重磅！中国首个光量子计算机制造工厂落地深圳南山！
2025年8月22日至24日，由广州市人民政府主办的广州医疗与健康产业博览会（简称“广州医博会”）在广交会展馆成功举办。作为第33届广州博览会的核心专业展，展会以“发展新质生产力，共享健康新未来”为主题，设有3个展馆、18个展区，来自医疗机构、生物医药企业、高端医疗设备公司、第三方服务机构及金融机构的参展单位超过200家。展会期间，共举行19场高端会议活动，全面展示医疗健康产业的最新发展与创新技术。
在主论坛——广州医博会启动仪式暨“广州市全链条支持创新药高质量发展”主题活动上，国家、广东省、广州市及全国兄弟城市相关部门领导，国内外商会协会代表、专家学者、重点展商代表、媒体代表等重磅嘉宾出席大会，一同为大会启幕。
钟南山院士视频致辞，中山大学孙逸仙纪念医院宋尔卫院士，四川大学华西医院刘进教授，百济神州生物岛创新中心首席执行官、百济神州生物药业有限公司董事长刘建博士，康方药业有限公司联合创始人、执行副总裁、首席科学官李百勇博士，广州海博特医药科技有限公司董事长王帅帅，北京玻色量子科技有限公司（以下简称“玻色量子”）创始人&COO马寅等应邀出席，并发表精彩的主题演讲。
在AI制药领域，玻色量子通过自研的相干光量子计算机，以及量子玻尔兹曼机领先突破AIDD（AI Drug Discovery，人工智能驱动药物研发）面临的计算瓶颈，充分发挥组合优化天然优势、构建量子增强机器学习模型、重构生成式AI模型赋能加速药物发现三大核心竞争力，联合生态合作伙伴接连取得一系列成果突破。此次玻色量子作为特邀嘉宾在主论坛发表主题演讲，突显出国产专用量子计算已领先赋能AI制药领域并取得实用化技术突破。
大会现场
钟南山院士视频致辞
玻色量子创始人&COO马寅演讲现场
玻色量子展台
展会现场
See The Unseen
量子计算的单位是量子比特（QUBIT，又称量子位），是一种能表现出量子效应的物理实体。与经典计算机使用的比特只会表现出0或1的状态不同，由于量子的叠加特性，量子比特可以同时存在多种状态。对于使用二进制的量子比特而言，就是可以同时处于“0”和“1”两个状态的叠加态。由于量子比特叠加态的特性，具有经典计算无法比拟的巨大信息携带和超强并行处理能力，能够在特定问题上提供指数级加速。
玻色量子创始人&COO马寅演讲现场
马寅现场介绍，国外已有多家领先制药企业正积极布局量子计算，全球量子计算与生命科学应用实践案例众多。例如，克利夫兰诊所与IBM开展合作加速生物医学发现，IBM将首台商用量子计算机Quantum System One部署在克利夫兰诊所，专注于蛋白质结构、癌症研究与神经退行性疾病治疗；跨国医药产品供应商勃林格殷格翰与Google合作，将量子AI算法用于疾病研究及最终的新药研发；英国生物医药公司葛兰素史克与英国国家量子计算中心合作，利用量子计算获得的分子特征，再用于机器学习模型中进行预测，以提高药物反应性预测能力。
当前，AIDD面临巨大着精度和规模复杂度的“双重”计算瓶颈。在计算精度方面，当前的AI模型本质上是强大的模式识别与数据插值工具，其能力高度依赖于训练数据的质量与广度，并受限于经典物理的描述范畴；精准预测药物的结合亲和力，是衡量其活性的关键，而这要求计算精度达到所谓的“化学精度”；AI模型可以从实验数据中学习这种相互作用的结果，却无法从第一性原理出发精确模拟其过程。
在规模与复杂度层面，AIDD仍未摆脱“组合爆炸”的阴影。无论是探索广阔的化学空间（据估计，具有类药性的小分子数量超过10^60种）以从头设计新分子，还是在多维的构象空间中寻找最优解，这些问题本质上都是NP-Hard问题；AI可以通过高效的启发式搜索策略找到高质量的解，但无法保证在多项式时间内找到全局最优解。
量子计算赋能加速
药物发现三大路径
玻色量子技术团队通过不断技术攻坚发现了量子计算赋能加速药物发现的三大路径。
路径一：发挥组合优化天然优势
利用量子叠加性和并行性。一个包含N个量子比特的寄存器，可以通过叠加态同时表示2^N个可能的状态，这意味着量子计算机在一次操作中就能处理经典计算机需要2^N次才能完成的计算量。
路径二：构建量子增强机器学习模型
将量子采样器作为核心模块嵌入经典机器学习框架，有望构建出表达能力更强、训练效率更高的量子玻尔兹曼机，从而生成经典模型难以发现的新颖、优质分子。
路径三：重构生成式AI模型
基于量子计算重构生成式模型加速药物发现，量子计算基于能量分布可以更真实地表征化学分子的隐空间，重构当前的深度学习模型，得到泛化性能更佳的生成模型。
马寅补充介绍道，玻尔兹曼机（Boltzmann Machine，BM）是由2024年诺贝尔物理学奖获得者杰弗里·辛顿（Geoffrey Hinton）教授提出。它是一种基于统计物理的能量神经网络模型，将数据变量映射为自旋粒子，驱动系统向最小能量态演化，其中节点的状态符合玻尔兹曼分布。同时，玻尔兹曼机也是个很好的无监督生成学习模型，隐变量的引入使得玻尔兹曼机可以很好的学习数据间的潜在概率分布和相关性，为深度学习奠定了基础。
在分子和细胞等微观尺度上，生命过程遵循统计物理与热力学定律，许多生物数据严格符合玻尔兹曼分布，呈现接近热平衡状态。玻尔兹曼机基于这一物理本质构建模型，能够自然刻画生物系统中的概率分布与复杂关联关系，从而在分子结构预测、基因调控网络分析等生物问题求解中展现独特优势。
开源国内首个
PyTorch开发套件
马寅强调，BM/RBM（Restricted Boltzmann Machines，受限玻尔兹曼机）作为深度神经网络的鼻祖，在刻画数据特性、联想记忆查询等方面具有不可替代的理论优势。然而，全连接无向图的计算训练过程，传统CPU和GPU计算架构无法展开，严重限制了这项技术发展。由此，业界普遍转向计算图更简单的分层前馈网络并衍生出Transformer 架构，形成了今日的大模型范式。
由于相干光量子计算机底层物理计算逻辑完美匹配玻尔兹曼机的全连接属性，易用性更高，还能实现快速精准的玻尔兹曼采样，可以在毫秒级时间内单次返回数千个量子采样结果。实验验证表明，量子增强的玻尔兹曼机（QBM）在训练速度上可实现指数级加速（理论上，n个量子比特可同时处理2^n种状态），模型容量可提升至玻尔兹曼机的指数级。
为加速全球“量子计算+AI”融合创新，玻色量子重磅推出国内首个量子玻尔兹曼机（QBM）及开源编程套件（KPP），玻色量子已于PyTorch生态开源发布该训练套件，开放完整 Python API，致力于用PyTorch自由定义能量神经网络，以量子玻尔兹曼机拓展AI研究和应用新边界。
玻色量子应用案例
会上，马寅详细介绍了玻色量子基于量子玻尔兹曼机进行蛋白结构预测的算法框架。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，天然蛋白的氨基酸分布服从玻尔兹曼分布，玻色量子研究团队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。
在生态合作方面，玻色量子联合广州国家实验室开发了蛋白质结构预测量子算法。基于量子玻尔兹曼机，高效求解Potts模型的同时精确预测蛋白氨基酸残基接触图，已经在100结点的数据集上实现收敛，突破了传统算法难以攻克的复杂场景。
目前，玻色量子还与上海交通大学、中山大学药学院、北京肿瘤医院、清华长庚医院等在蛋白质结构预测、分子相似性筛选、多肽对接、变构位点预测等场景展开实用化量子计算应用探索。此外，玻色量子构建了“药企-高校-医院-国家实验室”四位一体合作体系，未来与顶级高校、医院及药企携手展开深度合作，推动生态共建，共享量子算力与数据资源，加速推进药物开发和临床验证的进程。
最后，马寅总结，基于量子玻尔兹曼机，玻色量子不仅引领生命科学基础研究和药物发现行业向精准、高效的研发范式加速迈进，开启AI制药新范式，还将全面推进实用化量子计算在各行各业的场景落地。
大会现场
