恐龙统治地球1.6亿年，为什么没有恐龙文明？

一只霸王龙站在城市路口，抬头看红绿灯，这画面只能出现在电影里。

可把问题往回推，就有点让人不舒服了：恐龙在地球上繁盛了上亿年，为什么连一盏真正属于它们的灯都没留下？多出来的一亿多年，恐龙究竟用来干什么了？

我们习惯把时间看成进度条：活得越久，技术应该越高。

照这个算法，恐龙早该修铁路、造电脑，甚至提前离开地球。

但地层里留下的是牙齿、骨架、脚印，没有一座被确认的恐龙工厂。

问题可能不在它们发展得慢，而在我们给演化安排了一个它从来没有承诺过的终点。

先把两个数字摆正。

“恐龙统治1.6亿年”是常见的粗略说法，从最早的恐龙到6600万年前非鸟恐龙灭绝，跨度在一亿多年。

“人类200万年”通常在谈早期人属，不等于现代人已经活了200万年。

智人的历史大约30万年。

这里更容易漏掉的，是恐龙根本不是同一批选手跑了一亿多年。

三叠纪、侏罗纪、白垩纪换过无数物种，环境和大陆位置也一直在变。

剑龙和霸王龙隔着很长的年代，不能给它们算成一个公司连续经营的工龄。

把镜头放到真实的森林里：一只恐龙今天能找到食物，避开敌人，留下后代，就已经交出了有效的成绩单。

它不需要知道恒星为什么发光，也不需要想到一千万年后的灾难。

自然选择面对的是眼前环境里的繁殖差异，不会提前发通知，说几千万年后有小行星，你们最好现在开始发展航天。

我们觉得大型恐龙没有文明，像是少了一项功能。

对当年的许多物种来说，庞大的身体、合适的牙齿和稳定的取食办法，却足以让它们长期生存。

能活下来就有机会繁殖，至于有没有写字，并不是每一种生存方式都需要回答的问题。

那是不是恐龙太笨？这个答案听着痛快，证据却没那么整齐。

恐龙种类太多，不能拿一副小脑袋骨架替全体下结论。

化石可以帮助研究脑腔和感官，却不能让我们直接测试一只已灭绝动物能解几道题。

用脑袋大小给它们排智商，再换算成文明等级，跳过了太多未知。

还有一个现成的反例，就在你家窗外。

鸟类是今天仍然活着的恐龙后裔，在分类上属于恐龙。

有些乌鸦能够制作和使用工具，研究也观察到它们为取食规划步骤。

一只鸟叼着小棍去够食物，足以让“恐龙全是笨蛋”的说法站不住。

但会用工具，距离建立工业社会依然隔着很多环节。

你在厨房拿起一把刀，背后不只需要一只灵活的手。

刀刃怎样加工，钢材从哪里来，谁采矿，谁运输，谁教下一代，这些东西连成一条很长的链。

人类技术的力量，往往不在某个人突然特别聪明，而在许多人能接住别人留下的办法，继续修改，把单个人学不完的知识存下来。

设想一个孩子独自长大，没有人教语言，也看不到任何工具样本。

即使拥有现代人的身体，他也不可能顺手做出手机。

文明离不开交流、合作和长期积累。

恐龙可以有复杂行为，也可能存在我们无法复原的学习方式，但目前没有证据显示非鸟恐龙建立了与人类相当的累积技术体系。

身体构造也会影响道路怎么走。

精细操作、稳定取物和加工材料，对某些技术很有帮助；但不能把“没有人手”直接等同于“永远不可能聪明”。

乌鸦用喙操作工具就是提醒。

更稳妥的理解是，认知、操作能力、社会关系和环境条件要配合起来，单补上一项，就宣布文明必然出现，过于简单。

最有意思的反差，是人类自己也等了很久。

智人出现后，并没有第二天就造出蒸汽机。

农业、城市、文字到近代工业，分别经历了很长的积累，工业社会真正铺开更是近几百年的事。

把现代生活当成人类出生时就带着的标准配置，会把这条曲折的历史压扁成一句“我们天生会造机器”。

恐龙遇到的小行星，确实截断了许多演化支线。

6600万年前的撞击引发全球环境剧变，非鸟恐龙灭绝，鸟类一支延续了下来。

但这不能反过来证明，只要再给霸王龙几百万年，它就一定会造飞船。

灾难夺走的是继续演化的可能性，不是一份已经排定日期的恐龙登月计划。

于是有人提出更刺激的疑问：会不会它们造过，只是城市全烂掉了？这个问题可以认真讨论。

几千万年足够让建筑坍塌、地表被埋、岩石改变，普通遗迹并不保证永久保存。

但“东西会消失”和“东西曾经存在”是两件事，前一句提供调查难度，不能自动替后一句提供证据。

2018年，有研究者用“志留纪假说”讨论过类似问题：一个很古老的工业文明，可能在地质记录里留下什么？这是检验我们能否识别痕迹的思想实验，没有宣布发现远古工厂，更没有认定恐龙掌握技术。

名字听起来像科幻，研究真正关心的是怎样提出可检查的线索，而不是编一段已经发生的历史。

大规模工业活动不只留下楼房，也可能改变沉积物的化学组成、碳循环和某些物质分布。

寻找异常层，是比寻找一只生锈螺丝更有希望的思路。

不过自然事件同样能造成显著变化，异常也得排除其他解释。

想清这点，我们反而该把目光移回人类。

地球存在几十亿年，复杂生态系统里出现过无数成功的生命形式，却没有证据表明它们都必然朝技术文明前进。

如果智慧文明是演化的固定终点，漫长地史理应更频繁地留下这一类结果。

我们看到的记录至少提醒人，时间很长，不能单独保证某种结局。

这也关系到寻找外星人。

有生命的行星，不等于一定有动物；有复杂动物，不等于一定出现能发无线电的社会。

甚至有聪明个体，也不保证形成长期积累的技术网络。

恐龙的故事帮我们拆开了这些看似连在一起的台阶：宇宙里一片绿意盎然的世界，可能始终没有一座城市。

所以，为什么没有恐龙文明？目前能说清的是，我们没有发现这样的文明证据，而演化并不负责把每个长寿类群送向工业化。

把所有恐龙归为笨蛋，把灭绝当成唯一原因，或者说它们曾经繁荣只因痕迹丢了，都比证据跑得更快。

下次在博物馆看见巨大的骨架，可以试着换一个问题：如果你在那个时代，凭什么断定未来一定属于会造电脑的动物？当时的优势可能是一口好牙、一双快腿，或者能吃别人吃不了的叶子。

恐龙没有错过一场规定必须参加的文明考试。

真正意外的，是地球后来长出了我们这群会给前任出考题的人。

地球局|面对反对党强势反扑，内塔尼亚胡这回还能连任吗

按照《以色列时报》网站的说法，这是以色列近40年来首次按计划、而非提前举行的议会选举。

以色列议会总共有120个议席，以总理内塔尼亚胡领导的、以利库德集团为主导的多党执政联盟，将遭遇以色列正直党领导人、以军前总参谋长埃森科特，以及两位前总理贝内特和拉皮德组建的联合政党“团结”的挑战。

为了支持内塔尼亚胡连任，美国总统特朗普18日在社交媒体上发表致以色列民众的公开信力挺内塔尼亚胡。

这是9月24日以色列总理内塔尼亚胡参加第81届联合国大会一般性辩论发言时的照片。

（新华社） 政党政治碎片化 以色列现任政府成立于2022年底，当时贝内特与拉皮德领导的联合政府垮台，以色列于当年11月举行大选——2019年4月以来的第五次议会选举，已经下野的内塔尼亚胡迎来东山再起的时刻。

在四年前的那场大选中，以利库德集团为首的右翼阵营赢得64个议席，作为利库德集团领导人的内塔尼亚胡获得以总统赫尔佐格授权组建新政府。

在那之前，被称为“政坛不倒翁”的内塔尼亚胡分别在1996年6月至1999年7月、2009年3月至2021年6月两度担任总理，是以色列历史上执政时间最长的政府首脑。

2022年12月21日，组阁最后期限来临时，内塔尼亚胡宣布成功组建由利库德集团、宗教政党沙斯党和极右翼政党宗教犹太复国主义者党等6个党派组成的新政府，并于同年12月29日宣誓就职。

由于极右翼政党加入，这届政府也被称为以色列历史上“最右的政府”。

以色列建国以来从未出现过单一政党单独组阁的情况，历史上长期由右翼政党利库德集团和左翼政党工党轮番执政。

但近年来以色列政坛中小党派林立，政党政治日益碎片化，工党在大选中的表现日渐低迷，就连利库德集团的选情也不复从前，导致近些年来每次大选后要么组阁失败，要么组建的联合政府内讧不断，无法长期稳定施政。

此前，以色列曾在2021年至2022年史无前例地组建起横跨所有政治光谱的8党大联合政府，左、中、右翼政治力量和阿拉伯政党因反内塔尼亚胡走到一起，但这一目标实现后，还是难逃“短命”结局。

2023年以来，内塔尼亚胡先是因强行推动司法改革而在国内引发大规模抗议浪潮，被逼到悬崖边的他被迫暂缓相关进程。

接着，以色列在2023年10月初遭巴勒斯坦伊斯兰抵抗运动（哈马斯）突袭，新一轮巴以冲突由此爆发并延宕至今。

以军在加沙地带的军事行动造成大规模人道主义危机，并将战火外溢到黎巴嫩、叙利亚等地，国际社会对以色列的观感也从同情转为批评和孤立。

2025年，以色列对伊朗发动“先发制人”空袭，引发以伊之间持续12天的互袭。

今年2月底，以色列又联合美国对伊朗发动军事打击，战事持续至今仍未彻底了结。

前不久，有媒体爆料内塔尼亚胡近期多次与美国总统特朗普通话，寻求重启对伊朗的大规模军事行动，以期在以色列议会选举和11月初美国中期选举前提振各自政党的选情。

不断开辟新战线的内塔尼亚胡，因此被指借“战时总理”来维系执政地位、躲避司法审判。

特朗普与内塔尼亚胡 （资料片） 特朗普公开力挺 这次议会选举是2023年新一轮巴以冲突爆发以来以色列的首次选举，被视为对内塔尼亚胡领导的极右翼政府的一次检验。

近期民调显示，选举将再现胶着选情，内塔尼亚胡阵营与反对派阵营均无法控制议会过半数席位。

刚过完77岁生日的内塔尼亚胡，可能会以看守总理身份留任，而后以色列将再次举行议会选举。

内塔尼亚胡在一段竞选宣传片中称，他和特朗普联手“摧垮了伊朗”。

他还许诺，如果连任成功，将和特朗普一起“在两年甚至更短时间内清除伊朗威胁”。

10月18日，特朗普也在社交媒体上发文，公开为内塔尼亚胡背书，称其为“伟大的战士总理”。

特朗普在帖文中盛赞内塔尼亚胡，称尽管遭遇“巨大反对”“比比（内塔尼亚胡的昵称）不但挺过来了，而且更强大、勇敢和出色”。

特朗普说，他“完全且彻底支持”内塔尼亚胡连任以色列总理。

他和内塔尼亚胡当天均提到完成在伊朗的“工作”，称如果以色列选错人，“美国将不得不独自承担（对付伊朗）这项工作，而我不倾向于这样做”。

内塔尼亚胡则在社交媒体发文表示感谢，高度评价两人之间的紧密合作，并呼吁以色列选民聆听特朗普的声音。

对此，以色列正直党领导人、以军前总参谋长埃森科特表示，他钦佩特朗普，“但以色列领导人只能由以色列人选”。

现年66岁的埃森科特在今年6月底正式启动竞选活动，承诺将成为“有凝聚力”的领导人，“成为所有以色列公民的总理”。

当时，正直党的支持率直逼利库德集团。

以色列正直党领导人、以军前总参谋长埃森科特 （新华社） 埃森科特曾不点名地指责“一些人”在以色列制造分裂、“推进与国家利益相悖的行动”，批评内塔尼亚胡政府“撒谎”、不接受问责。

他还承诺成立一个国家调查委员会，调查2023年10月哈马斯对以色列发动的突袭事件。

埃森科特在以军服役40年，作为高级指挥官参加过2006年与黎巴嫩真主党的大规模军事冲突，2015年至2019年担任以军总参谋长。

他2022年当选议员，2023年9月创建正直党，随后加入新一轮巴以冲突爆发后以色列成立的战时内阁，但仅任职8个月就辞职，原因是与内塔尼亚胡就加沙地带军事行动存在分歧。

据《以色列时报》报道，埃森科特的小儿子2023年12月在加沙阵亡，一个侄子和一个外甥也在加沙作战时阵亡。

报道称，这提高了埃森科特在以色列的知名度，并使民众相信他不会无谓地让以军士兵送死。

不过，埃森科特支持以色列在加沙、黎巴嫩和伊朗等地的军事行动，且态度强硬。

反对党能否翻盘 今年4月26日，以色列前总理、右翼政客贝内特与另一名前总理、中间派的“拥有未来”党领导人拉皮德正式宣布各自领导的政党合并，组建名为“团结”的联合政党，寻求在议会选举中击败内塔尼亚胡阵营。

贝内特说，新政党将由他领导，致力于赢得大选，开启国家新阶段。

尽管他和拉皮德在诸多议题上存在分歧，但可以“为了以色列人民的利益并肩作战”，并强调这一联合向全国传递信号：“分裂的时代已经结束、纠偏的时代已经到来。

” 贝内特承诺，若赢得大选，将由专业人士组成新政府，就任当天会成立一个国家调查委员会，查明哈马斯突袭以色列事件的真相，并推动包括限制总理任期、停止对逃避兵役者提供资金等政策。

拉皮德表示，以色列需要改变方向，组建联合政党是迈向这一目标的第一步。

他呼吁以色列中间派政治势力在大选中支持贝内特。

他还说，新政府将在安全、教育、降低生活成本和反腐等方面推进改革，同时推动犹太教极端正统派群体履行兵役。

以色列两位前总理贝内特（左）和拉皮德 （新华社） 当时，贝内特呼吁埃森科特一起联手。

《以色列时报》报道称，埃森科特将贝内特和拉皮德成为“盟友”，对“团结”党成立表示祝贺，同时暗示这一新政党很难从亲内塔尼亚胡的右翼阵营中争取到选票。

《以色列时报》曾援引消息人士的话报道称，埃森科特可能也会加入贝内特和拉皮德组建的竞选阵营。

报道称，埃森科特一直主张与贝内特、拉皮德三方联合参选，若他加入将在新阵营中发挥重要作用。

不过，埃森科特暗示，正直党与其他党派结盟，必须由他担任领导人。

贝内特和拉皮德再度联手，被认为是以色列政坛的又一次震动，有助于反对党阵营合力备战大选。

此前，内塔尼亚胡长达12年的第二次执政终结，正是这两人在2021年大选中联手实现的。

彼时，贝内特自2021年6月起担任总理，至2022年6月底卸任，转而由拉皮德担任总理，但那届大联合政府在当年底下台。

以色列第12频道电视台9月上旬发布的民调显示，埃森科特领导的正直党将获得25个议席，成为议会最大党；内塔尼亚胡领导的利库德集团将获21席。

这项民调预计，正直党所在的反内塔尼亚胡阵营将获得57席，利库德集团及其执政伙伴所在的内塔尼亚胡阵营合计将获得52席。

阿拉伯裔以色列人主导的两个政党“联合名单”党和联合阿拉伯党合计将获得11席。

该电视台10月12日发布的民调显示，预计反对内塔尼亚胡的政党合计能赢得67个议席，而内塔尼亚胡阵营有望获得49席；在“谁更适合当总理”的调查中，埃森科特的支持率为45%，内而塔尼亚胡为35%。

（部分资料来源：新华社）

港中深教授创业做量子AI，用量子计算增强大模型推理

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