【深圳特区报】深圳成为脑科学技术创新重要策源地

10月5日，瑞典卡罗琳医学院将2026年诺贝尔生理学或医学奖授予卡尔·戴塞罗思、彼得·黑格曼和格奥尔格·内格尔，以表彰他们“在光门控离子通道和光遗传学领域的发现”。

鲜为人知的是，这项摘得诺奖的前沿技术，与深圳有着一段延续近18年的深厚渊源。

从诺奖实验室到深圳，一座城市的“追光”之路

2005年，王立平博士进入卡尔·戴塞罗思教授实验室开展博士后研究，参与了光遗传技术的早期研究和技术体系建设。

此后，他将这一新技术带到深圳，并通过开放共享让技术从一间实验室走向全国。

深圳也从一项前沿脑科学技术的早期“拓荒地”，逐步成长为脑科学技术创新、开放共享与协同研究的重要策源地。

据了解，光遗传学是用光来精准控制特定神经细胞活动的技术，核心思路是给神经元装上“光控开关”。

光遗传学让科学家能够以前所未有的时间精度和细胞特异性，直接检验特定神经细胞与行为之间的因果关系，被诺贝尔奖官方评价为“奠定了神经科学新时代的基础”。

在这项技术发展的早期，来自中国的科研人员已经参与其中。

结束博士后训练后，王立平加盟中国科学院深圳先进技术研究院，将这一当时尚处在国际前沿探索阶段的新技术带到深圳，并带领团队开展系统性的技术研发和应用。

经过持续探索，团队在国内较早建成体系完备的光遗传学研发、应用与技术辐射平台，并建立起与光遗传调控适配的脑机接口、在体神经电生理记录、神经环路示踪与高通量行为解析等技术体系，实现在活体动物中精准操控特定神经元亚型，解析神经元活动特征与行为表型之间的因果关联。

以光遗传学为核心手段，王立平带领团队系统解析了调控恐惧、摄食、睡眠等本能行为的“趋利避害本能生存神经环路”特征；突破既往“大脑中心论”范式，建立起中枢‑外周器官信号双向对话、协同维持机体生存稳态的神经环路功能研究框架，阐释了外周多器官并非单纯本能行为下游的被动效应器，而是能够主动参与情绪与本能行为调控的重要信号源。

从深圳铺向全国，成为国内神经科学研究重要基础工具

一项真正具有生命力的前沿技术，不仅要能够“做出来”，更重要的是让更多科研人员“用起来”。

开放共享并不是光遗传技术在深圳发展的附加环节，而是从一开始就被纳入技术建设的重要组成部分。

王立平团队没有把技术壁垒留在自己的实验室，而是主动将已经建立起来的技术体系、实验经验和平台能力向全国同行开放。

2012年，第一届全国光遗传技术培训班在深圳举办。

此后十余年间，培训持续开展，通过理论课程、实验操作、技术交流和应用示范，把病毒载体、光敏蛋白表达、光刺激、在体电生理和神经环路解析等一整套关键技术系统地传递给国内科研人员。

培训并非简单地“教会一次实验”，更强调后续技术咨询、平台支持和科研合作，让参加培训的科研人员能够真正把技术带回自己的实验室、建立自己的研究体系。

截至2025年，全国光遗传技术培训班已连续举办14届，直接培训科研人员约3000人，学员来自全国300余家科研机构，覆盖全国97%的省级行政单位。

一批批科研人员来到深圳学习技术，再将技术、方法和开放合作的理念带回各自所在的高校、医院和科研院所，由此形成了一张从深圳出发、不断向全国延伸的光遗传技术传播网络。

除集中培训外，团队还持续通过技术平台向外部科研团队提供技术服务和科研合作。

从“自己掌握一项技术”，到“帮助更多人掌握这项技术”，技术共享所形成的放大效应，成为深圳光遗传发展历程中一个鲜明特点。

这种开放共享理念并没有止步于一项技术，而是不断向更高水平的公共科研平台延伸。

依托深圳先进院脑认知与脑疾病研究所，团队持续建设光遗传与脑机接口融合技术平台，在此基础上，由王立平研究员牵头推进建设的深圳市脑解析与脑模拟重大科技基础设施，又将这种共享模式从实验室推向重大科技基础设施层面。

脑设施建设了面向不同物种和不同尺度的脑科学研究技术体系，并将光遗传调控与高通量神经记录、神经影像、脑功能解析、多模态神经调控等技术进一步融合。

其定位本身就延续了这种开放基因，正在持续为高校、科研院所、医院和企业提供开放共享的科研资源与技术支撑。

从早期建立光遗传实验平台，到连续14届全国培训班；从向全国科研团队开放技术服务，到建设面向全国乃至全球开放的脑科学重大科技基础设施，近18年来，从诺奖实验室到深圳实验室，从一项技术到一张覆盖全国的传播网络，光遗传学在深圳完成了从“引进”到“辐射”全国的完整跨越。

（深圳特区报记者 闻坤）

我国主力运载火箭命名为“长征”，背后有何意蕴？

中国航天科技集团一院供图 长征一号运载火箭矗立在发射塔架。

中国航天科技集团一院供图 长征六号甲运载火箭点火发射。

中国航天科技集团商业火箭有限公司供图 长征十二号乙运载火箭首飞升空。

中国航天科技集团商业火箭有限公司供图 习近平总书记在纪念中国工农红军长征胜利90周年大会上指出：“新征程是充满光荣和梦想的远征，是党和人民的新长征。

抚今追昔、展望未来，我们要大力弘扬伟大长征精神，同心协力走好新的长征路。

” 航天精神与伟大的长征精神一脉相承，在中国航天“长征路”上，航天人呕心沥血、薪火相传，走过“雪山”“草地”，攻克“娄山关”“腊子口”，冲破封锁线，实现航天事业从无到有、从弱到强的跨越式发展。

今年是中国工农红军长征胜利90周年，也是中国航天事业创建70周年。

太空探索是一场永无止境的接力赛，我们采访了老中青三代航天人，讲述他们“长征路”上的光荣梦想和责任担当，激励大家走好新时代太空探索新长征。

——编 者 中国工程院院士、中国航天科技集团有限公司运载火箭专家龙乐豪—— “航天长征永远在路上” “我这一辈子就干了航天这一件事，把火箭送上天是我这辈子最大的心愿。

”中国工程院院士、中国航天科技集团有限公司运载火箭专家龙乐豪说。

这位航天事业泰斗、原中国运载火箭系列总设计师，见证了长征系列运载火箭从1箭1星到1箭多星、从一次使用到重复使用的重大跨越。

如今他仍活跃在航天科普一线，支持青少年逐梦星辰大海。

我国主力运载火箭命名为“长征”，背后有着深刻意蕴和特殊承载。

据龙乐豪回忆，上世纪60年代，团队研制长征一号运载火箭时，钱学森有感于毛主席诗句“红军不怕远征难，万水千山只等闲”中表现的红军为实现革命目标，克服万难最终取得胜利的伟大精神，提议将火箭命名为“长征”，寓意航天人也必将像红军长征一样，突破一切技术封锁和艰难险阻，实现航天报国的目标。

“在我看来，伟大长征精神的内涵包括坚定信念、不怕牺牲、攻坚克难、一往无前等重要方面，航天人一直以来的奋斗底色和伟大长征精神是完全一致的。

”龙乐豪说，研制“两弹一星”时，国家工业基础相对薄弱，老一辈航天人靠的就是这种不服输、不怕苦的劲头；后来攻关载人航天、探月工程等国家重大工程任务，航天人一路啃下了无数硬骨头，本质上都是伟大长征精神在航天领域的传承。

龙乐豪讲述了自己“一夜白头”的经历。

那是1996年2月15日，长征三号乙运载火箭首次发射时。

火箭起飞后仅22秒便撞上了山，首飞失利。

那一刻，全世界的目光都投来，龙乐豪压力之大，难以想象。

“那时候想得更多的，不是懊悔，而是怎么赶快从跌倒的地方爬起来。

”龙乐豪和团队很快弄清楚原因，并提出了242项改进措施。

551天后，长征三号乙运载火箭第二次发射，成功把卫星送入预定轨道。

“平静下来以后，我也确实流过泪。

但流泪没有用，你得用行动证明自己，把火箭打造得更可靠。

挫折是通往成功的桥梁。

”龙乐豪说。

今天的中国长征系列运载火箭，发射次数屡创新高。

近两年，平均每年都要发射50次以上，从长征一号首飞以来已经累计实施670多次发射。

火箭运载能力不断提升，为航天事业高质量发展打下了坚实基础。

面向未来，龙乐豪有很多期许。

“航天长征永远在路上。

要坚定不移走自主创新的道路，在重复使用火箭、重型运载火箭等关键技术上实现突破，让长征火箭的运力、可靠性、成本优势都达到世界领先水平。

”龙乐豪说，瞄准中国人登月等宏伟目标，只要坚定信念，实干担当，在太空探索新长征路上，航天人一定能走得更稳更远。

“长征一号”运载火箭总体设计员韩厚健—— “中国人是靠着自己的智慧和双手，把我们自己的卫星送上太空的” 1970年4月24日，我国第一枚长征运载火箭“长征一号”成功发射了“东方红一号”人造地球卫星，举世瞩目，让中国成为世界上第五个能够独立自主发射人造卫星的国家。

“长征一号”运载火箭总体设计员韩厚健当时就在总体组工作，亲历了这一历史时刻。

“长征一号”运载火箭的箭体写着几句话“下定决心，不怕牺牲，排除万难，去争取胜利”。

在韩厚健看来，“长征”这个名字，代表着航天人要发扬长征精神，克服前路上所有的困难，直到赶上和超过世界先进水平、登上顶峰。

56年过去，韩厚健依然清晰地记得“长征一号”首飞那天火箭腾空的壮观场景。

1970年4月24日凌晨3点，韩厚健和加注分队队友一起，前往发射场。

直到13点许，加注才结束。

当天发射场天气并不好，气象团队同事个个手持仪表，在发射场跑来跑去。

问他们何时天气能好转？他们都愁眉不展，不作答。

韩厚健和火箭团队只好先返回阵地休息。

18点30分，韩厚健和团队又回到发射场。

突然，一名队友找到韩厚健，手里拿着一个直径仅8毫米的弹簧垫圈，是从离地面数十米高的第二级火箭上掉下来的。

这引起了大家的高度重视，“查不清楚，现场工作暂停！”韩厚健和队友跑步进场，立刻上箭检查。

当时全火箭百余个火工品都已装好，火箭处在待发状态，电梯停用，他俩只能从工作梯一步一步地爬到离地面数十米的二级火箭。

四周寂静无声，韩厚健的心怦怦地跳。

但他边爬边想：这种直径8毫米的弹簧垫片，只有11个气瓶装置使用。

对，就开舱盖检查！结果发现，所有弹簧垫圈都完好无缺。

由此可断定：捡到的弹簧垫圈是个多余物。

韩厚健立即报告给指挥员，整个团队都放心了，继续开展准备工作。

天色渐渐暗下来。

终于，要发射了。

“一分钟准备”的口令下达后，韩厚健几乎屏住了呼吸，紧张得连眼都不敢眨。

21点35分，“长征一号”火箭准时点火，红光一闪，就带着震耳的巨响直冲夜空。

现场所有人鼓着掌，目送它远去，等着入轨的消息。

10分钟过后，21点45分，终于从几千公里外的观测站传来了报告声：“箭星分离！”“入轨！”听到这声音，韩厚健和队友们都高兴地跳了起来，“东方红一号”卫星终于从东方升起来了！ 在发射成功第二天的庆祝稿里，韩厚健动情地写道：“苍天可以作证，我们中国人是靠着自己的智慧和双手，把我们自己的卫星送上太空的。

” 韩厚健在多个公开场合展示过一张珍贵的“长征一号”运载火箭手绘示意图，上面有几行醒目的大字是毛主席的话：“我们正在做我们的前人从来没有做过的极其光荣伟大的事业。

我们的目的一定要达到。

我们的目的一定能够达到。

”韩厚健坚定地说：“下一站，中国航天一定能够抵达。

” 长征六号系列运载火箭设计团队代表汪灏—— “没有创新，就没有竞争力，就会被淘汰” “北斗专列”长三甲系列运载火箭将北斗组网卫星送入太空；“胖五”长五系列运载火箭助力探测器飞向深空；“货运专列”长七系列运载火箭托举天舟货运飞船运送“太空快递”……长征家族各型号定位清晰、分工明确，能满足高、中、低轨道不同有效载荷发射需求。

汪灏所在团队倾力守护的，是长征六号系列运载火箭。

2015年9月20日，长征六号运载火箭首飞成功，为我国新一代“长征”火箭发射拉开了序幕。

“新一代‘长征’火箭，是伴随航天科技进步、发射需求改变而诞生的。

这要求运载火箭运力更大、成本更低、可靠性更高、适应性更强，并采用清洁推进剂等。

”汪灏说。

新要求带来新挑战。

长征六号运载火箭是我国第一枚新一代无毒无污染低温液体火箭，曾创下一箭20星的亚洲纪录，也是我国液体运载火箭首次采用“三平”测发模式，极大简化了发射设施。

“目前，火热的商业火箭发射任务，大都借用长征六号火箭的‘三平’测发模式。

”汪灏介绍。

研制期间，团队遇到的挑战和困难不计其数。

汪灏举例，为适应新一代运载火箭高带宽、智能化的数据应用需求，团队在国内火箭中首次应用1553B总线通信技术。

攻关阶段，总线可靠传输难题一度成为研制瓶颈。

项目团队反复开展试验迭代优化，攻坚克难，最终成功破解该项技术难题。

反复比较技术方案、优化起飞信号处理、试验新材料新工艺……他和团队坚信，要闯过这段“长征路”，唯有一关一关地闯，一山一山地翻。

在汪灏所在的长六团队心中，长征火箭的创新永无尽头，“没有创新，就没有竞争力，就会被淘汰。

” 在长征六号火箭02批上，汪灏作为团队骨干力量，参与验证了单十表光纤惯组、自主瞄准、自主配电、取消火箭的垂直度调整等多项新技术； 围绕长征六号甲，团队突破了固液捆绑火箭高精度动力学建模术、固体发动机分段对接、液氧加注后无人值守等多项关键核心技术； 面对激烈的竞争，团队于2020年初启动的长征六号丙运载火箭研制，短短3年内完成了全部的研制工作，使用全数字仿真替代全箭气动吹风试验和模态试验，极大提高了研制效率。

这些“望远”“攀高”背后，支撑团队的，始终是那句“成功无捷径，创新有方法”。

经过50余年发展，长征系列运载火箭已形成涵盖10余型火箭的完整谱系。

长征系列运载火箭实现了从常温推进剂到低温绿色环保推进剂、从串联式到捆绑式、从一箭一星到一箭多星、从发射卫星到发射飞船、从国内运用走向国际合作的发展进步。

“如今，新一代载人运载火箭、重型运载火箭的研制正在稳步推进，朝着可重复使用、大运载能力、智能化的方向发展。

我相信，在全体航天人的努力下，更强劲、更安全、更聪明的长征系列运载火箭将飞得更远、更稳、更准。

”汪灏说。

长征十二号乙运载火箭青年科研人员赵俊淇—— “从来没有一劳永逸的成功，只有永不停歇地攀登” 今年6月1日，长征十二号乙运载火箭首飞，成功将千帆星座第十批组网卫星精准送入预定轨道，我国又一型新一代大运力、低成本商业火箭正式入列。

难以想象，这型火箭从无到有，留给科研团队的研制周期仅有21个月。

赵俊淇是团队里的年轻人，回想起这段令人热血沸腾的经历，不禁感慨道：“我们完成了一项听起来不可能完成的任务。

” 当时，工程立项后，公司迅速组织各领域设计师，所有人坐在一起进行“头脑风暴”。

“一旦有拿不准、吃不透的疑问，团队就马上策划试验进行验证，各专业人才优势互补，实现高效协同。

”赵俊淇说，那段时间，感觉自己被“掰”成了好几瓣，每个人都会时不时瞄一眼墙上的首飞倒计时牌，再把心里的弦绷得更紧一点。

面对多机并联、大直径共底贮箱等全新技术难题，赵俊淇和队友历经无数试验，反复迭代，精益求精，为了探索商业航天模式新路径，团队迎难而上，坚持自主创新不动摇。

2025年冬天，长十二乙合练箭试验队进驻酒泉发射场，连续驻守2个月，圆满完成合练箭静态点火任务。

2026年大年初六，首飞试验队再次挺进戈壁，赵俊淇和队友一道出征。

经过近4个月连续奋战，最终保障长十二乙首飞箭成功发射。

两度进驻、累计驻守6个月，大家用接力坚守迎来了长十二乙的首飞时刻。

冬天，酒泉发射场室外最低温度能达到零下25摄氏度，团队开展箭地连接工作，一干就是几个小时。

夏天，戈壁滩上的最高气温接近40摄氏度。

100多个日夜，陪着长十二乙，赵俊淇感觉自己也一起成长了。

红军长征胜利依靠全军上下同心、军民同心；火箭工程涉及上百个单位、成千上万人员协同配合。

“一项重大任务不是靠某一个‘英雄’单独完成，靠的是集体协同。

红军长征是这样，长十二乙的研制也是这样，正是团结互助、众志成城的精神力量，支撑着人们抵达远方。

”赵俊淇说，青年航天人要握紧“接力棒”，把精神传承好、发扬好。

首飞成功只是起点，长十二乙运载火箭设计团队正在坚定地向未来进发。

“航天事业从来没有一劳永逸的成功，只有永不停歇地攀登。

”赵俊淇说，长十二乙火箭将持续迭代，逐步实现一子级重复使用，不断提升运载能力，满足未来更加多样化、更高频次的发射需求，助力航天强国建设。

跨越航天征程上新的“娄山关”“腊子口” 什么是航天征程上新的“娄山关”“腊子口”？ 发射场的一线航天人说，当出现质量问题影响进度节点，一时没有办法快速完成定位、有效处置，就是摆在面前的“娄山关”“腊子口”；在太空驻留的航天员说，要闯过“多个首次”的“娄山关”，要跨越一年期驻留的“雪山”“草地”，完成平台维护、出舱活动、科学实验等任务，是专属于乘组的长征。

不仅如此，载人登月需突破地月转移、月面软着陆等难题，火星取样返回要在火星表面完成采样封装、起飞上升等前所未有的动作，没有现成路径可循，没有外来助力可借，甚至一枚螺丝的偏差就会导致失利……这些不断涌出、亟待突破的难题和挑战，都是摆在航天长征路上的新关隘。

今年是中国工农红军长征胜利90周年，也是中国航天事业创建70周年。

从苍茫大地到浩瀚星空，“长征”二字，承载着中国人不畏艰险、勇毅前行的精神追求。

90年前，红军战士跨越了万水千山，走完艰苦卓绝的伟大远征；70年来，一代代航天人白手起家，走出了筑梦星辰的航天长征。

站在新的历史坐标上，瞄准中国人登月、火星取样返回等目标任务，中国航天面临着新的挑战和使命，要不断跨越航天长征路上的新关隘。

跨越新关隘，精神的力量不可或缺。

当年，老一辈航天人从零起步，铸就“两弹一星”的辉煌。

今年，我国先后实现火箭海陆回收双成功，背后是长十乙千锤百炼，朱雀三号“涅槃”展翅。

这种自力更生、百折不挠的精神，是航天人最宝贵的财富，也是跨越任何险关的力量之源，更与伟大长征精神一脉相承。

跨越新的关隘，更要靠扎实的行动。

要敢下先手棋、善打主动仗，加快突破航天领域更多关键核心技术，主动作为、奋力攀登，以科学的态度对待每一次试验，以严谨的作风对待每一发火箭，鼓励创新、包容失败，坚守拼搏、接续奋斗。

航天征程没有坦途。

以伟大长征精神为指引，以科技自立自强为支撑，我们一定能跨越新的“娄山关”“腊子口”，奔赴更远星河，创造更多航天奇迹。

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