Google量子计算团队最新对话：量子计算已经被验证了

过去十年，Google一直在量子计算领域押下重注。自2019 年Sycamore 芯片首次实现“量子霸权”以来，Google Quantum AI团队不断刷新行业认知，从随机电路采样到误差纠正门槛，再到最新的Willow芯片与 “Quantum Echoes” 算法。

这些成果意味着，量子计算正从实验室“炫技”阶段走向真实世界的应用：从分子建模到材料研发，甚至可能重塑能源、药物、AI 训练等关键领域。Google Quantum AI 的使命始终如一：让量子计算真正解决人类无法靠传统计算机完成的问题。

在最新一期《Nature》封面论文发表之后，Google高级副总裁 James Manyika与Google Quantum AI创始人 Hartmut Neven 展开了一场极具知识密度的对话：

他们讨论了量子计算的使命、最新算法 Quantum Echoes（量子回声） 背后的科学逻辑、与伯克利大学的实验合作，以及 AI 与量子计算之间日益紧密的共生关系。

如果说人工智能正在改写“思考”的边界，那么量子计算，正在改写“计算”本身。

本次对话发生于 Google Quantum AI 团队最新成果刊登在《Nature》封面 之后。两位嘉宾围绕量子计算的使命、算法创新、与人工智能的关系、以及量子技术的社会意义展开深入探讨。

以下为完整实录。

James Manyika：Quantum AI 团队最近取得了非常出色的成果。除了我们的同事 Michelle Devaray 与前同事 John Martinez 获得的重要奖项外，我们昨天也发布了一项重磅成果，希望大家都有所关注。

在进入主题之前，我想先回顾一下过去六个月的进展。去年十二月，我们宣布了Willow芯片的成果。外界最关注的是随机电路采样（Random Circuit Sampling）的基准测试结果：这款芯片在不到五分钟内完成的运算，相当于全球最快的超级计算机需要一百秭年（10²⁸年）才能完成。但更重要的，其实是低于阈值的错误校正，这是量子计算领域长久以来的关键目标。

那么在进入细节之前，Hartmut，你能先谈谈 Quantum AI 的使命吗？

Hartmut Neven：我们的使命自创立以来从未改变，非常简单：打造能够解决传统计算机无法处理问题的量子计算机。

James Manyika：那目前为止的进展如何？

Hartmut Neven：我们在 2020 年发布了计划，详细说明了如何实现这一使命。它包括两条主线：

硬件方向：通过不断迭代，构建更高性能、更稳定的量子芯片；

软件方向：开发更多具备现实意义的量子算法。

James Manyika：那么说到昨天的成果，它登上了《Nature》的封面。你能解释一下那篇论文的核心算法——Quantum Echoes（量子回声） 吗？为什么它如此重要？

论文链接：https://www.nature.com/articles/s41586-025-09526-6

Hartmut Neven：当然。为了联系之前的研究，在 2019 年，我们展示了量子计算的“超算优势”：某些计算能在量子处理器上几分钟内完成，而经典计算机需要几十亿年。

起初，一些人质疑我们的结果，认为我们没用上最优的经典算法。但去年 12 月的实验彻底打消了这一疑虑。唯一残留的批评是：我们的实验仅是一个人为设定的基准测试，缺乏现实应用。

而这一次，我们通过Quantum Echoes算法，首次实现了在真实场景中可验证的量子算法，成功回应了这一质疑。

James Manyika：你提到了“可验证”这个词，它意味着什么？

Hartmut Neven：可验证（Verifiable）指的是：该算法的结果可以被另一台性能相当的量子计算机验证，也可以通过真实实验验证预测是否正确。换句话说，它能生成关于自然界量子系统的预测，并通过实验结果直接验证。这是量子算法领域的一个历史性突破。

James Manyika：这个算法还涉及两个重要概念：信号噪声比 与 Hamiltonian Learning（哈密顿学习）。能否通俗解释一下？

Hartmut Neven：我常用一个小故事来说明。我有一个 15 岁的儿子，喜欢物理和哲学。我们经常在夜晚泡按摩池时讨论这些问题。

当主泳池的水面平静时，我可以敲击水面，产生同心圆波纹。通过观察波的振幅、波长和传播距离，我们可以推测出水的性质：如果是水、油或蜂蜜，波形都会不同。

这就像量子算法：我们通过“观察波”来推测系统的性质。但波会衰减，传播太远就测不到信号。Quantum Echoes的精妙之处在于，它能反射这些波，形成“回声”，让波重新聚焦，从而既保持信号强度，又捕获丰富信息。

James Manyika：这也就是“量子回声（Quantum Echoes）”名称的由来吧？

Hartmut Neven：没错。通过这种“回声”机制，我们能在不丢失信息的前提下分析系统结构。这正是 Hamiltonian Learning 的基础，哈密顿量（Hamiltonian）描述了系统的能量与演化规律，如果你知道它，就能预测系统的行为。我们的算法就是用来学习分子结构的哈密顿量。

James Manyika：你们还与加州大学伯克利分校合作进行实验，对吧？

Hartmut Neven：是的。我们在第二篇论文中介绍了与加州大学伯克利分校的合作。我们将Quantum Echoes算法应用于学习分子结构。

其中一个分子是 二苯基（Diphenyl），拥有 28 个原子与 15 个自旋。我们结合核磁共振（NMR）数据，使用该算法成功推算出其二面角（dihedral angle），这是此前化学界尚未确定的结构参数。

James Manyika：这听起来很令人振奋。那你们的算法相比传统方法有多大提升？

Hartmut Neven：在一些概念验证问题上，我们的算法比顶级超级计算机快13,000倍。尽管当前分子仍相对较小，但这已经充分展示了算法的潜力。

James Manyika：展望未来，Quantum Echoes算法能带来哪些潜在应用？

Hartmut Neven：这只是一个开始。Quantum Echoes属于我们称之为 “费曼杀手级应用（Feynman’s Killer App）” 的算法家族。

费曼早就指出：无论经典计算机多强，都无法准确模拟量子系统。量子模拟的应用非常广泛，比如：

能源生产：用于模拟核聚变反应过程；

能源传输：研发高温超导体，实现无损输电；

能源存储：优化电池分子结构，开发适用于飞机的轻量安全电池。

这些都是量子计算能够真正创造经济与社会价值的方向。

James Manyika：我记得现在已经有 70 多种算法被认为具备“量子优势”，对吗？

Hartmut Neven：是的。网上有一个叫Quantum Algorithm Zoo的数据库，收录了所有具备量子优势的算法。目前大约有 70 种。Quantum Echoes 属于其中的“量子模拟”家族。

James Manyika：那我们聊聊 Quantum 与 AI 的关系吧。Quantum AI这个名字本身就代表两者的结合。量子计算如何助力 AI？反过来，AI 又如何帮助量子研究？

Hartmut Neven：我们之所以叫 Quantum AI，是因为二者密不可分。我在研究量子之前，其实一直在做计算机视觉和人工智能。

AI在经典计算机上仍受限于算力，而具备量子资源的 AI 能处理更复杂的问题。举个例子：AI 需要大量训练数据。蛋白质折叠数据库（Protein Data Bank）花了 50 年才积累完备，而量子计算可以在极短时间内生成高价值训练数据，大幅提升 AI 的学习效率。

反过来，AI 也在帮助我们改进量子芯片设计与算法优化。例如：我们用 AlphaEvolve 优化量子电路设计；与 DeepMind 合作，用 Transformer 神经网络 改进量子纠错过程。

James Manyika：展望未来，一到两年内，Quantum AI 的下一个里程碑是什么？

Hartmut Neven：我们的目标是构建一台拥有百万物理量子比特、可稳定运行一千逻辑量子比特的量子计算机。

目前，我们已完成前两个阶段，正接近第三阶段：实现一个能够运行百万步算法的高保真逻辑量子比特。这将是我们通向“有用的量子计算机”的关键节点。

James Manyika：非常期待。谢谢你，Hartmut，也感谢 Quantum AI 团队带来的突破性工作。