量子悬崖

2016年，Google首席执行官孙达尔·皮柴在全体员工备忘录里写下了一句话：公司要从“移动优先”转向“人工智能优先”。那一年，Google的广告收入还在涨，Android系统已经装进了全球超过二十亿部手机，移动互联网看起来仍然是一个远未开采完毕的金矿。

但皮柴看到的不是这些。他看到的是另一组数字：Google翻译在引入神经网络后，错误率一夜之间下降了六成以上；DeepMind的AlphaGo在首尔击败了李世石，让全世界第一次意识到“深度学习”这四个字不只是论文里的术语。

皮柴的判断很直接——移动互联网的格局已经基本定型，而人工智能将重新定义什么叫“计算”。

同一年，IBM的研究人员在纽约州约克敦海茨的实验室里，正在为一台看起来像倒挂吊灯一样的机器做调试。那是一台量子计算机的早期原型，外壳内部层层叠叠的金属管线要把温度降到比外太空还冷——接近绝对零度。

那台机器能操纵的量子比特不到二十个，运行几分钟就需要重新校准，算力大致相当于一台三十年前的经典计算机。IBM的科学家们并不讳言这一点。他们在论文里坦率地写道，量子计算目前解决不了任何实际问题。

但就在同一年，IBM宣布将这台机器接入云服务。任何拥有网络连接的人都可以通过IBM的量子云平台编写程序，在上面运行几行量子代码。这个举动看起来像是科普推广——让大学生和研究者熟悉一下量子计算的基本概念。

但如果你把皮柴的备忘录和IBM的量子云放在一起看，就会发现一个奇特的并置：一边是已经证明自己能赚到真金白银的人工智能技术，正在被一家广告公司宣布为未来十年的核心战略；另一边是一台连最简单的加减法都算不利索的实验机器，正在被它的制造者包装成一种可以远程访问的云服务。

2023年12月，IBM发布了代号为“Condor”的量子处理器，拥有1121个量子比特。这个数字突破了千比特的心理关口，在科技媒体上引发了一轮热闹的报道。

但如果你仔细读IBM自己发布的新闻稿，会发现措辞异常谨慎。新闻稿里没有声称Condor能做什么实际的计算任务，没有给出任何与传统GPU的性能对比数据，只是把它描述为迈向以量子为中心的超级计算时代的一个节点。在科技公司的公关语言里，“节点”这个词有一个精确的含义：我们还没有到达目的地，但我们希望你认为我们正在正确的路上。

千比特量子处理器听起来很唬人。但量子比特的数量本身并不直接等同于计算能力。一台拥有上千个量子比特的机器，如果这些比特的相干时间太短、错误率太高、彼此之间的连接不够灵活，那么它实际上能执行的量子门操作可能比一台只有几十个高质量量子比特的机器还要少。

IBM自己的工程师知道这一点，他们在技术白皮书里承认，Condor的发布更多是为了测试大规模量子比特的制造和封装工艺，而不是为了证明量子优势。换句话说，Condor是一个工程样品，不是一件产品。那么问题来了：为什么一家上市公司要发布一件不是产品的产品？

这个问题的答案不在量子物理里，而在四层协作系统的深层恐惧里。让我们先回到芯片层。在本书的前半部分，我们详细拆解了英伟达如何通过CUDA生态和A100/H100系列GPU建立起AI算力的垄断地位。

但有一个事实被我们暂时搁置了：GPU本身是经典计算的产物，它依赖的是硅基晶体管在二维平面上不断缩小制程。摩尔定律——芯片上晶体管的数量大约每两年翻一番——已经持续了半个多世纪，但所有物理学家都同意一件事：这个定律正在逼近它的物理极限。当晶体管栅极缩小到几个纳米时，量子隧穿效应会让电子不受控制地穿过势垒，导致漏电流和发热失控。台积电的3纳米制程已经量产，2纳米在路上，但再往下走，每一个纳米的缩小都需要付出指数级增长的成本和工程难度。

芯片层看到了尽头。这不是一个遥远的理论上的尽头，而是在未来十到十五年内就会撞上的墙。

对于英伟达这样的公司来说，这意味着它目前的垄断优势建立在一种终将失效的技术范式之上。

当然，十年在科技行业是很长的时间，足够赚回几千亿美元的利润。但公司的估值从来不只是反映当下的利润——它反映的是市场对未来增长的预期。如果投资者开始认真计算摩尔定律的剩余寿命，那么今天给英伟达的万亿市值就要打上一个折扣。

这就是为什么芯片层需要量子计算，哪怕量子计算目前还解决不了任何实际问题。量子计算提供的是一个叙事：经典计算的物理极限不是算力的终点，因为还有另一条完全不同的技术路线——利用量子叠加和纠缠来进行计算——可以在经典计算走到尽头之后继续推动算力增长。这个叙事不需要量子计算机现在就比GPU更强，它只需要让投资者相信，当摩尔定律真的停下来的时候，会有替代方案接上。

这就引出了第二个“为什么”：为什么云服务层也迫不及待地拥抱量子计算？亚马逊AWS在2019年推出了量子云服务Braket，微软在同一年推出了Azure Quantum，谷歌云在更早的时候就通过自己的量子处理器Sycamore进行了“量子优势”实验。

这三家公司的共同点是：它们都没有自己制造可用的量子计算机。AWS Braket接入的是D-Wave、IonQ和Rigetti这三家专业量子硬件公司的机器；Azure Quantum同样依赖合作伙伴；谷歌虽然有自己的量子硬件团队，但其处理器目前也只能运行一些精心设计的基准测试，距离实际应用还很远。

但如果你从云服务商的商业逻辑出发，这个举动就完全合理了。我们在本书第十五章讨论过，云服务的本质是把算力变成一种可租赁的水电。这个商业模式需要一个前提：客户相信“算力”是一种可以无限扩展、按需取用的资源。如果客户开始怀疑算力的增长是否有上限，他们就会重新计算租赁和自建的性价比，云服务的增长故事就会受到质疑。

量子计算恰好提供了一个“无限算力”的想象空间——即便现在的量子云服务只能跑一些玩具级别的算法，但它让“量子即服务”这个概念提前进入了客户的认知。

当一家企业的CTO在规划未来三年的技术架构时，如果他已经在AWS Braket上注册了账号、跑过几个量子电路的示例程序，那么当真正的量子优势到来时，他大概率会继续留在AWS的生态里，而不是从头开始学习另一套平台。这就是云服务层的逻辑：不在于现在的量子云能做什么，而在于它提前占领了客户的认知生态位。

这种策略在科技史上有一个经典的先例：微软在个人电脑时代的统治地位，很大程度上不是因为它写出了最好的操作系统，而是因为它在IBM PC兼容机的时代就通过DOS和Windows提前锁定了用户的操作习惯和软件生态。等用户想要切换到另一个系统时，迁移成本已经高到难以承受。

但四层协作系统里还有另外两层——开源模型层和应用层——它们面对量子计算的态度要复杂得多。开源模型层在最近几年经历了一场狂飙突进的民主化运动。

Meta开源LLaMA系列模型、Hugging Face平台汇聚了数十万个社区贡献的模型、Stable Diffusion让任何拥有游戏显卡的人都能生成高质量的图像——这些进展的共同叙事是：算力门槛正在降低，AI能力正在从巨头的数据中心流向普通开发者的笔记本电脑。

但量子计算的出现，可能会彻底颠覆这个叙事。原因在于一个尴尬的悖论。量子计算最有前景的应用之一，是破解经典加密协议。1994年，数学家彼得·肖尔提出了一个量子算法，可以在多项式时间内分解大整数——这意味着一旦有足够强大的量子计算机，今天广泛使用的RSA加密体系将在几小时内被攻破。

对于开源模型层来说，这是一个致命的威胁。如果未来的量子算法能够破解当前的加密协议，那么今天用闭源模型建立的安全壁垒将一夜崩塌——但开源社区依赖的公钥基础设施、代码签名机制、模型完整性验证，也同样会被量子攻击瓦解。

开源模型层面对的是一个双重困境：它既不能指望闭源巨头会用量子加密来保护开源社区的利益，也不能假装量子攻击不会影响到自己。

这就引出了第三个“为什么”：为什么应用层已经在为量子机器学习这个尚不存在的领域下注？截至2024年，量子机器学习的真实状况可以用一句话概括：没有任何证据表明量子计算机在任何一个实际的机器学习任务上比经典计算机更快或更准。这不是因为研究者不够努力，而是因为一个根本性的瓶颈——现有的量子计算机能操纵的量子比特数量太少、噪声太大，无法处理真实世界的数据集。一篇2023年的综述论文在评估了上百项相关研究后得出结论：目前所有声称量子机器学习有优势的实验，要么使用的是人工合成的玩具数据集，要么其优势在经典计算机上可以用更简单的方法复现。

但如果你打开科技媒体的创业版，会看到完全不同的景象。从2021年到2024年，至少有几十家创业公司声称自己在做“量子机器学习”或“量子人工智能”，累计融资额超过十亿美元。

这些公司的商业模式有一个共同特点：它们并不真的用量子计算机来训练AI模型——因为根本没有可用的量子计算机——而是在经典计算机上模拟量子算法，赌的是“万一有用”的先发优势。如果十年后量子硬件成熟了，这些公司积累的量子算法专利和软件框架就会变成稀缺资产；如果量子硬件迟迟不能突破，它们在经典计算机上的模拟算法也可以作为一种特殊的优化工具继续存在。

这种“预期套利”的逻辑，在科技史上并不新鲜。十九世纪末的电力革命提供了一个精确的类比。在交流电真正点亮城市之前——在尼古拉·特斯拉和托马斯·爱迪生的“电流之战”分出胜负之前——已经有一大批企业家在铺设电缆、制定标准、争夺专利。他们中的大多数人在技术上押错了宝，爱迪生坚持直流电，最终输给了交流电，但那些铺设电缆和建设发电厂的公司，无论技术标准如何变化，都掌握着物理基础设施的控制权。当电力真正普及时，后来者可以发明更高效的灯泡和电机，但电网的所有权已经落入了先行者的手中。

量子计算正在上演同样的故事。超导量子比特和离子阱量子比特是当前两条主要的技术路线，它们之间的竞争表面上是物理实现方式的差异，本质上是在争夺“谁来定义下一代算力标准”的权力。

超导路线——IBM、谷歌和几家中国研究机构都在走这条路——的优势在于它可以借用半导体工业成熟的微加工技术，量子比特的制造和集成相对容易规模化；缺点是它对温度的要求极其苛刻，需要稀释制冷机把整个处理器维持在比外太空还冷的温度下，而且量子比特之间的串扰和噪声会随着比特数量的增加而急剧恶化。

离子阱路线——以IonQ和霍尼韦尔为代表——的优势在于单个离子的相干时间远比超导量子比特长，门操作的保真度更高；缺点是离子之间的相互作用需要通过激光来操控，而精确控制几百束激光同时打到几十个离子上，是一个工程上极其复杂的难题。

这两条路线目前都没有证明自己可以规模化到解决实际问题的程度。但围绕它们的专利布局、人才争夺和标准制定已经提前开始了。

2023年，IBM发布了量子路线图，计划在2033年之前实现由多个模块化量子处理器通过经典网络连接起来的混合系统。同一年，IonQ宣布与多家云服务商达成合作协议，将其离子阱量子处理器接入云端。这些公告的商业含义很清楚：我们还没有造出可用的量子计算机，但我们已经开始在产业链上划定自己的领地。

现在我们可以回答本章开头提出的那个问题了：为什么在经典GPU的算力成本还没有降到普惠线的时候，科技巨头和国家实验室已经在量子计算上押下了数百亿美元的赌注？答案藏在四层协作系统的权力结构里。芯片层看到的是摩尔定律的物理尽头，它需要在晶体管失效之前找到一个新的算力增长故事，否则它的万亿市值就会失去支撑。云服务层看到的是客户认知的空白地带，它需要在真正的量子优势到来之前把“量子即服务”的概念植入客户的IT预算里，否则它就会在下一轮技术范式转换中失去生态位。

开源模型层看到的是一个加密悖论——量子计算既能攻破闭源的安全壁垒，也能瓦解开源的信任基础设施——它无法独自应对这个威胁，但又不能指望闭源巨头来保护自己。应用层看到的是一个尚不存在的市场，但它知道一旦这个市场存在了，先发者将拥有定义接口和标准的权力，所以它必须在技术成熟之前就下注。

每一层都不是因为确信量子计算会在短期内成功而下注，而是因为害怕如果自己不下注而别人下了注，自己会在未来的权力格局中出局。这个逻辑制造了一个奇特的集体行动：整个产业链在为一个可能十年后才会兑现的技术承诺，提前进行资源分配和战略选择。

量子计算目前解决不了任何实际的AI训练问题，但它作为一个“预期机器”，已经深刻地改变了产业链上每一层的投资逻辑和竞争策略。这就引出了本章最深层的那个矛盾：量子计算对AI产业链的真正冲击，不在于它何时取代经典计算机，而在于“量子有用”这个预期本身已经变成了一种地缘政治和商业博弈的筹码。

2022年，美国政府通过《芯片与科学法案》，其中明确划拨了专项资金用于量子计算研究。2023年，欧盟启动了量子旗舰计划的第二阶段，总预算超过十亿欧元。中国在“十四五”规划中将量子信息列为战略性新兴产业，并在合肥建设了量子信息国家实验室。这些政策举措的背后是一个共同的判断：谁掌握了下一代算力标准的定义权，谁就掌握了未来三十年信息产业的基础设施控制权。这个判断本身没有问题。

问题在于，当大量公共资源被导向一个尚未证明自己能解决实际问题的技术路线时，那些更紧迫的算力瓶颈——比如我们在第十八章讨论的电力基础设施、比如经典芯片制程的渐进改良、比如开源模型的安全治理——就可能面临资源被挤出的风险。量子计算的“预期套利”有一个隐性的社会成本：它把当下的注意力和资金从那些不那么性感但更紧迫的问题上转移开了。这不是说量子计算不应该被研究。基础科学永远需要超前投入，二十世纪初研究量子力学的人也不知道他们的方程会在半个世纪后催生出晶体管和激光。

但基础科学投入的逻辑和产业链投资的逻辑是不同的。基础科学允许失败，甚至鼓励探索那些可能永远没有实用价值的路径；产业链投资则需要回报，哪怕这个回报被推迟到十年之后，它也必须在某个时间点兑现。当这两种逻辑混在一起——当国家实验室和上市公司用同样的语言描述量子计算的未来时——我们需要格外警惕那些被省略掉的限定词和不确定性。IBM在发布Condor的新闻稿里有一句话值得反复品味。

原话大意是：我们正在构建一个以量子为中心的超级计算生态系统。这句话的主语是“我们正在构建”，不是“我们已经实现”；宾语是“生态系统”，不是“产品”或“服务”。整个句子的修辞结构是在用现在进行时描述一件还没有发生的事情，仿佛它已经在发生了。这就是“预期机器”的语言工艺：它不撒谎，但它把未来的可能性包装成当下的进展，让听众自己去完成那个从“可能”到“必然”的心理跳跃。

2024年秋天，当本书的这一章正在写作时，全球量子计算的真实状况大致是这样的：最好的超导量子处理器拥有超过一千个物理量子比特，但要执行一个有用的逻辑量子比特操作——即错误率低到足以进行可靠计算的抽象量子比特——大约需要几百到几千个物理量子比特来进行纠错。换句话说，一千个物理量子比特经过纠错后，可能只能得到一个逻辑量子比特，而一个有用的量子计算任务可能需要几百个逻辑量子比特协同工作。按这个比例换算，我们需要几十万甚至上百万个物理量子比特才能做一件经典计算机做不了的事。

没有人知道这个目标什么时候能实现，甚至没有人确定它是否一定能实现。我们不知道量子计算是否真的能打破经典算力的瓶颈。我们不知道超导和离子阱哪条路线会胜出，或者两者都会被某种尚未发现的技术取代。我们不知道量子机器学习是否真的存在经典算法无法复现的优势。这些都是诚实的未知，把它们写出来不是悲观，而是对读者智识的尊重。

但我们知道一件事：在等待这些未知被澄清的过程中，产业链上的每一层已经在用量子计算的预期来重新分配资源和权力。芯片公司在用“后摩尔时代”的故事维持估值；云服务商在用“量子即服务”的入口锁定客户；开源社区在面对加密崩塌的悖论；创业公司在赌一个尚不存在的市场。这些选择不取决于量子计算是否真的有用，而取决于每个参与者对“别人会怎么做”的预判。

当所有人的行动都基于对别人行动的预判时，预期本身就变成了现实的一部分——哪怕那个预期的技术基础还没有到来。这就是量子悬崖的含义。它不是一道突然出现的断崖，而是一道逐渐逼近的地平线。产业链上的每一个玩家都在朝着那道地平线奔跑，有的人是真的相信地平线那边有新的土地，有的人是因为看到别人在跑所以自己也必须跑，还有的人是在计算跑到地平线之前能从现有的土地上榨取多少利润。

但所有人都在跑，因为停下来的代价——被下一轮技术范式抛弃的代价——比跑错方向的代价更大。这道悬崖的存在已经改变了当下的算力格局。

它让那些拥有最多资本和最久耐心的玩家——科技巨头和国家实验室——获得了定义未来的先发优势，而那些资源有限的小公司和开源社区，只能在别人设定的议程里寻找自己的生存空间。四层协作系统的权力流向，正在被一个还没有发生的技术革命提前重塑。

而那张我们在第十八章讨论过的账单——电力基础设施的瓶颈、输电线路的老化、变电站的容量上限——并不会因为量子计算的承诺而自动消失。它还在那里，累积着利息。数据中心依然在吞噬着电网的负荷，GPU集群依然在消耗着冷却塔的水资源，而所有这些物理约束都不会因为地平线那边有一台想象中的量子计算机就暂时宽限。预期可以提前兑现为股价和战略，但电费必须按月缴纳。