世界上最“敏锐”的眼：单光子探测器，量子时代的视网膜

一、看见一颗光子，到底有多难

上一篇《世界上最“孤独”的光》里，我们认识了单光子发射器——量子时代的“心脏”，负责把光子一颗一颗精准地发出去。

但发射只是上半场。

一颗以光速奔袭而来的光子，如何在抵达的瞬间被“抓住”、被“看清”？这就要请出今天的主角——单光子探测器（Single-Photon Detector），量子时代的“视网膜”。

一个管发出，一个管看见，合在一起，量子信息的世界才算真正睁开了眼睛。

看见单个光子，是自然界给精密测量出的最苛刻考题。

一支普通激光笔的功率约1毫瓦，每秒射出的光子数以万亿计；而单光子探测器要捕捉的，是一次只来一颗、能量仅约10⁻¹⁹焦耳的光子。

这份能量小到什么程度？把它放大亿亿倍，才勉强够点亮一只LED一瞬间。

更麻烦的是，探测器还必须在“没有信号”时保持绝对沉默——任何一点热噪声引起的误报，都可能被当成光子，让整个系统信以为真。

所以，衡量单光子探测器的核心，是它能否又快、又准、又安静地回答四个问题。

来了没有（探测效率）？来了几个（光子数分辨）？何时到达（时间抖动）？从哪个方向来（空间分辨）？这四个问题，恰好对应量子技术最在意的四件事：信号别漏、数目别数错、时刻别报偏、位置别搞混。

二、量子之眼：它是整个量子技术的“读出”环节

量子通信的成码率，几乎直接由探测器效率决定。

量子密钥分发（QKD）里，信息驮在单光子上一路狂奔，经过上百公里光纤或上千公里星地链路后，往往衰减到每个脉冲只剩零点几个光子——探测器效率每差10%，成码率就实打实地掉一截。

我国科研团队刷新的千公里级光纤量子密钥分发世界纪录、“墨子号”卫星实现的星地量子通信，背后都是单光子探测器在终端“值守”。

有行业统计显示，全球已有超过27个城市部署了以单光子探测器为核心的QKD安全通信网络。

图1 “墨子号”量子科学实验卫星（图源：公开报道概念图）

光量子计算的“算力兑现”，同样押在探测器身上。

“九章”系列光量子计算原型机用光子完成高斯玻色采样，运算的最后一环，是数清每个输出端口“蹦出来”几个光子——这个环节由超导纳米线单光子探测器（SNSPD）担纲。

探测器效率低一分，采样就要多跑许多轮；暗计数多一分，计算结果就掺一分假。

可以说，没有高效率的“量子之眼”，光量子计算的优越性无从谈起。

图2 “九章三号”光量子计算原型机（图源：公开报道概念渲染图）

在经典世界，它同样是“暗弱光感知”的天花板。

单光子激光雷达能在极远距离、极弱回光下完成三维成像；卫星激光测距靠它给千里之外的反射光掐秒表；天文观测中，系外行星的微弱光子、深空激光通信的数据流，都要靠它捕捉；生物医学的荧光寿命成像，则用它给单个分子“计时”。

凡是光弱到“数着颗收”的场景，都是它的主场。

三、门派林立：从真空管到纳米线

单光子探测器的江湖，五代技术同台竞技。

最年长的是光电倍增管（PMT），真空管结构，增益高、暗计数低，在可见光波段服役了大半个世纪，至今仍是高能物理实验的主力，但体积大、怕磁场，近红外波段无能为力。

第二代是雪崩光电二极管（APD/SPAD），半导体工艺、可室温或半导体制冷工作，InGaAs材料可覆盖1550纳米通信波段，“墨子号”的星地实验用的就是这类器件——优点是便宜皮实，短板是暗计数和后脉冲偏高，极限指标与超导器件拉开差距。

SiPM则把成千上万个SPAD像素集成到一片芯片上，是车载激光雷达的主流选择。

超导阵营里还有“称重派”TES（转变边沿传感器），能量分辨本领一流、能直接称出光子能量，但响应慢——时间抖动在纳秒量级、计数率不到1MHz，跟不上高速场景。

真正的“六边形战士”，是超导纳米线单光子探测器（SNSPD）。

它的原理与半导体探测器完全不同：超导材料的能隙只有毫电子伏特量级，而在1550纳米通信波段，一颗光子的能量约0.8电子伏特——足以在纳米线上拆散成千上万个库珀对，形成“热点”，瞬间掐断超导、输出一个电脉冲。

配上2~4K的低温工作环境，SNSPD交出的成绩单是：探测效率最高冲到98%以上、暗计数低至每秒个位数、时间抖动几十皮秒、计数率数十MHz，四项关键指标全面领先。

它的代价，是离不开一台低温制冷机。

图3 SNSPD器件结构示意：Si衬底／DBR反射镜／NbN-SiO₂-NbN三明治结构／双层纳米线（图源：中科院上海微系统所，经光子盒整理）

四、2026年的中国答卷：SNSPD“三级跳”

今年7月，中国科学院上海微系统与信息技术研究所李浩、尤立星团队的超导单光子探测工作被行业媒体系统盘点：99%探测效率、32光子数分辨、千像素面阵，一口气完成“三级跳”。

这三跳，分别回答了“看得见”“数得清”“照得全”三个问题。

第一跳，把探测效率的天花板顶到了99%。

传统单层纳米线结构里，“吸收效率”与“响应效率”是一对冤家：线厚了好吸收光却不好产生响应，线薄了响应灵敏光却容易漏过去。

团队设计出“超导／绝缘层／超导”三明治结构——两层NbN超导薄膜中间夹3纳米厚的二氧化硅，两层膜共同吸光、每层依然足够薄，把这对矛盾巧妙解耦；再叠加法布里-珀罗光学腔，器件在1550纳米通信波段的系统探测效率达到99%。

作为参照，美国NIST与NASA JPL在2013年创下的著名纪录是93%。

更难得的是工程良率：同一批次45个器件中，73%效率大于80%、36%大于90%——这意味着它从“实验室孤品”走向了“可批量制备”。

第二跳，是从“有没有”到“有几个”——32光子数分辨。

国际主流的光子数分辨方案靠分束器或延时线把光拆成多路再分别计数，但拆光本身就会带来损耗。

上海微系统所团队反其道而行：把敏感区做成32个可独立响应、共用读出通道的纳米线单元——光子触发几个单元，输出脉冲幅度就有几档，从一根读出线上的脉冲高度就能直接反推光子数目。

没有分光损耗，单光子效率保持98%，可分辨光子数达到32，是目前单通道SNSPD方案中公开报道的最高值；2光子探测保真度87.4%，时间抖动低至40皮秒，计数率41MHz。

第三跳，是从单点探测器到千像素“相机”。

单光子激光雷达和天文成像要求知道光子“从哪来”，这需要成百上千个探测器协同工作。

团队先后研制出4×4、8×8、32×32阵列，其中32×32阵列（1024像素）采用行列复用架构：上下两层纳米线分别按行、列连接，光子触发某一像元后由行列“符合”确定坐标——1024个像素只靠64路读出线寻址，像素良率94%，1550纳米波段本征探测效率最高77%。

至此，SNSPD同时握住了光子的数量、时间和空间三种信息。

图4 32×32 SNSPD阵列行列复用架构示意（图源：中科院上海微系统所，经光子盒整理）

五、从实验室到货架：一只眼睛的产业化

科研突破的最后一公里，是变成买得到、用得稳的产品。

上海微系统所团队孵化的赋同量子，是国内率先实现SNSPD规模产业化的企业，产品线覆盖超导纳米线芯片、功能化模组、整机系统和配套低温设备，累计出货300多套，国内商用市场占有率超过80%，在探测效率、通道集成度、暗计数等关键指标上优于国际同类商用产品。

放眼全球，ID Quantique、Single Quantum、Photon Spot、Quantum Opus与赋同量子共同占据第一梯队。

市场正在给这只“量子之眼”开出越来越高的估值。

据行业咨询报告，2025年全球单光子探测器市场规模约8.7亿美元，其中SNSPD贡献超过四成；亚太地区以34.2%的份额首次超越北美，成为最大区域市场；预计到2030年，市场规模将攀升至约24.6亿美元。

量子密钥分发仍是第一大应用，而生物医学成像与车载激光雷达正以约27%和32%的年增速，成为拉动市场的新的双引擎。

图5 赋同量子超导单光子探测系统（图源：赋同量子）

结语

发出一颗光子，再看见这颗光子——量子时代最动人的闭环，正在被一步步焊牢。

上一篇的主角单光子发射器，解决“从哪来”；这一篇的主角单光子探测器，守住“到没到”。

一个在源头点亮量子信息的最小单元，一个在终端守住最后的诚实。

当探测效率冲上99%、千像素面阵睁开、成本随产业化逐年下探，这只世界上最敏锐的眼，看到的不只是光子，还有量子技术通向千行百业的路。

下一篇，这双眼睛望向哪个领域？欢迎留言告诉我们。

主要资料来源

· 光子盒QUANTUMCHINA《超导单光子探测器完成三级跳：99%探测效率、32光子数分辨、千像素面阵》，2026年7月31日

· 产业世界《全球单光子探测器行业发展咨询报告（2026）》，2026年8月

· Market Growth Reports《Single Photon Detectors Market Report》，2026年8月

· 中科院上海微系统所SNSPD相关研究论文（Optics Express 28, 36884；Photonics Research等）

新长征路上的排头兵｜我们的长征路

九十年前，中国工农红军怀着坚定的理想信念，战胜艰难险阻，胜利完成长征。

九十年后的今天，我们党正带领人民走在实现第二个百年奋斗目标、实现中华民族伟大复兴中国梦的新长征路上。

2012年，党的十八大后首次离京考察，习近平总书记就来到广东，发出“将改革开放继续推向前进”的动员令。

这些年来，习近平总书记6次到广东考察调研、2次参加全国两会广东代表团审议，多次强调“广东是改革开放的排头兵、先行地、实验区”，每到广东发展的重要关口，都及时为广东定向领航，指引广东在新时代勇立潮头、走在前列。

广东牢记嘱托，坚定扛起走在前、作示范、挑大梁的责任担当，在改革开放中闯新路、在科技创新中增动能、在区域协调发展中谋共进、在绿水青山间绘新篇，沿着新时代长征路奋勇前行。

闯关夺隘 改革开放的旗帜始终高扬 四十多年前，蛇口一声开山炮响，唤醒沉睡的滩涂，也开启了中国改革开放的一段壮阔征程。

“时间就是金钱，效率就是生命”的时代强音，至今仍回荡在南粤大地。

敢闯敢试、敢为人先、埋头苦干，是广东一路走来的精神底色，也是长征精神的时代回响。

进入新时代，这份闯劲没有褪色，而是转化为全面深化改革、扩大高水平对外开放的持续行动。

2025年，广东自贸试验区迎来成立十周年，累计形成772项制度创新成果，其中43项在全国复制推广。

对标国际高标准经贸规则，广东稳步扩大制度型开放，持续激发发展活力。

改革的成效，最终要落在发展的答卷上。

2025年，广东地区生产总值达14.58万亿元，经济总量连续37年稳居全国首位；进出口总额达9.49万亿元，对全国外贸增长的贡献率达24.1%。

经济总量连跨三个万亿元台阶，“十四五”期间累计超过67万亿元，展现出经济大省的坚实底盘与发展韧性。

发展的动力，来自向新而行的底色。

2025年，广东新经济增加值达3.90万亿元，占地区生产总值的26.7%。

高技术制造业、装备制造业增加值占规模以上工业比重分别达34.7%和59.6%，工业机器人、民用无人机、服务器、3D打印设备产量领跑全国。

研发投入强度达3.6%，区域创新综合能力连续9年位居全国第一。

改革开放赋予广东敢闯的勇气，科技创新拓展广东发展的纵深。

面对新一轮科技革命和产业变革，广东正以更强的创新能力、更具韧性的产业体系，为高质量发展积蓄势能。

携手同行 湾区融合的步伐坚定向前 建设粤港澳大湾区，是习近平总书记亲自谋划、亲自部署、亲自推动的重大国家战略。

粤港澳三地制度不同、规则各异，却有着同根同源的文化根脉和互补共赢的发展空间。

把独特优势转化为发展胜势，考验的是改革智慧，更需要携手前行的格局与担当。

交通网络的延伸，让湾区联系更加紧密。

广深港高铁、港珠澳大桥、深中通道等重大交通基础设施相继建成，八条跨江跨海通道联通珠江口两岸，轨道交通里程超过4000公里。

人流、物流加速流动，城市间的距离不断缩短，湾区协同发展的基础更加坚实。

规则衔接，把“制度之异”转化为“制度之利”。

198项高频政务服务事项实现“跨境通办”，262项“湾区标准”落地实施，“港澳药械通”覆盖大湾区内地九市，8000多名港澳专业人士在粤执业。

一项项具体举措，持续推动要素流动更加便利、公共服务更加协同。

湾区发展的动能，在日益加深的合作交流中持续释放。

广东大力推动粤港澳三地科研协同和创新资源跨境流动融通，深入实施粤港、粤澳联合资助计划和粤港高校“1+1+1”联合资助计划等，35家粤港澳联合实验室落地生根，广东财政科研经费跨境拨付至港澳累计超过6.5亿元。

“深圳—香港—广州”科技集群2025年、2026年连续两年位居全球百强创新集群榜首。

湾区建设的意义，不止于经济总量的增长和基础设施的完善，更在于以协同发展拓展中国式现代化的实践空间。

粤港澳三地携手同行，既为各自发展注入新动能，也为国家高水平对外开放和区域协调发展探索新路径。

向新而进 民营经济的活力竞相奔涌 广东的经济活力，深植于市场主体的蓬勃生长。

2025年，广东省经营主体总量突破2000万户，民营经济主体超过1900万户，民营经济增加值约8万亿元。

近年来，广东民营企业贡献全省五成以上GDP、六成以上进出口额和税收、七成以上技术创新成果、八成以上新增就业、九成以上经营主体——“56789”的发展密码，构成广东经济发展的重要支撑。

一艘艘驶向海外的汽车滚装船，映照着广东制造的全球竞争力；一项项技术突破、一条条产业链的协同配合，展现着民营企业敢为人先的锐气与向新而进的决心。

大疆、华为、比亚迪等企业加快拓展国际市场，广东人工智能、机器人等产业蓬勃发展。

千千万万经营主体的“闯”与“创”，正是广东走在前列的底气所在。

企业敢闯敢干，离不开公平有序的发展环境。

广东持续推动民营经济促进法落地实施，围绕公平竞争、投资融资、科技创新、权益保护和服务保障等方面完善制度举措，推动营商环境改革走深走实。

一流的营商环境，在广东转化为现实生产力。

赓续文脉 岭南风华焕发时代光彩 一座城市的生命力，不只在于高楼林立、车水马龙，更在于历史记忆的延续、文化根脉的传承。

2018年10月，习近平总书记来到永庆坊，语重心长地指出：“城市规划和建设要高度重视历史文化保护，不急功近利，不大拆大建。

要突出地方特色，注重人居环境改善，更多采用微改造这种‘绣花’功夫，注重文明传承、文化延续，让城市留下记忆，让人们记住乡愁。

” 在广州永庆坊，传统建筑与创意空间相映成趣，粤剧唱腔融入街巷烟火；在潮州古城，一处处古民居得到修缮活化，一条条老街巷焕发新生，千年文脉在精细保护中延续。

广东坚持保护优先，以“绣花功夫”留住城市记忆，让历史文化融入当代生活。

传承，也需要新的表达。

潮州木雕、潮绣等传统技艺通过进校园、跨界合作和文创开发走近年轻一代；数字技术为文化遗产保护和展示打开新的空间，AI、VR等应用让岭南文化呈现出更丰富的面貌。

广东文化产业规模总量连续20年居全国首位，传统文化在创造性转化、创新性发展中不断焕发活力。

文脉绵延，贵在守正创新。

让古老技艺走进现代生活，让岭南文化融入时代脉搏，既是对历史的尊重，也是面向未来的创造。

在发展中守住文化根脉，在传承中拓展时代新意，广东正让千年岭南文脉焕发新的光彩。

向海图强 蓝色国土孕育发展新空间 绵延4084公里的海岸线，是广东面向世界的门户，也是发展潜力所在。

在向海图强的征途上，广东有基础、有条件、更有责任把海洋资源优势转化为高质量发展优势。

向海洋要食物、要能源、要发展空间，离不开科技支撑。

在广东，全球首个抗台风型漂浮式风电机组“三峡引领号”、国内首台深远海浮式风电装备“扶摇号”，推动我国漂浮式风电实现零的突破；“梦想”号大洋钻探船入列，为深海探索提供重要支撑；海水养殖新品种培育、深远海养殖装备研发，也在不断拓展现代海洋产业的边界。

2025年，广东海洋生产总值达2.04万亿元，连续31年稳居全国首位。

海洋油气化工、海洋渔业、海上风电、海工装备、海洋旅游等产业加快发展，15个主要海洋产业实现增加值8303.8亿元，9个产业规模跻身全国前三。

海上风电装机容量约1400万千瓦，居全国首位，研发、制造、安装、运维的全链条能力持续增强。

经略海洋，向海图强。

广东在耕海牧渔、海洋科技、绿色能源等领域持续发力，努力让蓝色海疆成为高质量发展的新空间，让海洋资源更好造福人民。

守护青绿 发展的底色更加鲜明 绿水青山，既是南粤大地的自然禀赋，也是高质量发展的重要底色。

广东要承担起排头兵的职责使命，不仅要有发展的速度和产业的厚度，也要守住生态环境的承载力，让人民群众共享更优美的生活环境。

2025年，广东空气质量优良天数比率达95.4%，地表水国考断面水质优良率达94.6%，近岸海域优良水质面积比例达91.2%。

在污染防治攻坚战成效考核中，广东连续5年获评“优秀”等次。

蓝天、碧水、净土背后，是一场场久久为功的治理实践。

绿色转型同样为发展打开新的空间。

“十四五”期间，广东碳市场配额累计成交量达2.33亿吨，成交金额超过67.8亿元；可再生能源装机规模超过1亿千瓦，海上风电装机保持全国领先。

减污降碳协同推进，绿色发展理念不断融入产业升级和能源转型。

在湛江，保护红树林被纳入绿美广东生态建设重点任务。

“十四五”以来，全省累计营造、修复红树林超过8000公顷，面积和增量均居全国首位。

潮起潮落之间，红树林守护海岸、涵养生态，也见证着人与自然和谐共生的努力。

生态保护没有终点，绿色发展仍需接续奋斗。

把生态优势转化为发展优势，把绿色理念落实到生产生活的细处，广东正在为中国式现代化厚植更可持续的生态根基。

沃野生金 城乡发展更有温度 走好新时代的长征路，一个都不能少。

既要让城市活力充分涌流，也要让县镇村焕发蓬勃生机。

一直以来，城乡区域发展不平衡是广东高质量发展最为突出的短板。

2022年底，广东创新实施“百县千镇万村高质量发展工程”。

以县域为重要载体推进新型城镇化，推动产业、人才、基础设施和公共服务向县镇村延伸。

三年来，广东省城乡居民收入比缩小至2.27∶1。

县域经济加快发展，城乡融合不断深化，区域协调发展的基础更加牢固。

产业兴旺，是乡村振兴的重要支撑。

在茂名，荔枝种植、鲜果加工、电商带货和乡村旅游相互带动；在梅州，金柚产业持续延伸产业链，带动农户增收。

特色农业与科技应用、农文旅融合相结合，越来越多的乡土资源转化为发展优势，乡村振兴有了更坚实的产业支点。

镇村的变化，还体现在生活环境与发展空间的改善中。

截至2025年底，广东建成圩镇客厅914个、示范主街1037条、美丽河道3542公里。

一批特色镇村立足自身资源，发展特色产业、改善人居环境、完善乡村治理，南粤乡村展现出各美其美、生机勃勃的新气象。

推动城乡区域协调发展，注定是一场需要耐心与韧劲的长征。

广东持续补齐县镇村发展短板，努力让发展成果更加公平地惠及人民，让城乡之间的要素流动更顺畅、产业联系更紧密、群众生活更美好。

走在前，就要勇于探索、先行先试； 作示范，就要善于破题、树立标杆； 挑大梁，就要敢于担当、服务大局。

征途漫漫，惟有奋斗。

这些年来，广东坚持以改革破解发展难题、以创新拓展发展空间、以协同凝聚发展合力、以实干回应人民期待，彰显排头兵的姿态、扛起先行者的担当、践行实验区的使命。

值此中国工农红军长征胜利90周年之际，南方网、粤学习客户端策划制作互动长卷《新长征路上的排头兵——广东走在前、作示范、挑大梁》，回顾习近平总书记历次考察广东的足迹和嘱托，展现广东沿着新时代长征路稳步迈进的壮阔征程。

总策划：侯小军 总统筹：张纯青 统 筹：李 琳 朱 景 监 制：黄艾明 策 划：苏若倩 胡澳靖 前 端：孙德威 设 计：汪婉莹 杨晨悦 剪 辑：李江锐 校 对：陈学德 梁洁萍 实习生：万孝雯

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