AI × 量子计算 NVIDIA Ising 开启新纪元

要理解量子计算的革命性，首先需要理解我们今天所有计算机的基础——晶体管。晶体管本质上是一个开关，可以是0或1。过去几十年，计算机技术的进步本质上是在让这些开关变得更小、更快、更多。但无论多快，它仍然是基于同样的基本原理。

量子计算问了一个颠覆性的问题：如果计算的基础单元不是一个简单的开关，而是一个遵守量子力学定律的物体，会发生什么？这个物体就是量子比特（qubit）。与只能处于0或1的经典比特不同，量子比特可以处于"叠加态"。人们常通俗地解释为"既是0又是1"，但这是一种过度简化。更准确的说法是，它是一种0和1的复杂组合状态，这种状态非常脆弱，一旦与环境发生交互（包括被"观察"），就会立即崩溃。

量子计算的真正威力不在于"更快"，而在于能够解决某些传统计算机根本无法解决的问题。在某些应用领域，量子计算可以带来指数级的优势——这意味着当问题的规模稍微增加一点，传统计算机的计算时间可能会呈爆炸式增长，而量子计算机的增长则平缓得多。

目前，量子计算正处于从"实验室演示"向"实用系统"过渡的关键转折点。虽然我们还无法用今天的量子计算机解决实际问题，但进展正在加速——特别是在药物发现、材料科学等领域，量子计算有望在未来几年内实现首批真正有价值的应用。

构建一台实用的量子计算机，面临的最大挑战是什么？答案是：量子纠错（Quantum Error Correction）。要理解为什么量子纠错如此困难，需要先理解量子比特的"噪声"问题。量子比特极其脆弱，它们会与环境发生各种非预期的交互，导致精心设计的叠加态迅速崩溃。这种现象被称为"量子退相干"。

但问题在于，你不能像检查传统内存那样直接"检查"量子比特是否有错误——因为查看量子比特会破坏其量子信息。这是一个根本性的困境：你需要检测错误，但又不能"观察"系统。这种困境曾让科学家们认为量子计算机根本无法构建。

在20世纪90年代，研究者发现了一个天才般的解决方案：如果你将多个量子比特以特殊方式"纠缠"在一起，你可以选择性地观察其中一部分（这部分会被破坏，被"牺牲"掉），通过它们与其他量子比特之间的关联关系，推断出其他量子比特中可能存在的错误——而不必直接观察那些量子比特本身。

量子纠错的要求极其苛刻：你需要每秒执行数千次纠错操作；需要每秒处理太字节级别的数据；延迟必须控制在微秒级别。如果无法满足这些性能要求，量子处理器就会因为错误积累而彻底失效。这就是为什么量子纠错被称为量子计算的"决定性挑战"——攻克它，量子计算就能走向实用；攻克不了，量子计算就永远是实验室里的玩具。

还记得量子纠错中的"夏洛克·福尔摩斯式推理"吗？这个推理算法叫做"解码器"（Decoder）。它的任务是：接收来自被"牺牲"的量子比特的数据；推断其他量子比特中可能存在的错误；确定如何修正这些错误。这个任务本质上是一个模式识别和推理问题——你需要从大量噪声数据中识别出错误模式，并做出实时决策。这正是AI擅长的领域。

首先，AI能够处理人类无法应对的数据规模。量子纠错需要每秒处理太字节级别的数据，执行数千次推理。人类编写传统算法很难达到这个性能要求。其次，AI可以适应不同的量子硬件架构。目前有超导量子比特、离子阱量子比特、拓扑量子比特等多种技术路径，每种都有不同的错误特征。AI模型可以通过训练或微调来适应不同的硬件，而传统算法需要为每种硬件重新设计。第三，AI能够发现人类错过的模式。量子系统的行为极其反直觉，人类大脑很难"量子化地思考"。但AI不受人类直觉的限制，它可以从数据中学习到人类无法察觉的复杂模式。

然而，将AI引入量子纠错也面临挑战：研究人员需要能够访问、训练和微调这些AI模型。由于量子硬件的多样性，预训练模型往往需要针对特定硬件进行调整——这就是为什么NVIDIA选择将Ising模型开源的原因。

量子计算将首先变革哪些领域？答案是那些需要模拟量子系统的领域。药物发现是最典型的例子。当科学家开发新药时，他们需要模拟候选药物分子与生物细胞中目标分子的相互作用。这种相互作用发生在电子和原子层面——本质上是一个量子系统。

传统计算机模拟这种交互极其困难，因为需要考虑的量子状态数量呈指数级增长。但量子计算机天生就擅长处理这类问题——它就是在模拟量子系统。除了药物发现，材料科学是另一个早期应用领域。从更高效的太阳能电池到超导材料，从更轻更强的合金到新型催化剂，材料的性能由其电子结构决定——这也是量子力学范畴。

但这里有一个重要的现实限制：首批能够运行这些应用的量子计算机仍需几年时间。它们需要先攻克量子纠错难题，达到"容错"状态——即能够在发生错误的情况下继续正确计算。Nic Harrigan指出，目前的量子计算机仍处于"NISQ"（含噪声中型量子）时代，虽然已经令人印象深刻，但距离实用还有距离。

一个令人兴奋的前景是：AI不仅可以帮助量子纠错，还可以帮助发现新的量子应用。量子力学对人类直觉极其不友好，我们的大脑似乎不是为"量子思维"而设计的。但AI不受此限制——它可以从大量量子算法数据中学习模式，发现人类可能错过的应用机会。Nic用了一个类比：当程序员开始为GPU（图形处理器）编写程序时，他们需要学会以"并行化"的方式思考——这与为CPU（中央处理器）编程完全不同。同样，量子编程需要一种全新的思维方式，而AI可能比人类更擅长这种思维。

2024年，NVIDIA发布了NVIDIA Ising——世界上首个专门用于量子计算的开源AI模型家族。这个发布标志着AI与量子计算融合的里程碑时刻。

这是一个视觉语言模型（VLM），用于量子硬件的实时校准。量子硬件极其敏感，各种因素（温度、电磁干扰等）都会导致量子比特的参数漂移。传统校准需要人工调整，耗时且容易出错。Ising Calibration能够自动分析量子计算机的输出数据，识别需要调整的参数，并自动执行调整——整个过程可以在微秒级延迟内完成。

这个模型专门用于量子纠错中的解码任务。它接收来自"牺牲量子比特"的数据，推断其他量子比特中的错误位置，并确定修正方案。与传统解码算法相比，AI模型能够处理更复杂的错误模式，适应不同的量子硬件架构。

这两个模型的性能要求极高：吞吐量——每秒处理太字节级别的数据；延迟——亚微秒级响应时间；准确性——错误的纠错决策可能导致整个计算失败。

Ising这个名字来源于物理学中的"伊辛模型"（Ising Model）——一种用于研究相变和磁性现象的简化物理模型。Nic解释说，这个命名的寓意是：正如伊辛模型简化了复杂的物理现象，Ising AI模型旨在简化量子计算的开发。

开源策略是Ising发布的一个关键特点。Nic强调，量子计算社区迫切需要开源AI模型，因为：不同的量子硬件需要不同的模型配置；研究人员需要能够访问和修改模型；开源模型能够加速整个领域的发展。NVIDIA不仅发布了模型，还提供了"cookbook"（食谱手册）和训练数据，帮助研究人员快速上手。

量子计算要实现实用化，必须解决一个根本问题：规模化。目前的量子处理器拥有数十到数百个量子比特，但这远远不够。要实现容错量子计算，需要大量的"冗余量子比特"——因为量子纠错需要牺牲部分量子比特来检测和修正错误。Nic给出的数字令人震惊：根据不同的纠错方案，可能需要数千、数万、甚至数百万个量子比特。

规模化面临多重挑战：硬件复杂性——控制数百万个量子比特需要极其复杂的控制系统；量子纠错开销——大量量子比特被用于纠错而非实际计算；能耗和散热——量子处理器通常需要在接近绝对零度的温度下运行。

NVIDIA的策略不是直接构建量子硬件，而是提供连接量子与经典计算的平台：CUDA-Q——一个用于混合量子-经典计算的编程平台；NVQLink——一个硬件架构，用于高速连接量子处理器和GPU超级计算机；NVIDIA Ising——用于量子纠错和校准的AI模型。

这种策略的核心思想是：量子计算不会取代经典超级计算机，而是成为其加速器。未来的超级计算系统将由GPU处理经典计算任务，而将特定的量子计算任务卸载给量子处理器。

AI在这个扩展过程中扮演关键角色。随着量子比特数量增加，传统控制方法将面临瓶颈——人类无法手动管理如此复杂的系统，传统算法也可能无法满足性能要求。AI系统能够：实时监控数百万个量子比特的状态；预测并预防错误的发生；自动优化纠错策略；动态分配计算资源。

在对话的最后，Nic分享了一个令人兴奋的前景：生成式AI可以帮助开发全新的量子算法。这个想法的灵感来自大语言模型（LLM）的工作方式。LLM通过学习大量文本数据，掌握了语言的统计规律，能够逐词生成连贯的文本。那么，如果我们用大量的量子程序来训练一个类似的模型，会发生什么？

量子程序由"量子门"（quantum gates）组成，类似于经典计算中的逻辑门。量子算法本质上就是以特定顺序应用这些量子门。如果AI能够学习量子程序的模式，它或许能够：生成新的量子算法——像LLM生成文本一样，逐个"量子门"地构建完整程序；优化现有算法——找到更高效的量子门序列；自动编译——将高级量子应用自动翻译成特定硬件的量子门序列。

Nic甚至提到了"代理工作流"（agentic workflows）的概念——未来的量子开发可能涉及AI代理自动完成整个开发流程：从需求分析到算法设计，从代码生成到调试优化。这种前景之所以令人兴奋，是因为量子编程对人类极其困难。程序员需要"量子化地思考"，这与经典编程的思维模式完全不同。但AI不受此限制——它可以从大量数据中学习人类无法察觉的模式。

Nic提到的另一个激动人心的方向是：量子硬件可能成为AI训练数据的来源。目前的AI模型（特别是科学计算领域的模型）面临一个挑战：高质量的训练数据稀缺。例如，要训练一个预测分子性质的AI模型，需要大量精确的分子数据——而这些数据很难通过实验或传统模拟获得。

量子处理器可能成为这些数据的"生成器"：它们能够以传统方法无法企及的精度模拟分子和材料的行为，生成高质量的训练数据，然后用于训练更强大的AI模型。这形成了一个正向循环：AI帮助量子计算，量子计算反过来帮助AI。