被误解的虫洞：从星际隧道到量子引力的探针

你肯定在科幻作品里见过这一幕：飞船一头扎进闪着柔光的时空通道，下一秒就跨越数万光年出现在星系另一端。

虫洞这个概念，早就是超光速星际旅行的标配设定。

但你可能不知道，现实物理学中的虫洞，早已脱离了科幻叙事的框架，完成了彻底的身份重构——它不仅是对广义相对论的极限考验，如今更是物理学家撬开关联量子力学与引力统一的核心工具。

第一道生死关：虫洞能撑住不坍吗？

哪怕我们暂且假设人类未来能精准制备出虫洞必需的负能量物质，虫洞的动态稳定性，依然是能不能让人穿越的核心物理门槛。

现实宇宙里不存在完美静止的理想化结构，你刚捏出一个虫洞，周围的环境粒子流、背景辐射压、自引力涨落，就连穿越物体自身的质量都会带来扰动，对吧？

理论界常用简化的「薄壳虫洞模型」评估稳定性：把支撑虫洞张开的物质全部集中在最狭窄的喉部边界，通过求解扰动运动方程就能看它稳不稳。

结果非常扎心：绝大多数简单参数配置下，虫洞的平衡半径根本不是稳定平衡点——只要一丁点扰动触发，喉部要么快速坍缩成黑洞，要么直接向外膨胀变成完全不同的拓扑结构，根本留不出你想要的通道。

要让虫洞真正稳定，得同时过三个层次的关：第一是几何稳定性，要求喉部在小扰动下还能保持张开；第二是材料稳定性，要求支撑虫洞的奇异物质不发生相变、衰变，量子层面不自发瓦解；第三是因果稳定性，要求演化过程不会蹦出来能回到过去的闭合类时曲线，搞出祖父悖论这种因果灾难。

目前学界大多只研究透了第一层几何稳定性，材料相变和因果自洽性还存在根本性的理论疑问。

更麻烦的是半经典引力计算的结论：量子真空涨落会在喉部附近积累回馈应力，很多模型里这个应力会加速结构坍缩，宏观虫洞想长期稳定存在，从根上面临着严峻挑战。

宏观穿越的物理天堑

就算虫洞能稳住，宏观物体要穿越还有两道躲不开的硬性壁垒，第一道就是潮汐力。

当航天器或者生物体穿过喉部时，时空曲率的梯度会让物体不同位置产生不一样的引力加速度——如果这个潮汐加速度超过了材料屈服强度，或者人体的生理极限，直接就把航天器撕碎、把人体拉成意大利面。

理论推导算得很清楚：要把潮汐力控制在安全阈值内，虫洞喉部半径必须达到天文尺度，而且红移函数的梯度要极低，这反过来又对负能量的总储量和排布精度提出了更苛刻的要求，难度直接指数级上升。

从工程层面说，把普朗克尺度的微观量子涨落放大成能走宏观物体的通道，本来就面临能量组织和材料控制的双重终极难题。

当然，近年实验室模拟确实有值得关注的进展：比如国内吕文扬团队通过「暗物质场锚定」理论模型搭建了虫洞时空模拟系统，在实验室条件下模拟出了能稳定存在10分钟的微型虫洞原型，还研发了动态引力屏蔽装置把潮汐力强度降低了83%，地面模拟穿越的载荷完好率达到97%。

但是，这个成果只是实验室尺度的理论验证和数值模拟进展，既没有在真实引力场环境中得到独立复现，也没有解决宏观负能量聚集、因果稳定性这些核心物理瓶颈，目前仍然属于前沿探索，绝对不能当成成熟的技术结论。

一句话总结：虫洞的微观量子特性和宏观穿越的需求之间，有着无法逾越的尺度鸿沟，极端潮汐力和动态不稳定性，就是横在现实面前的硬性物理壁垒。

要实现安全的宏观虫洞穿越，不仅要突破负能量物质的宏观制备极限，还要解决微扰坍缩抑制、潮汐力屏蔽、因果律保护等一系列系统性难题，以当前的技术体系，这个目标还远在物理现实的边界之外。

认知重构：虫洞根本不是空间隧道，它是量子引力的钥匙

最近二三十年，随着量子引力研究的深入，虫洞的科学定位已经发生了根本性的变化，它早就从科幻里的星际旅行幻想，变成了研究基础物理的核心探针，最关键的突破就是ER=EPR猜想。

这个由马尔达西纳和萨斯坎德在2013年提出的猜想，把爱因斯坦-罗森桥（也就是最初的虫洞，缩写ER）和量子纠缠（EPR，就是爱因斯坦说的「鬼魅般的超距作用」）直接绑定了：虫洞不是传统意义上连接两个空间的隧道，它就是量子纠缠态在时空几何上的宏观具象化——两个纠缠粒子之间的非定域关联，本质上就是二者之间连了一个微观虫洞，虫洞的连通性直接对应量子系统纠缠熵的演化。

这个一下就把虫洞研究拉回了基础物理的核心赛道，把原本不搭边的量子力学和广义相对论架起了桥。

后来全息原理和AdS/CFT对偶更进一步给这个对应关系提供了数学支撑：把高维体时空里的虫洞动力学映射到低维边界的共形场论上，会发现虫洞喉部的Bekenstein-Hawking熵必须和边界理论的纠缠熵严格匹配，如果动态演化导致熵差超过临界阈值，这个量子信息通道就会直接退相干消失。

数值模拟也证实，在特定的耦合常数区间，系统能稳定在不动点，这说明虫洞的几何稳定性，本质上就是由底层量子信息的守恒和重组机制决定的，不是你摆好物质就能搞定的事。

更颠覆的结论来自2026年的最新研究：今年3月和5月发表在《经典与量子引力》的多国联合工作，重新解析了爱因斯坦-罗森桥的数学结构，提出来一个颠覆性的观点：虫洞的本质根本不是连接不同空间的捷径，它是时间反演对称性的几何镜像。

换句话说，虫洞的两头不是两个不同的空间位置，而是同一个量子系统在时间维度上的正向和反向表达：一侧时间单向向前，另一侧时间镜像倒流，二者合起来才是一个完备的量子态描述。

这个重构直接解决了困扰物理学界半个世纪的黑洞信息悖论。

按照霍金原来的理论，黑洞蒸发会让落入黑洞的信息永久消失，违反量子力学的信息守恒定律。

而时间镜像模型告诉我们：信息根本没丢，只是沿着相反的时间方向继续演化了，我们观测到的「信息丢失」，只是因为我们只能感知单向的时间箭头而已。

这个框架不需要引入任何新的物理假设，就同时满足了广义相对论的时空弯曲和量子力学的幺正演化，给黑洞信息悖论提供了一个完全自洽的解。

我们把不同阶段对虫洞的认知梳理一下，就能清楚看到这个认知跃迁有多大：

至于大家最关心的时间旅行，霍金早在几十年前就提出了年代保护猜想：自然规律本身就会通过放大量子真空涨落，摧毁任何试图形成闭合类时曲线的虫洞结构，半经典计算也完全支持这个结论——因果律本身就是自己的保护者，不会允许改变过去的悖论发生。

简单说，现代物理学已经把虫洞从科幻的时空捷径，重构为探索量子引力、信息守恒和时间对称性的核心理论工具，它的研究价值早就远远超过了工程应用的范畴。

怎么找虫洞？我们已经铺好了探测网

现在人类还没有发现宏观虫洞存在的直接证据，但现代天体物理学已经搭建起了多维度的间接检验网络，走的是天文搜寻和实验室模拟双轨并行的路子：

在天文观测这边，主要有三条核心路径：第一是引力透镜，虫洞喉部的特殊几何会改变光线轨迹，产生的微引力透镜光变曲线会有和普通黑洞不一样的特征——比如双侧不对称、亮度凹陷，还有可能出现来自通道另一侧的异常时延，我们现在的多波段巡天已经在搜索这类异常信号。

第二是致密天体阴影成像，事件视界望远镜（EHT）的观测原理告诉我们，如果星系中心的超大质量致密天体是没有视界的虫洞，它的阴影中心不会完全黑暗，会有来自喉部另一侧的辐射透出来，在环厚度、中心亮度和偏振纹理上都会呈现出可区分的特征，随着EHT分辨率的提升，我们未来就能慢慢排除不符合的模型。

第三是引力波探测，双致密天体并合后的振铃阶段，如果背景时空里有虫洞喉部，引力波会在光环轨道和喉部之间发生反射，形成一串延迟的微弱回声信号。

现在LIGO-Virgo-KAGRA联合探测网已经搜索了多起并合事件，虽然因为信号太弱、模型差异大还没有定论，但至少已经证实了虫洞的动态响应是可观测的。

除此之外，脉冲星计时阵列、X射线偏振测量也都加入了观测体系，用来捕捉轨道进动异常、喷流偏转等特征，约束虫洞存在的概率。

在实验室这边，人们也做了两类验证：第一类是负能量量子效应的精密测量，基于卡西米尔效应的纳米力测量早就证实了改变边界条件能产生局域负能量，现在超导量子干涉装置（SQUID）阵列已经能在低温下探测到10^-34 J量级的能量涨落，给半经典引力模型提供了实验基础。

第二类是几何等效模拟，通过变换介质理论，研究者已经能用铁磁超导材料做出「磁场虫洞」，让磁力线在外部不可见的通道里传播；也能用光学超材料做出和虫洞光学度规等效的结构，重现光线偏折、时延、聚焦这些特征。

当然，这些都是验证数学结构，不是真实的引力虫洞，这点要分清楚。

当前各类检验路径的进展和局限，可以整理得很清楚：

现在学界已经形成了共识：单一异常信号不足以确立虫洞存在，必须用多信使交叉验证，综合所有数据做贝叶斯证据比评估才能下结论。

虽然还没有拿到决定性证据，但观测精度的提升和模拟技术的迭代，已经把虫洞从纯数学的脑洞，推到了可证伪的物理假说范畴。

写在最后：理性边界与科学探索的航标

总结下来就是：虫洞太空旅行在广义相对论的数学框架里确实有一丝可能性，但受限于负能量宏观聚集、动态不稳定性、潮汐力阈值和因果律约束，它在可预见的未来都仍然是高度前沿的理论探索，绝对不是可工程化的星际交通方案。

现在科学界早就清晰划清了科幻叙事和物理实证的界限：虫洞不是给人类用的超光速传送门，它是检验能量条件破缺、量子引力统一路径、时空拓扑演化的核心理论探针。

从1935年爱因斯坦和罗森提出爱因斯坦-罗森桥，到ER=EPR猜想把虫洞和量子纠缠绑定，再到时间反演模型破解黑洞信息悖论，虫洞研究一路推着人类不断拓展对时空本质、量子真空结构和宇宙因果律的认知边界。

哪怕最后我们证明自然界根本不存在宏观可通行的虫洞，围绕虫洞展开的所有数学推导、半经典计算和观测检验，早就已经深刻反哺了强场引力理论、暗能量模型和量子信息科学的发展，这就已经足够有价值了。

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

中国科学家为量子互联网研制100通道单光子探测器

研究人员对超导纳米线单光子探测器（SNSPD）进行了全面重新设计，并使用一种名为高密度多芯微带线的特殊柔性材料取代同轴电缆。

中国科学院上海微系统与信息技术研究所（SIMIT）的研究人员研制出一款100通道单光子探测器，为中国发展宽带量子网络打开了大门。

用这款探测器测试的原型网络显示出超过90%的通信保真度。

随着量子计算和传感技术的进步，很快将需要量子信息网络。

尽管人们正在为这种网络测试不同方案，但一种与现有光纤网络非常相似的方案很可能因其易于过渡而被采用。

单光子探测器（SPD）是此类网络的关键组件，因为它们有助于测量光子（即单个光粒子），而光子可用于存储量子信息。

SPD可帮助部署用于量子数据传输的光纤或空间链路，同时还能通过将量子态转移到光子来帮助实现量子纠缠或量子隐形传态。

使用SPD的挑战 为了让量子技术演进和规模化，我们还需要开发容量更高的SPD。

目前，用于量子研究的SPD主要有两种。

超导纳米线单光子探测器（SNSPD）是高端光电器件，探测精度极高，但运行需要超低温。

另一方面，单光子雪崩二极管（SPAD）可在室温下工作，但精度不高。

因此，SNSPD更受青睐。

然而，SNSPD的超低温要求带来了其他挑战。

为了读出信号，SNSPD要连接到保持在室温的仪器上。

这是通过相对较粗且由导热金属制成的同轴电缆实现的。

这些电缆使室温热量进入SNSPD工作的低温腔；这被称为热负载。

随着SNSPD内探测通道数量增加，读出信号所需电缆数量也增加，进而增加热负载。

对此的变通方案一直是将探测器数量限制在32个，这是单光子探测器领域的标准。

100通道SPD 为克服这一点，SIMIT的研究人员对SNSPD进行了全面重新设计，用称为高密度多芯微带线的特殊柔性材料取代同轴电缆。

这些线不仅超薄，而且隔热，因此传回低温腔的热量极少。

据SIMIT团队称，进入系统的热量是传统电缆的二十一分之一。

这使他们能够为SPD增加更多独立通道，同时保持长期稳定性，且不会显著增大SPD尺寸。

为测试其设计，研究人员让SPD连续七天全天候运行，低温腔温度仍保持在2.1K以下，非常接近0K（-273.15摄氏度）的绝对零度。

研究人员在一篇论文中指出，测试期间，各通道探测效率达到80%，同时误报率极低。

为了更贴近真实场景进行比较，团队构建了一个包含5个用户、10条双向量子链路的量子纠缠分发网络。

论文补充说，每个用户使用SPD新开发的通道接收光子，通信保真度（即量子信息的保持程度）超过90%。

研究成果发表在《激光与光子学评论》期刊上。

如果朋友们喜欢，敬请关注“知新了了”！