刚刚，谷歌带来“量子回声”算法突破，AI算力的下一个增长曲线在浮现？

作者 | 周雅

假如，你正在深邃的海底找一艘历史沉船，传统的声纳技术或许能给你一个模糊的轮廓，然后告诉你：“那下面有艘沉船”，但如果有一种技术，不仅能让你准确定位到这艘船，还能让你读清船身上那块饱经沧桑的铭牌呢？

这是谷歌量子芯片Willow所达到的精度。就在刚刚，谷歌量子AI团队宣布了一项重要突破，通过运行“out-of-order time correlator（OTOC）”算法，证实了“首个可验证的量子优势”，并为它赋予了一个形象的名字：“Quantum Echoes”（下文译作“量子回声”）。这项研究成果同步发表在《自然》杂志上。

科技行者TechWalker受邀参加了此次发布的视频简报会。谷歌量子AI团队对外传播主管Alison Carroll在会上强调：“量子回声算法，标志着量子计算迈向实际应用的一大步。”

这里有必要讲讲这次发布的背景：

2019年，谷歌的超导量子芯片Sycamore仅用200秒就完成了一项计算，而世界最快的超级计算机需要1万年，当时被谷歌CEO桑达尔·皮查伊（Sundar Pichai）称作是“莱特兄弟12秒的首飞”。

到了2024年底，谷歌的量子芯片Willow在量子纠错方面取得了新进展，首次实验证明了可以通过增加量子比特规模来指数级地抑制错误，解决了困扰科学家近30年的一个重大难题。

但整个行业都在追问：量子计算机除了能解决数学难题之外，到底还能做啥？怀疑论者认为它可能只是一个实验室玩具，乐观者则在等待那个“杀手级应用”的到来。

那么此次谷歌的发布，就是回应。

为何要造量子计算机？

或许很多人好奇，谷歌费这么大劲造量子计算机，图啥？谷歌量子AI团队创始人哈特穆特·奈文（Hartmut Neven）直言：“量子计算机可以解决经典超级计算机或运行在经典超级计算机上的AI都无法解决的问题。”

他引用加州理工学院物理学教授约翰·普雷斯基尔（John Preskill）的观点来定调：“量子计算机不仅是传统计算机的加强版，它以截然不同的方式处理信息，因为它遵循微观世界的量子力学原理”。

奈文说，量子计算机最厉害的应用，就是帮我们搞科学发现，比如药物研发、材料科学，这些都涉及到研究微观世界里的分子。经典计算机在模拟这些分子时，尽管功能强大，但也只能算个大概，不能精确描绘出分子世界中到底发生了什么。

但量子计算机不一样，因为它本身就是用量子的方式工作的，所以它能“说”微观世界的语言。所以它不是在“模拟”自然，而是在用自然本身的法则去“复现”自然。就好比让一个本地人给你介绍家乡，信息绝对地道。

这个愿景，激励了一代代科学家。奈文特别提到了刚刚拿到诺贝尔物理学奖的米歇尔·德沃雷（Michel Devoret），他是谷歌量子AI量子硬件首席科学家。在1980年代，德沃雷与约翰·克拉克（John Clarke）、约翰·马丁尼斯（John Martinez）组成的三人组，首次造出了“人造原子”——这正是今天超导量子比特的雏形。正是这些基础研究，为后来的量子计算硬件发展奠定了基石。

现在AI这么火，量子计算能跟它能擦出什么火花？

奈文说，量子计算与AI是“双向奔赴”的关系：一方面，以后量子计算机能让AI变得更强。另一方面，谷歌现在已经在用AI来帮助设计量子计算机，像开篇提到的谷歌新突破“量子回声”就是例证。

但奈文强调了一个更酷的玩法：量子计算机可以成为AI的超级“数据工厂”。他解释说：“AI的学习离不开数据，而我们生活的物理世界本质上是量子的，所以量子计算机可以生成独特且有价值的量子数据，喂给AI去学习。”

为了便于理解，奈文在采访中举了一个例子。他提到在预测蛋白质三维结构方面取得巨大成功的AI模型（如AlphaFold），这些模型的成功，很大程度上依赖于一个名为“蛋白质数据库”（Protein Data Bank）的关键数据集。但是这个数据库的建立，始于1970年代，是科学家们花了整整50年才辛辛苦苦积累起来的。奈文说：“有了‘量子回声’这样的算法，我们制造这种高质量数据的速度会快得多！对于推动AI的发展极其有价值。”

里程碑之路：从“量子优势”到“可验证的量子优势”

要理解“量子回声”的突破性，我们必须回顾谷歌量子AI团队的征程。奈文在去年的媒体沟通会上曾分享愿景：“当我们于2012年创立谷歌量子AI团队时，愿景是构建一个有用的大规模量子计算机，利用我们今天所知的量子力学（自然界的‘操作系统’）来推动科学发现、开发有益的应用、并解决一些社会的关键挑战。”

这条路分为几个关键阶段：

第一个里程碑（2019年）：量子优势（Quantum Supremacy）。53量子比特的Sycamore芯片在200秒内完成的“随机线路采样”（RCS）任务，当时最强的超级计算机需要10000年。这证明了量子计算机在特定问题上超越经典计算机的可能性，但RCS本身并无直接的实际应用。

第二个里程碑（2024年）：量子纠错（Quantum Error Correction）。Willow量子芯片，在谷歌自家的专用超导芯片制造工厂中诞生，解决了量子计算的“阿喀琉斯之踵”——错误。物理量子比特极其脆弱，通常数量越多，错误也越多。但Willow首次实验证明，通过构建更大的逻辑量子比特（如从3x3扩展到7x7的物理比特阵列），错误率可以被指数级地压制。

这一“低于阈值”的突破，证明了构建大规模、可靠的容错量子计算机在物理上是可行的。同时，在RCS基准测试中，Willow将与经典超算的差距拉大到了宇宙尺度——不到5分钟的计算，最快的Frontier超级计算机需要10^25年。奈文提到，这表明，通过构建更大的量子系统，有望抑制错误，为构建大规模容错量子计算机铺平了道路。

而今天的突破，则属于应用落地层面的里程碑：第一个超越经典计算机能力的有用算法——“量子回声”算法，它的核心特质在于——“可验证的量子优势”（Verifiable Quantum Advantage）。

那么，“可验证的量子优势”究竟意味着什么？奈文将其拆解为几个关键特点：

首先，是运行起来更快。经典超级计算机Frontier需要3.2年才能完成的计算，量子计算机仅用2.1小时就搞定，速度快了13000倍。

其次，是实现了“可验证的量子优势”（Verifiable Quantum Advantage）。这也就对应了费曼的预言——量子计算机能够对自然系统做出经典机器无法企及的预测。

“可验证”这个词，是理解本次突破的钥匙。它意味着量子计算的结果，不再是某种概率性的、难以捉摸的“黑箱输出”，而是可以被重复检验、被信任的可靠数据。奈文解释说，“验证”可以通过两种方式进行：一是在另一台（同等级别的）量子计算机上重复计算，看是否得到相同的结果；二是通过自然本身来验证，即进行一个真实的物理实验，看预测是否与实验结果相符。

最后的特点是，为真实世界的应用打开大门。在另一项名为《通过多体核自旋回声实现分子几何的量子计算》（Quantum computation of molecular geometry via many-body nuclear spin echoes）的概念验证实验中，谷歌展示了如何通过新技术——“molecular ruler”——能够测量比现有方法更长的距离，利用核磁共振（NMR）数据获取更多关于化学结构的信息，这具有巨大的现实应用潜力。

揭秘“量子回声”：让时间“倒流”来获取信息

那么，这个神奇的“量子回声”算法到底是怎么工作的？谷歌量子AI团队研究科学家Xiao Mi用这样一个绝妙的比喻解释它的原理：

他说，传统的量子算法就像你拿个喷枪往前喷水，水滴一下子就散开了，很难收集。但“量子回声”不一样，它在把水喷出去之后，又在前面放了面“镜子”，让所有水滴都反弹回来，重新汇聚在一起。这样，你就能从反射回来的“回声”中捕捉到大量信息。

技术上讲，这个算法就是先把一个量子过程“正着放一遍”，然后再“倒着放一遍”。在正放和倒放之间，他们会故意轻轻“戳”一下系统里的某个量子比特，就像往平静的湖面丢一颗小石子。最后，通过分析那个“回声”的强度和形状，就能极其精确地知道这次“轻戳”在系统里引起了怎样的涟漪，从而揭示出系统内部的秘密。

如图所示，U（向前演化）和U†（向后演化）两个操作块，而夹在两者之间的一个“小小的蝴蝶符号”，本质上是谷歌团队故意在某个量子比特上注入的一个微小扰动，以便在序列结束时揭示出关于量子系统的有用内容。

这个过程之所以厉害，一来，因为它能把微小的细节放大，向前和向后演化的轨迹会相互交织，产生极其复杂的干涉图样，这个图样对量子系统内部的细节极为敏感，使最终测量到的“回声”信号包含了异常丰富的信息；二来，正是这种干涉的复杂性，让经典计算机根本模仿不来，这正是它能实现量子加速的关键。

当然，一个好算法，必须要有强大的硬件支持。Xiao Mi强调，这项工作完全依赖于过去几年谷歌在量子硬件上的重大进步，尤其是Willow量子芯片的卓越性能。

它究竟对硬件的要求有多高？Xiao Mi做了一个强烈的对比：

六年前，谷歌搞了第一个成功击败经典计算的实验（即“量子优势”实验，那时候叫做“随机线路采样”），要求很低，从量子计算机里得到的数据，只要有0.1%是正确的就算成功。

而今天这个“量子回声”实验，要求极高，你只能犯0.1%的错误，也就是说，从硬件收集到的绝大部分量子数据都必须是正确的。

从“允许99.9%的错误”到“要求99.9%的正确”，这简直是天壤之别。Xiao Mi明确表示：“如果没有过去几年芯片精度的提升，这根本不可能做到。”

除了极高的保真度（低错误率），芯片的速度也很重要。“Willow速度非常快，可以在微秒量级的时间内运行量子算法，在几秒钟内完成数百万次测量。”Xiao Mi说，这让团队可以像训练AI一样，反复试验，从海量的结果中优化算法参数，逐步找到最佳方案。他透露，为了优化这个算法，团队总共进行了将近一万亿次的测量。

走向实用：一把能看得更远的“分子尺子”

说了半天理论，这东西到底能干嘛？谷歌量子AI团队首席运营官Charina Chou将话题引向了此次发布的核心——量子芯片在真实世界里的应用。

团队选择的第一个应用场景，是帮我们更好地使用“核磁共振（NMR）”技术。你可能不了解NMR，它是已经存在了大约80年、催生了无数诺贝尔奖的强大分析工具，在药物研发和材料科学中至今仍扮演着核心角色，功能是帮助科学家理解分子的结构。比如，医院里的核磁共振（MRI）检查就是基于它。

Charina Chou说，NMR中的“量子回声”在这里扮演的角色，就像一把“分子尺子”，而且这是一把能量得更远的尺子。她说，现有的NMR技术虽然厉害，但在测量分子里相距较远的两个原子时，就有点力不从心了。而“量子回声”正好能解决这个问题。

为了证明这一点，谷歌和加州大学伯克利分校Pines Lab磁共振中心等机构的专家们做了个实验：

第一步，把两种真实的分子放进一台NMR机器里。

第二步，用Willow量子芯片来模拟和分析NMR机器产生的复杂信号。

结果发现，他们不仅验证了已知的分子信息，还发现了一些以前看不到的、关于分子内部的新信息。

Charina 总结说，望远镜和显微镜让我们看到了前所未见的世界，而“量子回声”就像一个“量子镜”（quantum-scope），能帮我们揭示从前无法观察到的微观结构和分子结构。

量子计算之路无法单打独斗

在量子计算这么复杂的领域，单打独斗是行不通的。Charina 特别强调了谷歌的开放合作态度。

她明确指出，NMR应用之所以可能实现，得益于与加州大学伯克利分校、达特茅斯学院、Google DeepMind、Q-Simulate公司等多个合作伙伴的协作。她说，“谷歌虽然在量子计算方面很强，但我们不是所有领域的专家，这是一个全球性的努力，没有哪个公司或国家能单凭自己搞定量子计算机和它所有的应用。”

为了践行开放合作理念，谷歌采取多管齐下的策略：

首先是开源。把自己的软件、代码和论文都公开，让全世界的研究者都能用，谷歌甚至在Coursera等平台上开设关于量子纠错的课程，以促进整个社区的发展。

其次是广泛合作。谷歌量子AI与来自各个机构、学术界和政府的超过100个组织建立了合作关系。

最后是共享硬件。通过一个名为“量子硬件驻留计划”（Quantum Hardware Residency Program）项目，谷歌甚至为特定的研究人员提供直接访问Willow芯片进行实验的权限，以激发更多来自外部的创新。

当被问及如何看待竞争时，Charina 坦言，就像经典计算机一样，最好的应用创新往往来自更广阔的世界，与其把技术藏着掖着，不如开放出来，让大家一起来探索它的无限可能，这也是谷歌期待看到的。

通往终极目标：5年之约和百万量子比特

在问答环节，一个备受关注的问题是，通往真正实用的量子计算机，还需要哪些突破？

奈文重申了团队的乐观预测：“五年内，我们就能看到只有量子计算机才可能实现的真实世界应用。”而量子回声的成功，无疑增强了这种乐观情绪。不过奈文也指出，“量子回声”算法是在现有的NISQ芯片上实现的，这些芯片的量子比特数量尚不足以进行完全的算法级纠错。

那么，未来需要什么？奈文描绘了终极目标——一个终极版的容错量子计算机，也就是去年谷歌透露的“谷歌量子计算路线图”中的第6个里程碑。奈文描绘了这台机器的样子：要解锁更多应用，需要一台拥有约100万个“物理量子比特”的机器，其错误率至少为10的负9次方（意味着量子计算机在进行1,000,000,000次运算或操作时，平均只会出一次错），通过复杂的纠错技术，组合成大约1000个超级稳定、几乎不出错的“逻辑量子比特”。

谷歌量子计算路线图

简单打个比方，物理量子比特就像一群有点粗心、容易犯错的工人。而逻辑量子比特，就是把一群粗心的工人组织起来，让他们互相检查工作，从而组成一个极其可靠的施工队。所以，你需要很多“工人”（100万），才能凑出足够多的高水平“施工队”（1000个）。要达到这个目标，既要增加工人的数量，也要提高每个工人的技术水平（降低错误率）。这再次印证了谷歌一直以来强调的“质量与数量并重”的路线。

关于功耗问题，Charina给出了当前的数据：“目前的量子计算机耗电量跟一个服务器机柜差不多。” 奈文估算，未来百万量子比特的巨型机，可能需要一个小型发电站来供电。这或许暗示了未来大规模量子计算中心可能面临的能源挑战。

最后当被问及“在量子计算时代，谷歌的服务会是什么样子”时，奈文认为，量子计算将以特定的方式增强现有服务，比如为Gemini这样的基模提供更好的训练集。他重申了量子计算作为“数据生成器”对于AI的价值，这一协同进化正在发生。