細盤點黃仁勛在量子領(lǐng)域的落子，你會發(fā)現(xiàn)一種極其前瞻的戰(zhàn)略定力。在一眾科技巨頭紛紛下場自研超導、離子阱或光量子的洪流中，NVIDIA至今沒有動手造過任何一顆物理量子芯片，但它卻正在生產(chǎn)量子芯片“呼吸”所需的氧氣。

從CUDA-Q建立統(tǒng)一的編程橋梁，到NVQLink實現(xiàn)QPU與GPU之間的極低延遲互聯(lián)，再到今天用開源的NVIDIA  Ising 模型補齊關(guān)鍵的實時校準與解碼拼圖。NVIDIA 的初衷非常清晰——為所有探索者鋪設一條通用、高效的基礎(chǔ)設施高速公路。

量子計算發(fā)展了三十年，硬件工程師們像精密的鐘表匠一樣，小心翼翼地呵護著脆弱的量子態(tài)。而現(xiàn)在，隨著大語言模型和3D CNN 接管了調(diào)參和解碼，量子計算終于開始告別“手工作坊”與“實驗物理”的時代，真正邁入了由AI驅(qū)動的、高度自動化的“大工業(yè)時代”。

有人說AI的盡頭需要量子計算支撐，而量子的黎明卻正由AI照亮。如今，這兩大人類技術(shù)之巔雙螺旋的交匯，剛剛開始......