大会现场

玻色量子副总裁巨江伟演讲现场

会议现场

会议现场

量子计算作为一种颠覆性的计算范式，能够为人工智能领域带来全新的变革与机遇。然而量子算力的发展还处于初期阶段，在硬件、平台、算法、应用等层面都有待突破。玻色量子副总裁巨江伟介绍，从客户应用角度，量子计算机可分为基于逻辑门的通用量子计算机和非门型的专用量子计算机。

硬件层面，通用量子计算机代表企业谷歌的“悬铃木”、IBM的“Eagle”已验证量子优越性；专用量子计算机代表企业玻色量子研制中的新一代相干光量子计算机，是目前国内首个突破千比特规模、唯一可长时间稳定运行的专用光量子计算机，它具有更强的计算能力、更广泛的应用前景和更强的扩展性，在量子计算机的商业化、实用化上到达了新的里程碑，在人工智能、通信、金融、医药、能源等行业有更大的实用化应用前景。

演讲现场

相干光量子计算机是一种专用的求解伊辛模型的量子计算机，由光量子态制备、光量子存储器和测控一体机三个核心模块组成。基于伊辛模型原理，利用光纤中的激光脉冲进行量子比特的制备，利用量子系统往基态能量进行衍化的过程来寻找最低哈密顿量（计算问题的最优解），具有极高的并行计算能力和快速求解能力。相比于超导、离子阱等其他技术路线，玻色量子自研的相干光量子计算机可以在室温下稳定运行，且花费的成本更低。

巨江伟现场讲解道，相干光量子计算机作为专用量子计算架构，能够并行遍历势能面并快速收敛到全局最优解，避免了经典算法在NP-hard问题中因遍历指数级解空间而产生的计算瓶颈。实验表明，在处理大规模组合优化问题时，相干光量子计算机在求解速度与能耗效率上相比传统冯·诺依曼架构可呈现数量级优势，为突破经典计算极限提供了新范式。

量子计算作为下一代计算范式，未来将极大赋能人工智能的发展。目前，全球范围内的量子计算与人工智能公司都在积极探索两者的结合方向。英伟达推出了CUDA-Q架构，旨在为量子-经典混合计算提供统一的开发平台；谷歌量子人工智能实验室也在持续推动量子算法与AI模型的融合研究。量子计算与人工智能的协同发展正成为科技前沿的重要趋势，未来将共同推动技术突破与应用落地。

在传统计算范式下，基于冯・诺伊曼架构的计算设备在进行AI模型训练时往往面临高时间复杂度和高能耗的双重困境，严重束缚了 AI 模型的迭代速率与应用边界拓展。在AI模型训练环节，由于数据在存储器和处理器之间存在频繁的数据传输，形成“冯・诺伊曼瓶颈”，导致模型参数的最优化和更新过程效率低下，影响了模型的训练速度；其次在推理阶段，该架构下的计算输出单向进行，需反复调用数据和计算结果，导致推理效率难以提升。而玻色量子自研的相干光量子计算基于其强大的计算能力和低能耗的特性，可从算子和算法层面加速AI模型的训练和推理效率，有望解决当前AI发展的算力和能耗瓶颈。

在“量子计算+人工智能”领域，玻色量子联合清华大学李升波教授研究团队，提出一种专用于前馈神经网络训练的量子-经典混合加速算法——使用相干量子计算机的多层前馈神经网络训练方法。通过相干光量子计算机真机，可在毫秒内解决大规模的二进制优化问题，这是国际首个可以在相干光量子计算机上训练多层神经网络的算法。

2025年6月，国务院参事、清华大学信息科学技术学院院长、北京信息科学与技术国家研究中心主任、中国人工智能学会理事长戴琼海、玻色量子创始人&COO马寅以及国家万人计划领军人才、国家科技创新人才、广州市杰出人才、纬德信息董事长尹健携手发布“‘CAAI-玻色’量子计算应用创新基金”，这是由中国人工智能学会与我国量子计算公司首次发起的 “量子计算+AI ”揭榜挂帅项目，也是量子计算首次融入人工智能生态圈的标志性起点。

戴琼海理事长、玻色量子创始人&COO马寅、纬德信息董事长尹健共同参与点亮仪式

量子计算与AI的协同发展正成为科技前沿的重要趋势，玻色量子研究团队基于相干光量子计算机针对“量子原生AI ”——量子玻尔兹曼机神经网络（QBM）——开创了新的训练方法。这一创新方法巧妙利用了伊辛模型与玻尔兹曼机在数学上的等价性，解决了经典玻尔兹曼机因高复杂度而无法高效训练的难点。玻色量子提出的基于相干光量子计算机的量子训练方法，以量子采样替代传统的Gibbs Sampling方法，大幅提升了玻尔兹曼机的训练效率，展现了“量子+AI”的深度融合。

基于量子玻尔兹曼机神经网络，玻色量子实现了蛋白质结构预测的算法框架的真机场景验证。现有基于AI的方法，如AlphaFold等依赖于大量结构数据进行训练，在一些类别上的蛋白预测精度仍难以满足下游任务的需求，其中膜蛋白的预测精度最为明显，而药物开发靶点的60%为GPCR。通过实验验证，天然蛋白的氨基酸分布服从玻尔兹曼分布，借助物种的进化学信息和光量子计算机的玻尔兹曼采样能力，来快速学习得到蛋白序列长时的进化学信息，从而捕捉到精确的氨基酸互作关系。

此外，玻色量子已经实现了量子-经典混合的QBM-VAE（经典的变分自编码器）生成建模方式。并且在单细胞转录组学分析（一种在单细胞水平检测基因表达以揭示细胞异质性和功能差异的技术）中进行测试，结果表明QBM-VAE可显著提升聚类精度，检测到传统方法无法辨识的新型细胞亚型（具有独特特征的新致病因素），为靶点发现提供新线索。

随着相干光量子计算机硬件的发展，玻色量子自研的多种量子-经典混合算法架构将在生物制药、晶体结构筛选等高复杂度、离散空间建模任务中发挥显著的加速优势，通过引入量子玻尔兹曼机对潜在变量进行高表达能力建模。

玻色量子基于专用型光量子计算架构，与国内优秀合作伙伴共同开展基于量子计算的人工智能融合研究，在AI加速、AI改造、量子原生AI三个方向已不断取得进展与成果突破，同时也建立起完整的产学研用合作模式，积极地为未来人工智能的发展贡献量子力量。