解码基金行业“科技进化论”

新华社北京5月21日电 《中国证券报》21日刊发文章《毫秒级响应背后：解码基金行业的“科技进化论”》。

文章称，在2026年的今天，投资者打开相关App看到基金净值的每日变化，背后早已不是某一位基金经理的“单打独斗”，而是一场系统化重金投入、“毫秒”必争的科技博弈。

从交易系统实现毫秒级响应，到AI让策略回测、数据处理和风险识别的效率呈现指数级提升，再到网络安全系统利用大模型实时识别钓鱼邮件和异常行为……新一代信息科技正进入基金行业的核心业务链条，为行业高质量发展提供坚实保障。

“十四五”以来，围绕数字化转型、网络安全、AI应用和标准建设，基金行业的科技治理体系日益完善。

基金行业的科技进化从“单点探索”走向“体系化建设”，AI在基金行业的渗透已从“辅助工具”走向“核心基础设施”。

围绕科技如何改变基金行业这一话题，中国证券报记者近日采访了多家行业机构，了解不同资源禀赋的基金管理人是如何借助科技力量实现更高质量的财富管理。

（资料图片。

新华社发）

AI正在融入全链条基金工作

近年来，AI技术从“数据驱动”向“自主智能”逐步跨越，从机器学习、深度学习、大语言模型向智能体（Agent）演进，并进一步向通用智能（AGI）迈进。

对基金行业来说，AI已不再是可选工具，而是成为打造核心竞争力的关键抓手。

尤其从2023年以来，随着大语言模型、智能体等AI新技术迅猛发展，AI正逐步融入公私募基金的日常工作流程，并逐渐成为投研、风控、运营乃至营销体系中的基础设施。

在实践层面，国泰基金的新一代基金组合管理平台，将过去“小时级”的组合管理工作量，压缩到“分钟级”。

华夏基金的“飞翼固收一体化智能平台”，可以系统支持公司的万亿级固收资产组合管理，单人现券交易量达100笔/天以上，交易执行差错率近乎零。

银华基金基于大模型的新一代实时数据平台，让组合管理系统的数据服务效率得到大幅度提升。

以固收为例，过去，固收投研和交易领域普遍存在业务繁琐、流程割裂、信息孤岛等问题。

华夏基金通过打造集合智能投资、智能研究、智能交易的一体化平台“飞翼”，解决了固收场外业务系统性不强、流程割裂的问题，显著提升投资决策与交易执行的效率与准确性。

目前，“飞翼”平台可支持毫秒级单策略回测、秒级万组并发策略测试。

银华基金则以“AI+数据”双驱动为核心，推动数据从“依附应用”向“自主赋能”转变。

目前，公司已接入七十多类业务，包括行情、交易、估值、申赎等数据，日均接入事件数十万个，接口平均响应时间达毫秒级。

在基金公司AI应用中，自主算力和技术路线发挥了重要作用。

例如，国泰基金采用华为Atlas服务器、昇腾NPU、MindSpore框架等自主技术路线，率先构建了自主化智能应用平台。

AI技术还逐步嵌入量化投资的核心流程，包括数据处理、因子挖掘、模型组合等。

部分机构已在利用AI智能体快速复现研报因子、自动挖掘因子集合。

一些头部主观公、私募机构也在搭建AI投研决策平台，借助AI的量化建模能力，对海量基本面数据进行量化筛选与趋势预测。

此外，一些业界领先的私募股权基金管理人也在积极尝试使用AI重构市场挖掘、主题研发、组合构建、尽职调查、产业赋能、经验复用及人才配置等流程。

除了投研之外，AI也正在改变基金行业传统“广撒网”的营销模式。

部分机构开始通过AI分析客户行为、交易历史、风险偏好及内容互动情况，构建更加动态、精细的客户画像，实现个性化内容推送与精准分群营销。

在客户陪伴方面，AI同样展现出较强潜力。

部分基金公司综合运用智能客服机器人、智能助手和智能工单系统，对客户问题进行精准解析与意图识别。

不过，业内人士表示，在涉及客户资产、投资建议、核心营销推介等关键领域，尚无法完全依赖AI自动化开展，需要人工确保合规性与专业性。

当前，我国基金行业规模位列世界第二，截至2025年末，证监会监管的基金管理规模达81.58万亿元，庞大的行业体量与多元的发展需求，为AI新技术规模化落地应用提供了广阔场景。

业内人士认为，推动我国基金行业积极拥抱AI技术，规范应用AI技术，既是缩小与国际成熟市场差距的关键举措，也有助于提升我国在国际资管格局中的技术话语权与规则影响力，在全球金融竞争中形成差异化优势。

科技巩固网络安全防线

在AI时代，网络安全的重要性进一步凸显。

多位公募基金人士对中国证券报记者表示，当前，网络攻击手段不断演变、日趋复杂，呈现出“智能化”趋势。

很多攻击内容，会模仿真实业务语言和办公场景来“钓鱼”，这迫使基金公司的安全体系持续升级。

在邮件系统上，以鹏华基金为例，公司建设了信创智能化邮件安全系统，作为外网邮件入站的核心防护关口。

其重点防御的，已经不只是传统垃圾邮件，还有层出不穷、具有明显“逃逸特征”的新型钓鱼邮件。

该系统采用邮件信誉服务、IP连接控制、垃圾邮件智能分析引擎、垃圾邮件比对数据库等技术，以阻断新型钓鱼邮件入侵与欺诈、横向移动及长期潜伏等高危行为。

该系统还会对邮件中的网址链接进行“沙箱模拟”，动态检测网页内容，实时识别恶意内容。

目前，系统针对钓鱼邮件、勒索邮件、垃圾邮件等核心威胁的识别率已提升至99.2%以上；在威胁处置响应速度上，从人工处理平均耗时30分钟，缩短至最快秒级自动拦截。

在办公终端方面，天弘基金当前管理超过2000台终端设备，支撑多种远程办公与跨域协同需求。

公司通过构建“多平台终端协同防护”的终端一体化安全架构，打通终端安全管理全链路。

该项目实施后，终端资产信息准确率提升至99%，违规入网终端占比下降80%，累计阻断远程异常访问千余次，勒索病毒零感染。

基金业为AI应用立标杆

当越来越多基金公司开始接入大模型、部署AI系统时，一个新的问题随之出现：基金行业究竟应该如何安全、规范地使用AI？

今年4月3日，中国证券投资基金业协会发布《基金经营机构大模型技术应用规范》。

这是基金行业首个针对大模型技术应用的专项团体标准，同时也是资本市场首个大模型技术应用团体标准。

“应用规范的出台，不仅有助于为行业提供统一的技术标准，也为行业机构应用大模型提供了清晰的路线图。

”易方达基金首席信息官刘硕凌在接受中国证券报记者采访时表示，基金行业涉及大量敏感数据，且金融场景对数据准确性要求极高，应用规范明确了应用大模型的技术要求，为机构提供了安全合规指引。

据介绍，应用规范提出了“六层技术应用框架”——基础设施层、数据管理层、模型服务层、应用技术层、安全管理层、场景应用层。

其中，一个重要特点是“安全前置”。

应用规范提出“入模数据”筛选机制、“用户—数据—模型”三维权限管控、模型供应链安全等要求。

在场景落地方面，应用规范系统梳理了投资研究、合规风控、市场营销、客户服务、运营管理、效率办公、研发编程七大核心场景，针对每个场景都给出了具体应用方向。

业内人士认为，这意味着基金行业的大模型应用，开始从“自由探索”进入“规范落地”阶段。

规则引领“密织”科技治理体系

事实上，“十四五”以来，中基协围绕基金行业科技发展，已逐渐形成一套覆盖规则、标准、人才与生态的科技治理体系。

2021年12月，《中国证券投资基金业协会团体标准管理办法（试行）》发布，为团体标准研制明确了顶层依据。

以此为纲，中基协陆续推动4项团体标准落地，覆盖数字化能力、大模型应用等关键领域，实现了标准工作从无到有的跨越，为行业建设提供了统一标尺，开启了“规范护航，标准引领”的行业科技高质量发展阶段。

2023年6月，中基协发布《基金管理公司网络和信息安全三年提升计划（2023-2025）》，以“6体系1落实7保障”思路及33项量化指标为行业划定安全底线。

随着中期、总结评估的有序开展，各机构积极对标自查、补齐短板，行业网络信息安全投入持续加大、专业技术人员配置稳步扩充，整体网络安全防护水平持续提升。

2024年9月，中基协以“数字化+业务”为核心理念，发布《公募基金管理公司数字化能力成熟度指引》，构建5个等级和8个能力的数字化评估标准，通过定向评估与结果反馈，助力机构精准识别短板，进而形成了“标准发布、推广应用、实施评估”的闭环工作机制，在提升整体数字化能力的同时，更好地赋能基金核心业务环节。

人才是行业发展的核心引擎。

中基协打造“综合+专项”多元化科技人才培养体系，通过设立首席信息官综合培训及标准化、网络安全、数字化转型等专项课程，持续为基金科技人才“充电蓄能”，将前沿理论知识输送给超千名科技高管及专项人才，学员满意度高达97%，收获了各机构“很及时、有意义、有深度”的高度评价。

同时，中基协正在全力构建良好的科技生态，同时积极发挥桥梁纽带作用，持续畅通行业与监管间的沟通渠道。

此外，中基协建立不正当竞争投诉举报机制，为行业科技健康发展保驾护航。

可以看到，基金行业的科技发展，正在从“单点应用”逐渐走向“体系化建设”。

而这场没有终点的金融科技“隐形竞赛”，最终都将指向同一个目标——为投资者提供更好的投资回报与服务体验。

（完）

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

全球神奇反转，原因找到了

来源：华尔街情报圈 今天的全球市场反弹，可以分成四个阶段：韩国率先出现抄底买盘、港股表现出相对强势、A股午后修复、全球资产的恐慌性抛售有所缓解。

全球市场出现神奇反转： 亚洲股市出现转机，韩国KOSPI指数收复了此前高达4.1%的跌幅，最终基本持平，SK海力士等芯片制造商股价抹去了早盘的跌幅，上涨4%。

香港恒生指数也上涨逾1%。

与此同时，黄金收复今日早些时候大部分跌幅。

今天可能是“韩国拯救世界”的剧本。

第一，市场反转并非消息面推动，整个亚洲时段交易终端新闻资讯非常清淡，几乎没什么重要消息弹出。

第二，这轮反弹更像是韩国股市所带动的。

一方面，韩国科技股在过去两周集中抛售后，部分投资者可能已经获利了结空头头寸，而寻找低点买入的资金开始进场。

当新增卖盘减弱，空头回补与抄底资金同时出现，就可能造成今天这种急剧反弹。

另一方面，越来越多的资金看到韩国KOSPI指数（今年科技股涨势代表的指数）估值低的一面，其未来12个月预期市盈率已降至仅4.2倍（似乎有些跌过头了）。

从时间点看，韩国股市北京时间08:10左右率先出现恐慌性下跌，然后展开回升。

约13:45，韩国KOSPI盘中进一步转涨，全球市场的气氛在此之后变好。

韩国市场是今天亚洲科技股情绪修复的一个重要风向标，特别是SK海力士从盘中跌超4%到转涨，与港股等市场的反弹形成相互强化。

第三，美债收益率下跌，也缓解了股市面临的部分压力。

10年期美债收益率跌破5%，市场下调了对美联储后续加息的预期。

不过，还不能说全球市场的风险已经解除。

两个细节值得留意：油价并没有回撤，美股期货今日的反弹力度也不大。

虽然发生了风险情绪修复，却并没有形成所有市场同步上涨的局面。

如果说韩国今天拯救了什么，那首先是亚洲市场对AI科技股的信心，并不是全球市场面临的所有风险。

今晚美股的收盘，将给这一轮反弹定性。