量子计算的天敌

2026年4月2日，顶级期刊 Nature Physics 发表了一篇关于量子计算的重要论文：《Noise-induced shallow circuits and the absence of barren plateaus》。

作者来自Freie Universität Berlin、École Polytechnique Fédérale de Lausanne、Massachusetts Institute of Technology、University of Chicago等多家一流机构。无论从期刊层级还是作者背景来看，这都是一篇具有较高可信度的重磅论文。

但这篇论文真正值得关注的，不是技术细节，而是它提出的一个更为根本性的问题：在尚未实现容错纠错的前提下，量子计算究竟还能保留多少真正的优势？

过去几年，量子计算领域一个重要方向是“变分量子算法”。它的基本思路并不复杂：给量子计算过程引入一组参数，通过不断调整，使输出结果逐步逼近目标，这一点与机器学习中的训练过程相似。

但很快，一个困难显现出来。随着系统规模增加，优化过程往往陷入停滞：参数变化变得越来越不明显，几乎无法判断下一步该如何调整。这种现象常被称为“梯度消失”。

在这样的背景下，一个看似合理的判断逐渐形成：如果这种“难以优化”的问题能够避免，那么量子算法或许还有希望发挥一定的作用。

这篇论文的出发点，正是对这一判断进行重新审视。不过作者并没有直接讨论优化技巧，而是把问题往前推了一步：在现实噪声条件下，这种原本层层展开的计算过程的复杂度——量子线路深度，是否还能顺利地保留下来？

论文从一个非常现实的前提出发：在尚未实现纠错的情况下，量子计算不可避免地受到噪声影响，而且这种干扰是分散在每个量子比特上的，也就是说，每个基本单元都会各自受到影响。

在这一条件下，作者得到一个关键结论。对于一类很常见的任务——不是关心单次计算结果，而是关心重复多次之后的平均结果——计算过程中越早发生的操作，其影响会迅速衰减。结果是，无论原本的计算过程有多复杂，真正能够对最终结果产生作用的，只剩下最后少数几步。从效果上看，一个复杂而漫长的计算过程，会退化为一个相当“浅”的过程。

这个结论直接动摇了量子计算中一个被认为非常重要的优势：通过增加计算步骤来提升能力。在现实噪声环境下，这种优势并不会自然保留下来，而是会被系统性压缩。

在此基础上，论文给出一个看似反直觉的结果：在这种条件下，优化过程并不会出现“完全失去方向”的情况，也就是说，上面提到的“梯度消失”现象反而不再明显。

但这一点并不能简单理解为好消息。原因恰恰在于前述的压缩效应：由于只有最后少数步骤仍然对结果有影响，真正参与调整的部分已经大幅减少。换句话说，之所以“容易调整”，并不是因为系统更强，而是因为它已经变得更简单了。

从这个角度看，优化变得容易，并不意味着能力提升，反而可能说明原本依赖复杂结构的计算能力已经明显减弱。

如果真正起作用的只是一个被压缩后的“浅层”结构，那么一个自然的问题是：这样的计算，还需要量子设备吗？

论文的回答相当直接。正是由于这种结构上的简化，可以构造出相应的经典算法，在合理精度范围内完成同样的平均值计算。这意味着，在当前噪声条件下，一类常见量子算法并不必然具备稳定的优势。

更进一步，作者还比较了不同类型的噪声。过去不少分析依赖一种较为理想化的模型，而现实系统中的噪声往往更加复杂。一个自然的期待是，更接近真实情况的噪声，是否会带来不同甚至更有利的结果。

论文给出的结论是，在所讨论的任务范围内，这些不同类型的噪声在效果上是相似的，都会导致计算过程被压缩到类似的“浅层”结构。虽然在理论上可以通过精心设计来利用噪声，从而获得某些特殊优势，但这种情况并不具有普遍性。

综合来看，这篇论文传达的信息相当明确：在没有容错纠错的前提下，量子计算并不会自然保留其“深度优势”。相反，在噪声作用下，这一优势往往被压缩，使得典型量子计算过程在效果上更接近一个浅层次的简单结构，它们可以被经典算法替代。

自量子计算研究起步，噪声问题就如影相随一直困扰着研究者。希伯来大学的数学教授 Gil Kalai 是量子计算领域著名的“怀疑论者”。他的核心观点并非基于工程实现的难度，而是从数学逻辑和计算复杂性的角度出发，认为在大规模系统中，噪声（Noise）是不可逾越的障碍。今日这篇论文无疑为 Gil Kalai 的观点提供了新的证据，看来，噪声确实是量子计算难以战胜的天敌。