非洲国家努力破解荒漠化困境——走进毛里塔尼亚防沙治沙现场

来源：人民日报

中非绿色技术公园内，使用中国滴灌技术栽种的蔬菜长势良好。

近日，记者踏上毛里塔尼亚土地，无边无际的黄沙是这里最鲜明的底色。

驱车穿行在毛里塔尼亚首都努瓦克肖特街头，灼热的风裹挟着细密沙粒扑面而来，打在车窗上发出持续的“沙沙”声响。

这片被撒哈拉沙漠笼罩的土地，是非洲大陆荒漠化困境的真实写照。

从萨赫勒地区被吞噬的绿洲到苏丹红海沿岸萎缩的耕地，再到埃塞俄比亚频发的干旱，荒漠化问题始终是摆在非洲多国面前的一道难题。

面对严峻挑战，非洲国家人民以坚韧不屈的精神努力探索治沙之路，而来自中国的真诚帮助为这片大陆的荒漠化治理注入重要动力。

荒漠化危害已渗透经济社会各领域

记者从努瓦克肖特出发，驱车沿N3国道向东行驶，城市楼宇逐渐隐去，取而代之的是单调而辽阔的褐红色沙漠和戈壁。

作为非洲沙漠化最严重的国家之一，毛里塔尼亚3/4的领土被撒哈拉沙漠覆盖，仅有的可耕地集中在南部塞内加尔河沿岸狭长地带。

当地媒体报道称，过去数十年间，该国耕地面积年均缩减2.1%，如今粮食自给率不足30%，绝大多数粮食依赖进口。

沙漠扩张不仅夺走土地，更摧毁了当地人的生计根基。

在努瓦克肖特郊区村落，不少房屋墙体被黄沙半掩。

村口椰枣树下，几位老人凝望被沙层淹没的农田，眼中满是茫然与无奈。

“10年前这里还是绿洲，种着谷子、豆子，牛羊成群。

可现在沙来了，庄稼死了，牛羊没草吃，年轻人只能背井离乡去城里打工。

”72岁的村民奥马尔向记者讲述着，沙哑的嗓音里透着辛酸与焦虑。

毛里塔尼亚的困境，是非洲大陆荒漠化危机的缩影。

联合国环境署最新数据显示，非洲约45%的土地不同程度荒漠化，55%存在进一步荒漠化风险，是全球荒漠化问题最突出的大洲。

撒哈拉沙漠正以每年数公里的速度向南扩张，持续吞噬萨赫勒地区土地，直接威胁该地区2亿人的粮食安全与生存环境。

在苏丹，曾经水草丰美的绿洲以每年超过2%的速度萎缩，白尼罗河沿岸耕地被黄沙覆盖，农民被迫放弃传统农耕转向游牧；在埃塞俄比亚，过度放牧与森林砍伐加剧土地退化，超过60%的土地出现沙化现象，干旱与饥荒频发造成无数家庭流离失所；在塞内加尔，沙漠扩张导致沿海土地盐碱化，渔业资源锐减，以渔业为生的村民陷入贫困泥潭。

荒漠化的危害已深度渗透非洲经济社会各领域。

生态层面，植被覆盖率骤降导致生物多样性受损，超300种动植物因栖息地丧失濒临灭绝；经济层面，非洲每年因荒漠化损失超90亿美元，农业、牧业、旅游业遭到重创，形成越沙化越贫困，越贫困越过度开发土地，从而加剧沙化的恶性循环；地区安全层面，沙化引发的资源争夺、粮食短缺加剧地区冲突，大量难民逃离家园，给区域安全稳定带来巨大压力。

因地制宜探索多样化治沙模式

面对非洲荒漠化的严峻现实，非盟始终将治理荒漠化置于区域发展的优先位置。

2007年，非盟发起非洲“绿色长城”计划，最初目标是在萨赫勒地区打造长7700公里、宽15公里的植被带，以阻挡撒哈拉沙漠向南扩张。

经过10多年发展，该计划已升级为综合性荒漠化治理体系，成员扩展至20多个国家和组织，目标是到2030年修复1亿公顷土地、封存2.5亿吨碳、创造1000万个工作岗位。

非洲各国也结合各自实际，探索多样化治沙模式。

毛里塔尼亚将治沙列为国家发展重中之重，成立国家“绿色长城”署统筹治沙，推行防风固沙、生态农业等举措，严控过度放牧与砍伐。

苏丹出台《土地退化防治法》，划定禁牧区与自然保护区，推广草场改良技术。

埃塞俄比亚实施“可持续土地管理计划”，每年动员超千万人植树，推广轮牧、牧养结合模式，修复退化草地。

尼日尔则聚焦“生态与民生双赢”，推广“牧草+畜牧”一体化模式，在遏制荒漠化的同时拓宽牧民增收渠道。

《联合国防治荒漠化公约》秘书处报告显示，“绿色长城”计划已修复1800万公顷土地，植物生物量增长20%，创造约40万个绿色岗位，产生9000多万美元收益。

例如，尼日尔通过推广耐旱作物种植与草场修复，牲畜死亡率显著下降，部分地区植被覆盖率明显提升。

塞内加尔在沿海地区大规模种植红树林，有效遏制土地盐碱化，守护了渔业资源。

在努瓦克肖特城市边缘地带，成片的金合欢、珍珠粟顽强生长，形成简易防风固沙屏障。

当地官员表示，这些人工种植的植被虽规模有限，却为民众点燃了抗沙治沙的希望。

尽管成效初显，非洲治沙仍面临诸多困境。

资金短缺是最突出瓶颈，“绿色长城”11个创始国中有10个为最不发达国家，财政拮据导致治沙资金投入仅为需求的1/3左右（年需36亿至43亿美元）。

同时，技术落后、地区安全动荡、各国治沙进展不均、气候变化引发降水不稳定，以及人口增长带来的过度放牧、乱砍滥伐等问题，进一步增加了非洲治沙难度。

“我们深知治沙重要性，也付出了诸多努力，但资金与技术短缺让行动举步维艰，迫切需要国际社会支持。

”在去年12月举行的第四届塔克拉玛干沙漠国际论坛上，毛里塔尼亚国家“绿色长城”署署长西德纳·埃利说。

中国经验助力非洲防沙治沙

从努瓦克肖特驱车一个半小时，抵达比尔·巴拉卡村村外，茫茫黄沙中一片绿洲映入眼帘——这就是中非绿色技术公园。

烈日炙烤、风沙肆虐的环境下，这片镶嵌在撒哈拉沙漠南缘的绿色，生动诠释着中非合作抗沙的坚实力量。

走进园区，成排光伏板将太阳能转化为电力驱动水泵，垄沟间滴灌管线精准输水，沙地里茄子、西红柿长势良好，外围金合欢、珍珠粟织就防风固沙屏障。

当地工人蹲在田间检查滴灌管线，汗水顺着额角滑落，却难掩脸上的笑意。

“这片地过去寸草不生，风沙一来连脚印都留不住。

”中碳森林资源（北京）有限公司毛里塔尼亚代表处负责人庞国聪介绍，团队扎根于此的任务，就是将中国成熟的治沙技术本土化，“让沙漠长出希望”。

该示范项目由中毛双方合作实施，中国科学院新疆生态与地理研究所提供技术支持。

庞国聪介绍，项目坚持“生态+民生”理念，开展了多轮技术培训，覆盖苗木种植、滴灌维护等领域，不少当地工人已能独立完成园区管护，成为未来治沙主力军。

针对当地高温少雨、土地盐碱化、电力匮乏等问题，团队选育了耐旱树种，创新采用“树种球”技术，保障旱季植被成活率，形成可复制推广的治沙经验。

此外，中国已在毛里塔尼亚、尼日利亚等国建成多个治沙试验示范区，在埃塞俄比亚建设的围栏封育示范区面积超200公顷。

在中国技术与经验的助力下，非洲沙漠治理取得新成果：毛里塔尼亚试点区域植被覆盖率从3%提升至22%，尼日尔牲畜死亡率下降35%，超过2000名牧民通过生态项目增加了收入……一串串鲜活的数据，见证着中非防沙治沙合作的务实成果。

泛非“绿色长城”组织秘书处地理信息系统和数据库主管迪奥普·苏莱曼表示，中国在防治荒漠化领域成就举世瞩目，非洲可以从中获得宝贵启发，双方携手合作，能够为应对可持续发展和气候变化等全球性课题贡献力量。

毛里塔尼亚商业和旅游部长赫梅德纳说：“毛方高度重视同中国在防治荒漠化领域的合作，双方合作项目已成为南南合作的务实范例，为非洲各国开展国际治沙合作提供了宝贵借鉴。

”

夕阳西下，撒哈拉沙丘拉出长长剪影，中非绿色技术公园的绿意在暮色中愈发醒目。

这片黄沙中的绿洲，既破解了当地治沙难题，更架起中非友谊桥梁。

中国技术人员与非洲民众并肩作战，在撒哈拉沙漠深处续写携手播绿、共同抗沙的动人篇章，为全球荒漠化治理贡献智慧与力量。

霜降天一定会降霜吗？霜降≠降霜

从这天起，冷空气越来越活跃，昼夜温差进一步加大。

霜降前后，影响我国的冷空气比较频繁。

最新预报显示，明天（24日）开始，又将有一股冷空气自西向东影响长江以北的大部地区，带来大风和降温天气，北方多地气温起伏明显。

新疆、内蒙古、黑龙江等地部分地区还有降雨或降雪天气。

正值季节转换，大家外出请适时调整着装，早晚时段尤其注意保暖、谨防感冒。

霜降≠降霜 霜降这天一定会降霜吗？答案还真不一定，因为霜降是节气，反映的是这段时间气候整体向寒、有结霜的趋势。

从全国平均来看，霜降通常是一年中昼夜温差最大的时节——白天太阳照射下还比较暖和，夜里热量散去，地表温度可能骤然跌破0℃，这正是霜最容易形成的条件。

但“霜降”并不是全国统一“降霜”的日子。

气象监测显示，东北、西北、华北北部往往在霜降前已经见霜，像哈尔滨、长春10月上旬就会出现初霜，长江以南大部分地区的初霜多出现在11月下旬到12月，而华南的一些地方，像海口、广州甚至终年无霜或极少见霜。

霜并非从天而降 而是水汽凝华形成 虽然节气名叫霜降，但霜其实并不是从天上“降”下来的。

和我们常说的下雨、下雪不同，霜是近地面的水汽，在冰冷的物体表面直接由气态变成固态的现象，这类现象也叫凝华。

结霜需满足三大条件 中国气象局气象分析师 周丽贤：霜是夜里空气中的水汽碰到冰冷的草叶、地皮，凝华成的小冰晶。

有霜的天气一般都有特点：前一晚降温明显、天气冷，到第二天早晨是晴天，昼夜温差拉得很大，太阳一出来就容易看到霜。

想要结霜，要满足几个条件： 首先，温度要足够低，一般要低于0℃； 其次，空气里要有一定的水汽，太干是结不出霜的； 最后，夜里得是晴天、云少、风力小。

阴天，云层就像一层厚被子，热量不容易散发出去，近地面温度下降不够明显；风大的时候，冷暖空气混在一起，不容易使近地面温度降得足够低，老话讲“阴天夜无霜，有风不起霜”，就是这个道理。

全球气候变暖 “无霜期”正在增加 此外，在全球气候变暖的背景下，我国的霜期正在发生显著变化。

先来了解几个概念：气象学上，一般把秋季出现的第一次霜称作早霜或初霜，而把第二年春季出现的最后一次霜称为晚霜或终霜。

一年里没有霜的那段日子，叫无霜期。

中国气象局气象分析师 周丽贤：通过全国气象站几十年连续观测记录，在全球气候变暖的背景下，我国大部分地区，出现霜的日子在减少。

秋天第一场霜来得比以前晚，春天最后一场霜结束得更早，没有霜的日子变多了。

霜期和无霜期，是衡量一个地区冷暖、指导农业生产的重要指标。

没有霜的日子在增加，背后是气候变暖的直观体现，这带来的最显著影响，就是农业生产的时间表也要跟着调整。

中央气象台农业气象室高级工程师 韩丽娟：在气候变暖的背景下，秋季气温偏高，初霜期推迟，冬前可供小麦生长的有效积温在增多，这就意味着即使播种时间比传统农谚指导时间晚一些，小麦在越冬前仍然是可以积累到足够的积温，形成壮苗来越冬。

我们对2017年到2025年实际播种时间也进行了统计，也较常年同期偏晚。

在气候变暖背景下，如果还是按照传统农谚中的农时进行播种的话，小麦旺长的风险就会很高，一个是在冬季越冬的时候，它的抗寒能力下降，更容易发生越冬冻害，另外在春夏季的时候倒伏风险更高。

霜变少不等于无风险 农业霜冻仍需警惕 霜变少了，听起来像是好消息，但对受影响最直接的农业来说，其中潜在的风险更需要警惕。

中央气象台农业气象室高级工程师 韩丽娟：霜变少了，可以理解为初霜期推迟、终霜日提前、无霜期延长，对农业生产来说有利有弊。

无霜期延长最直接的好处就是有效热量增加，使原本热量不足难以成熟的地区可以种植。

近年以来，可种植区域明显北移西扩，例如黑龙江等地水稻、玉米的种植区向北扩张，辽宁开始种植一年两熟作物。

第二个就是秋季收获播种的窗口期拉长。

这样在收获或种植的时候可调节度就会更高。

但是无霜并不等于没有低温灾害，气候变暖背景下，极端的灾害、极端的低温或者是寒潮天气也是伴随的，盲目扩种或者晚种，如果秋季遭遇早霜或者寒潮损失反而更为严重。

另外就是病虫害现在也是在不断北移，向更高纬度更高海拔扩散，防治成本上升、防治的难度加大。

需要区分的是，霜本身是一种天气现象，霜冻才是灾害。

霜冻通常是气温短时间降至0℃以下，导致作物细胞冻结受损的现象。

气候变暖背景下，专家建议： 要考虑根据不同的地形、土质合理安排种植计划，在霜冻来临前，及时采取熏烟、覆盖、浇水等措施提升田间温度； 霜冻灾害发生后，也可以采取追肥、浇水等方式帮助作物恢复，尽量减轻霜冻灾害损失。

来源：央视新闻客户端

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