人工智能对算力的胃口越来越大，量子计算机则在缓慢逼近真正“可用”的门槛。
当这两者真正交汇时，故事才刚刚开始——从量子纠错，一路延伸到保护你 比特币 (BTC) 的加密体系。
要点速览
- AI 已实实在在开始帮量子计算“打工”：从谷歌 AlphaQubit 纠错解码，到英伟达 GPU 与量子比特的直连，而量子在 AI 领域的回报目前仍窄且多停留在理论。
- 近期真正尖锐的碰撞点在密码学：一名谷歌研究员把攻破 RSA-2048 的估算成本压到不到一百万个“有噪声”的量子比特，美国 NIST 则要求各方在 2030 年前完成迁移。
- 专家对时间表分歧巨大：从 IBM 押注 2029 年实现容错量子，到黄仁勋口中的“二十年”，任何一个具体日期都值得打上问号。
硬件“乖”起来了
在过去 30 年里，量子计算机越做越大，表现却往往越差：量子比特一多，噪声就飙升，算出来的结果就被毁掉。
这一趋势在 2024 年 12 月迎来关键“反转”。谷歌在《Nature》发布 论文称，其 105 量子比特的 Willow 芯片跨过了著名的“容错阈值”：继续增加比特数，不再是把错误放大，而是能把逻辑错误率压下去。
数据相当具体：当编码距离从 3 提升到 5 再到 7 时，每升一级，逻辑错误率大致减半；在距离为 7 的情况下，量子存储单元每个周期的错误率降到 0.143%。
更关键的是，这段量子存储的“寿命”已经比芯片上表现最好的单个物理量子比特长了 2.4 倍。工程师把这叫作“超越盈亏平衡点”，几乎是这个领域最接近“铁证如山”的里程碑。
创造“噪声中等规模量子”（NISQ）这一概念的 加州理工学院（Caltech） 教授 John Preskill 评论说，这次实验证明纠错确实能延长量子比特信息存活时间，“是一个值得记下的里程碑”。但他也提醒，量子计算对日常生活的实际影响，“可能还要几十年”。
十个月后，谷歌进一步加码。
2025 年 10 月，谷歌又在《Nature》发表 一篇关于“Quantum Echoes”算法的论文，宣称在世界最快级别的超级计算机上，相比最佳经典算法快了 1.3 万倍。
但细看条款限制就会发现，这个结果远没那么“通杀”。就连《Nature》新闻部的报道也提到，外部学者对其“优势证明”的力度存疑，而谷歌自己也承认，要做到密码学意义上的实用，还差好几个数量级的规模。
那次实验的价值是窄而具体的：它衡量的是量子系统如何“搅乱”信息，这对理解分子、磁性系统结构很关键，但它不会帮你跑 Excel。
其他玩家则在公开路线图上全速狂奔：
- IBM 预计 最晚 2029 年推出 Starling，一台拥有 200 个逻辑量子比特、可运行 1 亿逻辑门的容错量子机，中间会先后迭代 Nighthawk、Loon 等芯片；
- Quantinuum 承诺 2029 年前交付一台通用、完全容错的 Apollo 系统，先推 Helios，再在 2027 年上线名为 Sol 的处理器；
- 中性原子路线进展神速，利用激光“光镊”困住单个原子作为量子比特，成为扩展规模最激进的赛道之一。
其中有两项中性原子成果尤其被业内盯紧。
Caltech Endres 实验室在 2025 年 9 月 24 日发表于《Nature》的论文显示，他们在约 1.2 万个光镊位点上稳定操控了 6,100 个铯原子量子比特，实现 13 秒相干时间，单比特控制精度高达 99.98%。课题负责人 Manuel Endres 直言：“这是中性原子量子计算的一个激动人心时刻。”
另一边，哈佛大学的 Mikhail Lukin 团队联手 MIT 及初创公司 QuEra 走了另一条路：他们让一个 3,000 量子比特系统连续稳定运行超过两小时，期间总计循环利用了逾 5,000 万个原子，并以每秒最高 30 万个的速度“补仓”流失原子。
Lukin 说：“我们已经验证了 3,000 比特系统的连续运行能力，很明显，这一方案在更大规模上同样适用。”
也有“泼冷水”的案例。
微软 在 2025 年 2 月高调宣布 Majorana 1 芯片，声称实现了首批“拓扑量子比特”——这类架构从底层设计上就试图对错误免疫。但在同年 3 月的一场物理学大会上，多数同行并不买账。理论物理学家 Henry Legg 随后在《Nature》发表正式质疑，认为他们用来“验明正身”的信号，很可能被普通物理效应伪装出来。
这一方向的开拓者之一 Sankar Das Sarma 对微软的材料工程进展给予肯定，却对其“物理证据”依旧不以为然。
在这个领域，新闻稿和实验室“铁证”之间的落差，往往才是投资者最该记住的一课。
延伸阅读：杨植麟拒绝了苹果——现在他的 Kimi K3 在编码上压价 Claude Fable 5
AI 正悄悄替量子打工
一个经常被忽略的事实是：AI 根本没等量子计算成熟才出手，它已经成了量子实验台上的“标配工具”。
谷歌旗下 DeepMind 团队在 2024 年 11 月发表于《Nature》的研究中介绍了 AlphaQubit——一个神经网络量子纠错解码器。基于 Sycamore 处理器的数据训练后，相比张量网络方法，错误率减少 6%，比相关匹配算法少 30%。
解码环节，是 AI 真正展现价值的地方。量子芯片会不断吐出错误“综合信号”，必须有一个系统能实时读懂这些模式，并在新错误堆积之前完成纠正。
超导量子比特的操作节奏是几十到几百纳秒级，解码器既要足够准确，又要快得近乎“残暴”。一旦错过时间窗，错误在补丁打上去前已经“连锁爆炸”。
同样的机器学习压力，正在量子技术栈的其他层面铺开：
- 神经网络被用来自动标定量子比特、调优控制脉冲；
- 强化学习已被用来探索更快的算法，例如 DeepMind 的矩阵乘法工作 AlphaTensor；
- 更智能的 AI 解码器正在持续降低“物理比特：逻辑比特”的冗余比。
最后一条比听起来要重要得多——每减少一点纠错开销，就能在不“发明”新物理比特的前提下，把实用机型推近一步。
这种硬约束，也解释了为何硬件巨头纷纷把量子芯片和经典加速器绑在一起。
英伟达（Nvidia） 在 2025 年 10 月发布了开放互连标准 NVQLink，把量子处理器与 GPU 超级计算机“直连”。该联盟背后站着 17 家量子厂商和 9 家美国国家实验室。Quantinuum 利用 NVQLink 为其 Helios 芯片跑出了首个可扩展实时解码器，反应时间压到 67 微秒。
黄仁勋的推介非常直接：量子计算机不可能“单机运行”，你必须给它配一台经典超算做“大脑”。
这基本勾勒了可预见的近未来：一套混合架构，AI 模型实时为那些极其脆弱的量子比特做标定、调优和“保姆式值守”。
延伸阅读：Anthropic 否认“封杀开源权重”指控，但点名了真正的恐惧
量子到底能给 AI 带来什么？
换个问法：量子计算能让 AI 本身变得更聪明吗？
诚实的答案是：远没有市场营销说得那么神奇，至少目前如此。
业内曾经的美梦，是所谓量子机器学习——一些看上去能在数据任务上带来“指数级提速”的量子算法。但一位少年的工作给这个故事重重敲了一记警钟。
2018 年，Ewin Tang 在论文中证明，一台经典计算机可以在现实假设下达到某个“明星级”量子推荐算法相同的效率；此后她又陆续“去量子化”了多种类似算法。她的系列工作把一个事实揭了出来：很多所谓“指数加速”，其实是把不现实的数据装载假设藏在角落里，而不在量子运算本身。
量子机器学习反复被两大问题咬住不放：
- 输入瓶颈：要把普通经典数据编码进量子态，本身可能耗光所有理论增益；
- “贫瘠高原”：随着量子线路变大，训练损失函数会变成几乎无梯度的“平原”，优化几乎停摆。
著名量子复杂性理论学者 Scott Aaronson 这些年一直在提醒外界：看清论文里的技术小字。
那么，量子真正擅长什么？
最“对口”的领域，仍然是模拟其他量子系统：化学反应、材料性质、某些复杂优化问题，都是自然界原生的量子系统，量子计算机更像在“讲同一种语言”。
这是个很实在、也足够有钱景的细分市场：更高能量密度的电池、更高效的催化剂、全新药物分子候选，都寄望于此。
但这和“量子会把你的聊天机器人推成超级智能”的故事完全是两回事。Preskill 自己就把当前阶段定义为“噪声中等规模量子时代”，更多是针对具体问题的有用实验，而不是科幻片里的万能机。
延伸阅读：OpenAI“叛逃代理”入侵范围再扩大：超出 Hugging Face 的又 4 项服务被波及
别轻易把“省电”故事讲过头
AI 的能耗，正在演变成基础设施难题。
国际能源署（IEA）预测，到 2030 年，全球数据中心的用电量将升至约 9,450 太瓦时，远高于 2024 年的 4,150 太瓦时——几乎翻倍。这个数字接近日本一整年的总用电量。
IEA 还指出，在同一时间段内，专为 AI 优化的数据中心用电，很可能要涨到如今的四倍以上。
在这样的背景下，一个“诱人叙事”开始流行：量子计算基于奇特的物理机制，也许能把能耗账单一刀砍半。
这恰恰是需要格外谨慎的地方。
理论上，量子计算机确实有可能在特定问题上，用更少的算力与能耗完成经典超级计算机要耗费巨资才能完成的任务——比如某些密码学操作、量子化学模拟或组合优化。但从实验室演示到真正替代一部分 AI 和云计算负载，中间隔着一整条产业链：设备成本、运维门槛、可编程性、软件生态、冷却系统能耗本身……任何一个环节都可能让“省电故事”打折。
换句话说，在能耗问题上，量子更像是某些算力场景的“特种部队”，而不是全面取代 GPU 数据中心的“新能源”。在可以预见的未来，真正的格局更可能是：AI 驱动的经典算力继续扩张，少数高价值、高算力密度的任务被交给量子与经典混合系统，整体电力版图会更复杂，而不是简单“腰斩”。 在这些“量子友好型”问题上，量子计算机能用远少于经典超级计算机的运算次数完成特定化学与优化任务，从而在这些细分场景中节省能源。
但它们不会来给你的大语言模型“带货”，而且低温量子系统本身就要付出昂贵的制冷成本。更现实的说法是：在适合量子算法的窄领域提升能效，而不是为 AI 带来一场电网级“减负救援”。
谁要是把后者当卖点，那基本是在“讲故事”。
延伸阅读：苹果通过 Klarna 推出租赁服务：iPhone 月费 17.99 美元起
这事怎么打到你的钱包上
人工智能、量子计算和个人财富最直接的交集在于“密码学”。
RSA、公钥椭圆曲线等主流公钥加密方案，依赖的是对经典计算机极难、但对足够强大的量子计算机却相对容易的数学难题，而这正是得益于 Shor 算法。
真正让持有“长期机密”的人该睡不着的词叫：“先收集，后解密”（harvest now, decrypt later）。攻击者完全可以今天就把加密通信全部录下来，等量子硬件成熟后再慢慢破解。
NIST 已在 2024 年 8 月给出官方应对方案，正式发布三项抗量子密码标准：ML-KEM、ML-DSA 和 SLH-DSA，2025 年 3 月又增选 HQC 作为后备算法。
时间表写得非常清楚：按 NIST 过渡草案，RSA 和 ECC 将在 2030 年起被“降级”，到 2035 年彻底禁用。
加密货币正好在爆心之中——区块链同样是搭在椭圆曲线签名之上的。
比特币的风险是真实存在且有争议的。一份 德勤（Deloitte） 研究估算，超过 400 万枚比特币（约占总量 25%）暴露在“付至公钥”（P2PK）输出与重复使用地址中，这些地址的公钥已经对外可见。
更新的链上分析给出更高数字。Google Quantum AI 的研究指出，一旦把所有已暴露和重复使用的公钥都算上，大约有 650 万到 690 万枚 BTC 面临潜在风险，接近流通供应量的三分之一，其中仅早期 P2PK 脚本就占了 170 多万枚。
应对措施已经在路上，但推进极不均衡：
- 比特币开发者正在讨论 BIP-360，一种抗量子的地址类型，但目前仍停留在提案草案阶段，没有落地激活时间。
- 以太坊 (ETH) 基金会公布了抗量子路线图，Vitalik Buterin 也给出了将签名、账户和证明体系迁移到抗量子方案的设计思路。
- Solana (SOL) 提供基于哈希一次性签名的可选 Winternitz Vault，但默认账户依然使用存在量子风险的椭圆曲线。
目前，没有任何一条主流公链在协议层真正实现“量子安全”，大家都还在设计“救生艇”。
延伸阅读：BIP-110 搁浅：Saylor 称规则修改是对所有持币者的攻击
当两种技术开始相互加速
真正让安全圈紧张的是“耦合效应”——一个领域的突破开始加速另一个领域的进展。
Google 的 Craig Gidney 在 2025 年 5 月改写了“账本”。他的最新估算显示：在算法层面，只需不到一百万个有噪声量子比特，就可以在一周内因式分解 RSA-2048，相比他和合作者 2019 年给出的 2000 万量子比特需求，直接砍掉约 20 倍。
也就是说，从论文推演上看，打破你加密体系所需的量子比特数量，在短短六年里被削去了 95%。
这完全不依赖任何一台“现成的”量子机器——这是算法与纠错编码层面的进步，而这恰恰是 AI 越来越擅长“挖潜”的方向。
Gidney 的改进来自更聪明的算术实现和更紧凑的纠错布局，而不是新硬件。同样的优化压力如果持续施加在密码攻击模型上，资源估算就会不断往下滑。
安全研究者越来越倾向把问题视作“动态移动的靶子”，而非某个固定的世界末日日期。更谨慎、也更现实的解读是：AI 正在悄悄降低量子硬件需要跨越的门槛。
这也是为什么“我们还有好几年时间”的判断，只是站在硬件进度角度，而不是数学地基本身。
延伸阅读：以太坊巨鲸单日抛售 4.3 亿美元，交易所储备跌至十年低位
资本押注与分歧
资本市场早就盯上了这一切。
麦肯锡（McKinsey）报告显示，量子计算公司在 2025 年整体营收首次突破 10 亿美元，创业投资达到 126 亿美元，是前一年的 6.3 倍，预计到 2035 年可创造 1.3 万亿至 2.7 万亿美元经济价值。
各国政府也在砸钱，但信心与节奏高度不一致：
- 美国《国家量子倡议法案》在 2018 年签署时授权约 12 亿美元预算。
- 欧盟“Quantum Flagship” 计划自 2018 年起，十年内至少投入 10 亿欧元。
- 中国的总投入普遍被引用为约 150 亿美元，源于麦肯锡估算，但缺乏透明披露，存在明显争议，需要非常谨慎对待。
真正存在分歧的，是时间线。
IBM 和 Quantinuum 都把“容错量子计算”目标定在 2029 年前后。Google 也坚持用“以年计”而非“以十年计”的表述来描述自己的路线图。
另一边，黄仁勋又一次“自带波动率”。他在 2025 年 1 月的一次访谈中放话，称实用级量子计算机可能还要 20 年，引发量子概念股大幅震荡；两个月后的 Nvidia Quantum Day 上，他又半开玩笑地“收回前言”，说自己是特意请来一众嘉宾来“证明他错了”。
安全界则用概率来对冲不确定性。Global Risk Institute 在一份调研中，访谈了 26 位专家：他们认为“具备密码学攻击意义的量子计算机”在 10 年内出现的概率“相当可能”（28%–49%），15 年内则“很可能”（51%–70%）——这是该年度报告历史上的最高预期。
像 Das Sarma 这样的怀疑派仍坚持认为，真正可用、具备完善纠错能力的机器，比业界路线图展现的要远得多。
两种判断有可能同时成立：量子威胁也许要十年才“落地”，但现在就必须开始行动，因为密码体系迁移需要多年，而被“收割”走的加密数据本身是不会过期作废的。
延伸阅读：美联储三位官员罕见投下反对票，专家称加密市场正处于最糟配置
更接近现实的图景
把各种营销话术先剥离掉，轮廓其实相当清晰。
AI 是当下更成熟的一极，已经在通过更好的译码、校准和控制系统，让量子计算机“长得更快、更稳”。量子对 AI 的回馈则更偏向纵深型——在化学计算与复杂物理模拟方面确有硬核优势，但在绝大多数 AI 应用场景中，当前被严重高估。
真正紧迫的并不是某个“超级大脑”的诞生，而是互联网底层加密结构的“慢性侵蚀”：量子算法一步步蚕食传统密码学的安全裕度，而 AI 又在不断加速这种蚕食。
你不需要赌一个准确的年份，只需要假定：迁移本该已经在路上。
量子机器还在被造出来，它们的“防护罩”也还在被设计。对机构和个人而言，更聪明的做法，是把目光同时盯在这两场赛跑上。