大明朝史：大明朝到底是强还是弱？看这些数据就知道应不应该骄傲
提起大明王朝，脑海里总是浮现出一些模糊不清的画面，纠缠着历史的烟尘和后人的争议。
究竟它是一段辉煌的篇章，还是一场盛极而衰的悲歌？一直以来，关于明朝的评价就如同隔着一层迷雾，难以捉摸。
很多资料带着浓重的个人色彩，甚至掺杂着敌对势力的恶意抹黑。
编纂《明史》的过程更是漫长而曲折，几百年时间，不同的笔墨交织，留下了诸多定论，也制造了许多误解。
更要强调的是，朱元璋建立的并非简单的明朝，而是大明朝，这个大字，蕴含着深层的含义，代表着一种雄心勃勃的野心和开天辟地的抱负，绝非可以轻描淡写。
今天，就让我们抛开那些纷繁的言论，从一些冰冷的数据入手，去探寻那个真实的大明王朝，看看它究竟有何底蕴，值得我们骄傲吗？
在大明王朝最鼎盛时期，人口总数达到了惊人的1亿之多。
或许在当下，这个数字在14亿人口的中国似乎并不显眼，但请你试着回溯历史，想象一下当时的世界格局。
那是15世纪，全球人口总数仅有5亿左右，而大明王朝就占据了全球总人口的五分之一！这样的比例，足以让任何国家都望尘莫及。
难道真的有人会轻视一个占据世界人口五分之一的国家吗？或许，很多人并没有对这个庞大的数字有直观的感受。
明朝时期，年产铁矿石高达九千多吨。
要知道，当时的古希腊，连一个能够推动文明进步的希罗都尚未出现，更遑论蒸汽机之类的先进设备。
工业革命更是遥不可及的未来。
即使是冶炼技术，也显得原始而笨拙。
然而，大明王朝却能以惊人的产量维持如此高的铁矿石年产，这一记录长达两百多年未被超越。
与其用繁荣昌盛来形容，不如说科技昌明，百花齐放更贴切，也更能展现出那个时代的活力。
虽然具体的数据难以考证，但当时大明的丝绸享誉全球，是无数人追捧的奢侈品。
然而，由于后世对明朝的种种负面评价，很多人对明朝的皇帝嗤之以鼻，尤其是嘉靖皇帝，负面传闻更是层出不穷，甚至有上朝不思政事、被宫女勒死的说法。
那些轻易相信这些不实传闻的人，恐怕对历史的了解仅限于道听途说。
我们常说，亲眼所见也未必是真相，更何况那些被扭曲的文字记录？去追寻真相，远比沉溺于流言蜚语更有意义。
郑和下西洋的宝船，船长高达151米，船宽达60米，当今中国第一艘航母001A，长度300米，宽度70米。
对比这两个数字，不禁让人陷入沉思：经历了六百多年的时间，中国造船技术是进步了，还是退步了呢？或许，在满清统治的岁月里，曾经辉煌的造船技术，被有意无意地埋没，甚至被彻底摧毁了。
这是一个令人叹为观止的数据：尽管明朝时期天灾不断，但其年粮食产量却一直位居世界第一。
不必纠结于具体的数字，试问一下：能够养活1亿人口的粮食产量，又岂会是微乎其微？这数据本身，便是一记响亮的耳光，狠狠地抽打着那些恶意扭曲明朝历史的人。
通过这些数据，我们看到了一个不同于以往印象的大明王朝：人口众多、技术发达、贸易繁荣。
它并非弱不禁风的纸糊公鸡，而是一个拥有雄厚国力、源源不断活力的强大帝国。
作为炎黄子孙，当我们回顾这段历史，看到这些令人骄傲的数据时，我们应该如何看待大明王朝呢？
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
港中深教授创业做量子AI，用量子计算增强大模型推理
近年来，随着人工智能技术快速发展，量子计算与 AI 的结合也受到越来越多关注。长期以来，量子计算被寄予厚望，希望借助不同于传统计算机的计算方式，在材料模拟、组合优化等领域解决一些复杂问题。
如今，大模型的发展又为这一领域带来了新的研究方向。
一方面，研究人员尝试利用 AI 改进量子计算的控制和算法设计；另一方面，也有人开始探索，量子计算能否反过来提升 AI 系统的能力。
其中一个受到关注的方向，是大模型的复杂推理。
随着推理模型不断发展，AI 已经能够处理越来越复杂的数学、编程和科学问题，但在需要连续完成大量步骤的任务中，模型仍可能因为中途的判断错误而影响最终结果。
如何提高长程推理的可靠性，仍是当前大模型研究面临的挑战之一。
香港中文大学（深圳）教授赵俊华，正在尝试从量子计算中寻找新的解决思路。
赵俊华长期从事人工智能与电力系统研究。
电网运行涉及大量复杂的决策：调度人员需要根据不断变化的用电需求、发电情况和设备状态，决定电力如何分配、线路如何调整，既要保障供电安全，也要兼顾运行效率和成本。
面对数量众多的变量和约束，寻找合适的运行方案并不容易。
早在十多年前，赵俊华就开始关注量子计算，希望借助新的计算方式，提高这类复杂优化问题的求解效率。
不过，受限于当时的硬件条件和技术成熟度，这些探索距离实际应用还有很长的距离。
近几年，随着大模型逐渐进入电力行业，他和团队又遇到了新的挑战。
大模型能够理解调度需求、分析运行情况，甚至生成操作建议，但当任务涉及多个连续决策步骤时，如何保证推理过程可靠、最终方案满足专业约束，仍然需要进一步解决。
与此同时，专用量子计算设备的发展，也让他重新看到了两种技术结合的可能性。
他开始思考，能否将大模型推理中的部分路径选择转化为组合优化问题，交给量子设备求解，从而改善模型的推理表现？ 基于这一思路，赵俊华与团队提出了 QART（Quantum-Augmented Reasoning Transformer，量子增强推理 Transformer）架构，将大语言模型与量子优化模块结合起来。
大模型继续承担任务理解和内容生成，量子模块则参与部分优化问题的求解，再将结果用于模型后续的推理。
根据团队披露的早期测试结果，这种方法在部分任务上改善了模型表现，且无需重新预训练基础模型。
不过，收益随模型和任务而变化，接入量子计算也会增加成本。
它究竟能否在真实业务中带来足够的价值，还需要进一步验证。
随着研究逐步推进，赵俊华也开始将目光投向技术的实际应用。
他与团队共同推进量子 AI 初创公司 QuantumMind 的研发与商业化，担任首席科学家，希望在电力、金融等行业中寻找适合量子增强推理的应用场景。
从十多年前探索量子计算在电网优化中的应用，到如今尝试让量子计算参与大模型推理，赵俊华始终在寻找新计算技术与现实问题之间的结合点。
近日，Deep Tech 与赵俊华进行了对话，聊了聊他这些年的研究经历，以及量子计算与 AI 的结合，究竟走到了哪一步。
以下是 DeepTech 与赵俊华的对话。
两条研究线索在大模型上汇合 DeepTech：你本科读计算机，后来研究电力系统，现在又开始探索量子 AI。
这几段经历是怎样联系起来的？ 赵俊华：我博士阶段就开始把机器学习用于电力系统。
因为有计算机的教育背景，我一直希望用新的计算方法解决电力工程中的实际问题。
我关注量子计算也很早。
当时还专门去过南加州大学、Google 和 D-Wave 联合创立的量子计算研究中心，希望探索合作，看看能不能把这项技术用于电力系统。
但接触之后发现，技术还比较初步，距离工程应用很远。
此后我一直关注这个领域，希望新的计算硬件能逐步找到适合的行业应用。
后来，玻色量子与我们接触，我们开始探讨光量子计算在电力行业的用途。
与此同时，团队也在研究大模型如何帮助电力系统作出更可靠的决策。
这两项工作逐渐联系起来，我们就想，能不能把量子计算与大模型结合，处理一些现有 AI 难以高效解决的问题？ DeepTech：从高校研究走向创业公司，研发的关注点会发生什么变化？为什么选择现在创办 QuantumMind？ 赵俊华：选择现在创业，是因为我们看到，行业需求、技术积累和早期验证正在汇合。
过去几年，我们在电力和金融领域做了持续探索，参与了广东电网“明月”调度智能体等项目，也和一些头部金融机构开展了合作。
这些经历让我们对业务流程和客户实际在意的点有了更具体的认识。
大模型要真正进入复杂业务，客户最关心的往往不是模型本身有多强，而是分析结论是否可靠、给出的方案能否满足各类约束，以及在有限时间内能不能把复杂任务做对。
其次，量子计算与大模型结合的研究，也已经有了可以进一步往前推的技术基础。
我们提出的 QART 架构，已在实际设备和多项基准任务上完成早期测试，观察到了推理表现的改善。
不同任务的收益仍需继续验证，但现有结果至少说明，可以把研究推进到具体产品和客户实际任务的检验阶段了。
所以现在觉得，是时候把前面积累的这些东西组织起来，建立起持续研发和产品交付的能力。
在高校做研究，让我可以相对从容地探索技术方向；创办公司，则是希望围绕明确的客户需求，把研究原型做成可部署、可评测、也能持续迭代的产品。
我作为首席科学家，主要负责技术研发方向，也会推动量子 AI 在电力领域的应用。
合伙人吴海峰老师是金融领域的专家，主要负责金融方向。
我们希望把各自在行业中的积累，与量子计算和大模型的研究结合起来。
图丨 QART 量子增强推理架构示意图。
（来源：QART 研究论文，arXiv:2609.16887） 先找到量子计算适合参与的环节 DeepTech：谈到量子计算，人们常觉得它距离实用还有很远。
你怎么看目前的进展？ 赵俊华：量子计算距离实用有多远，很难做一个准确的评估。
首先要明确我们说的是哪一类计算能力，以及要解决什么问题。
对于通用量子计算，距离工程应用还有多远，取决于硬件、纠错和应用算法等多方面的进展，但行业内一般认为在短期内还很难大规模落地。
另一类是面向特定任务的专用设备，例如 D-Wave 和玻色量子的相关路线，主要关注组合优化。
它们要处理的问题范围更明确，因此可以从现有系统中的具体子问题入手，在高价值场景中开展验证。
未来两三年能发展到什么程度，还要看设备规模、求解质量和成本。
DeepTech：这是否意味着，探索量子 AI 不必等到通用量子计算成熟？ 赵俊华：是的。
组合优化在计算机算法和人工智能中都有应用空间。
对我们来说，可以先在已有的 AI 系统里，寻找适合专用设备处理的子问题，检验它能带来什么价值。
这仍然取决于两个条件。
一个是硬件能否处理实际问题所需的规模，另一个是成本能否降到行业可以接受的水平。
技术能够运行，与客户愿意采用，是不同阶段的问题。
DeepTech：具体到大模型，哪些计算值得交给量子设备？你提到的几十毫秒求解，指的是哪一段过程？ 赵俊华：我比较关注优化和矩阵运算这两个方向。
大模型训练、推理中有大量矩阵运算，GPU 很擅长处理这类任务；训练过程也涉及优化。
到了推理阶段，如果再加入额外的搜索或优化，就需要考虑计算负担和时间开销。
我们实测过玻色量子的两款设备。
在所测试的组合优化问题上，求解时间大约是几十毫秒。
这个结果让我们觉得，在部分任务中加入优化环节，时间开销是可以接受的。
这里的几十毫秒只指设备求解，完整流程还包括模型计算、问题编码和结果解码等环节。
它不能直接等同于整个大模型任务的耗时。
除了专用设备，通用量子计算也可以通过 QAOA，也就是量子近似优化算法，探索优化问题的求解。
学术界还有量子计算用于矩阵运算的研究。
这些方向都还处于早期，最终要看它们能否在具体任务中改善性能，或者降低整体成本。
DeepTech：你设想的量子计算与 GPU，会怎样分工？它与“量子启发”算法有什么区别？ 赵俊华：起步阶段，用量子计算替代 GPU 不现实。
更可行的方式，是在现有大模型体系里找到适合量子求解的环节，再逐步融合。
未来相当长一段时间，我更看好 CPU、GPU 与量子处理器 QPU 协同工作的混合架构。
量子启发算法借鉴了量子理论中的一些思想，但仍然运行在经典计算机上。
我们关注的则是相应的物理硬件资源，以及它能否带来新的求解能力。
当然，使用量子硬件并不自动意味着获得量子优势，仍然需要与先进的经典算法进行具体比较。
和玻色量子合作，主要考虑它能否与现有 AI 系统结合，以及距离商业应用还有多远。
经过接触和内部测试，我们认为玻色量子的光量子计算机的求解能力距离工程应用已经很接近，也有相对成熟的云服务。
这样，我们可以把精力放在架构和应用上，不必从头研发硬件。
QART 如何参与长程推理 DeepTech：为什么把切入点放在长程推理上？现有方法存在什么问题？ 赵俊华：现有大语言模型通常通过预测下一个 token，也就是词元，逐步生成内容。
对于需要很多步骤的任务，前面某一步出了错，可能影响后面的判断。
推理链条越长，如何避免错误累积就越重要。
现在大家会在模型外围引入搜索、工具和智能体框架，帮助模型找到更好的答案，但搜索也可能消耗很多计算资源。
我们想尝试把推理路径的选择转化为组合优化问题，再引入专用量子设备求解。
如果它能更有效地处理这部分问题，就有机会改善整个推理过程。
DeepTech：能否用一个具体例子，解释 QART 如何工作？ 赵俊华：比如一个需要数百步推导的数学问题。
模型通过预训练可能掌握了相关知识，但怎样把这些知识组织成一条正确的证明路径，仍然是难点。
我们的做法，是从模型的隐层表示和生成的文本中提取语义信息，通过编码，把有关推理路径的选择转化为 QUBO，也就是二次无约束二进制优化问题。
随后交给光量子设备求解，再将结果解码，用于模型后续的推理和输出。
在这个过程中，大模型承担任务理解和内容生成，优化模块帮助寻找更好的推理路径。
我们目前的实验观察到，接入之后，模型找到高质量路径的概率有所提高，但不同任务的效果会有差别。
DeepTech：接入 QART，需要重新训练基础模型吗？量子模块只能放在模型输出之后吗？ 赵俊华：目前研究报告披露的实验，不需要调整模型参数。
我们提取语义信息，经过编码、优化和解码，再输出结果。
团队内部也在尝试后训练，但目前报告里的这些结果不依赖后训练，我们也没有从头做基础模型预训练。
接入的位置可以有不同选择。
可以从隐层提取信息，也可以使用模型输出的文本。
我们还在探索其他技术路径，比如在一个模型中接入多个量子计算层，或者利用量子计算机来实现模型的自我迭代。
长期来看，我希望研究的是量子计算与 GPU 融合的混合架构。
DeepTech：报告提出，在特定条件下，找到正确推理路径的概率存在下界。
这个结论该怎样理解？ 赵俊华：这个结论有前提条件，不能理解成光量子计算机对所有 QUBO 问题都能百分之百找到全局最优解。
具体问题要采用相应的编码方式，还要满足理论推导要求的条件。
实际任务是否符合这些条件，需要逐一分析。
这里的困难也包括，怎样把大模型中的语义和推理信息转成可以求解的问题。
我们从开始研究到完成测试，花了大半年，做了很多试错。
变量怎么编码、优化目标怎么设置、它能不能反映原任务的要求，都会影响最终结果。
DeepTech：目前的测试结果如何？哪些任务的收益比较明显，哪些仍然困难？ 赵俊华：整体结果基本符合我们的预判。
六项基准中的十五组测试，有十四组在接入后表现更好。
不过，提升幅度与基础模型和任务有关，不能认为每个模型、每类任务都能获得同样的收益。
原始表现相对较弱的模型，在部分任务中改善会更明显。
但需要持续接收外部反馈、调整状态和后续动作的任务，仍然比较困难。
我们的初步理解是，如果主要问题是寻找一条较好的长程推理路径，组合优化可能更有帮助；如果任务需要随着环境变化反复调整，仅靠原有的路径优化还不够。
图丨 QART 在部分长程推理基准测试中的性能表现。
（数据来源：QART 研究论文，arXiv:2609.16887） DeepTech：外部用户可以怎样检验这些效果？ 赵俊华：我们做的是商业化技术，目前没有把完整系统开源。
对于感兴趣的客户，可以提供模型 API，让他们用自己的任务来测试。
我们也在电力、金融行业推进产品，希望继续观察技术在哪些任务上有效，哪些场景还不适合。
基准成绩的改善与量子计算相对经典算法的优势，需要分别看。
要进一步判断量子模块的贡献，还需要在相同任务、相近计算预算下，与经典优化方法进行更充分的对照。
DeepTech：接入之后，速度和成本发生了什么变化？ 赵俊华：目前量子求解环节是毫秒级，整个推理过程的大部分时间仍然花在 GPU 上，所以我们的测试没有看到明显的速度劣势。
比较直接的变化是成本增加了。
量子计算现在还不便宜，是否值得采用，要看客户怎样权衡性能和价格。
普通消费者产品通常对成本更敏感；电力、金融等行业中，如果一次错误决策可能造成很大损失，客户就可能愿意为更准确的结果付费。
所以我们现阶段优先考虑的，是对推理表现有明确要求的行业任务。
电网里的 AI 需要怎样的可靠性 DeepTech：你长期研究电力系统。
今天的电网，正在遇到哪些新的决策难题？ 赵俊华：最明显的变化是不确定性增加了。
过去用户负荷就有波动，但发电侧主要依靠火电、燃气、水电等传统电源，相对容易调度。
新能源比例提高后，发电侧的波动也在增加，供需两端都更难预测。
极端天气会进一步放大这种压力。
以广东为例，台风可能在很短时间内破坏大面积电网资产，调度人员需要迅速判断影响、采取措施。
电力市场化又带来更多需要考虑的因素，发电企业和用户的报价也会影响运行方案。
此外，AI 算力中心的用电规模和负荷变化，也可能带来新的不确定性。
系统变化更快、约束更多，留给调度人员作出判断的时间却有限，这让 AI 辅助决策越来越重要。
DeepTech：你参与研发的广东电网 AI 调度员“明月”，具体能帮调度人员做什么？ 赵俊华：“明月”是调度员的 AI 助手，内部由多个智能体协作。
调度人员觉得比较有帮助的一个场景，是台风等极端灾害下的应急处置。
台风经过时，局部停电可能难以避免，关键是尽快调整运行方式，避免局部受损扩大为更大范围的停电。
调度员可能只有五到十分钟来判断，过去主要依赖人工经验，要在很短时间里处理大量复杂信息。
现在，“明月”可以在大约五分钟内生成几套处置建议，调度员结合现场情况和经验选择、执行。
最终决定仍由人来作出。
另一个作用是减少流程性工作。
比如停运一台发电机，操作方案可能涉及几十个步骤，过去需要逐项填写。
智能体可以辅助生成方案，把这类耗时较长的工作压缩到几分钟。
图｜广东电网 AI 调度员“明月”（来源：广东电网） DeepTech：已有电力 AI 应用之后，量子增强能力准备接到哪里？ 赵俊华：我们正在与一家电网公司推进电力市场仿真产品，并探索接入量子增强能力。
电力市场受很多因素影响。
区域供需、电源结构、用户组成、政策和交易规则，都要考虑；煤价、气价等上游能源价格也会影响市场。
过去需要大量人工建模，现在可以用 AI 筛选、分类和整合新闻、政策等信息，再辅助分析市场走势。
我们希望把量子增强推理引入这样的工作流程，看它能否改善复杂信息的分析和判断。
已有电力 AI 系统的业务实践，给了我们开展测试的场景，但量子模块能增加多少价值，还要在具体任务中验证。
DeepTech：在调度和交易这样的高风险业务中，AI 的权限应该到哪里？ 赵俊华：短期内，很难把核心决策完全交给 AI。
在客服问答等风险相对较低的场景，AI 可以承担很多工作。
但电网调度失误可能导致停电，交易决策出错也可能造成很大经济损失。
只要幻觉问题仍然存在，核心环节就需要人工把关。
我们更倾向于人机协同，让 AI 整理信息、提出方案、减少重复工作，由人审核并作出最终决定。
对于电力这样的行业，明确的约束、校验流程和人工控制机制都很重要。
谁会为量子增强推理付费 DeepTech：什么样的客户，愿意承担量子计算带来的额外成本？ 赵俊华：客户最终买的是业务结果。
他们更关心能不能少做错决策、把分析效率提上去、约束校验有没有可查的依据，以及在关键时刻能不能更快拿到能用的结果。
量子计算只是我们实现这些的技术手段之一。
我们已经接触到几家愿意尝试量子 AI 的电力客户，也在与头部金融机构推进大规模情报分析产品。
我们优先关注电力和金融，主要是因为这两个行业里信息复杂、约束严格、决策价值高的任务比较多，而且决策一旦出错代价往往比较大，对准确性和可信度也有比较明确的要求。
针对这些需求，我们把推理增强、行业知识、专业工具和校验流程整合进产品里。
量子优化主要用在适合的推理路径选择或方案优选问题上；分析依据、校验记录和人工审核机制，则一起保证结果的可信和可审计。
选择场景时，我们会看决策失误的后果、业务价值，以及客户的付费意愿。
并非所有应用都适合接入量子计算。
如果性能改善对业务没有足够的意义，新增成本就很难被接受。
DeepTech：QuantumMind 同时在做量子增强推理、行业智能体和模型自我迭代。
这几项工作如何衔接？ 赵俊华：量子增强推理已经有了一些初步结果。
行业智能体方面，我们在电力和金融领域积累了技术，也有落地案例，接下来要进一步做成可以交付的产品。
另一个重点是 Quantum RSI，把量子优化引入模型自我迭代。
大致过程是，先通过评测发现模型的能力短板，生成可能的改进方案，再让量子优化协助选择实验组合，由 GPU 执行训练，最后通过独立评测决定是否采纳。
这条路线还在研发中。
我们希望行业任务提供真实反馈，让模型和系统的改进有更明确的依据。
DeepTech：长期来看，你希望公司向客户提供什么？ 赵俊华：我们希望提供通用模型和完整的 AI 解决方案。
模型要进入业务，还需要数据接入、行业知识、任务流程、规则校验和系统集成。
客户最终使用的是一整套能够完成工作的系统。
我们在电力和金融领域有多年积累，会从这些实际业务出发推进研发。
客户在使用中遇到的问题，也会帮助我们判断下一步应该改进什么。
DeepTech：现阶段，外界对量子 AI 最需要保持清醒的地方是什么？商业化还要跨过哪道门槛？ 赵俊华：如果说通用量子计算与大模型很快就能全面进入工程应用，我认为不现实，硬件还需要继续发展。
像相干伊辛机，也就是 CIM，这类面向组合优化的路线，更接近我们目前要探索的问题，但也不能保证对所有 QUBO 问题都找到全局最优解，要看具体问题和条件。
商业化最大的困难之一还是成本。
企业会考虑单次求解价格、调用方式、系统集成费用，也会看最终改善了多少业务表现。
举个例子，如果未来一次 QUBO 求解的成本能降到一元左右，我认为规模化应用的机会就会更大。
对我们来说，接下来要和客户一起算清楚，这部分新增计算带来的收益，能不能覆盖它的成本。
运营/排版：何晨龙 注：封面/首图由 AI 辅助生成
