跳出量子比特视角，重新审视量子计算

量子计算行业长期以来一直在围绕量子比特展开大量讨论。一套系统最多能支持多少量子比特？纠错速度能有多快？容错系统何时能够落地？哪一类量子比特方案能最快实现规模化落地？哪种技术路线将最终胜出？这些问题固然重要，但或许并不是决定量子计算未来最核心的问题。

2026年，IBM一直在提出一套不同的观点：不再将量子计算机视作独立的系统，而是搭建一套全新架构，让量子处理器和CPU、GPU以及其他加速器一样，成为又一类专用计算资源。IBM将这套架构称为以量子为中心的超级计算（quantum-centric supercomputing）。

其底层理念十分关键。计算任务会被拆分至不同计算资源，各类硬件负责处理自身最擅长的那部分计算。CPU负责通用计算与任务调度；GPU加速高度并行的经典计算；量子处理单元（QPU）执行适合用量子算法实现优势的计算任务；AI则越来越多地用于管理、优化乃至编排这些工作流。

这并非量子计算机要取代经典计算机的故事，而是量子计算将成为计算体系的一部分。今年早些时候，IBM正式提出这套理念，发布了以量子为中心的超级计算参考架构。该架构描述了QPU如何在超算中心、科研机构与云环境中和CPU、GPU协同工作。更重要的是，这套体系把整体工作流，而非单一处理器，视作完整的计算系统。

此后，IBM及其科研合作伙伴陆续拿出越来越多有力的实验结果，验证这套思路。7月，IBM与芝加哥大学研究人员公布一项被他们称为实现量子优势的演示：利用逻辑量子电路完成一项主流经典仿真方法难以实际完成的计算，同时提供验证计算结果可信度的手段。IBM与Qedma、Algorithmiq的其他合作项目也取得多项量子优势成果，这些问题依靠主流经典算法已经无法稳定输出正确答案。

量子优势一直是行业最期待的里程碑。但IBM实现量子优势的方案背后，有一处关键架构设计。IBM 2026量子路线图，将量子优势定义在量子计算机与高性能计算协同工作的场景下。该公司正在搭建一套集成环境，量子代码与经典代码可以作为同一任务的不同部分部署运行。

换言之，即便量子硬件跨过多个关键门槛，整套大系统依旧是异构架构。计算机发展史告诉我们，这并不意外。GPU没有取代CPU，AI加速器也没有取代GPU；相反，它们各自成为日益庞大的异构计算架构中的专用资源。

AI领域已经在推动这一转变。现代推理基础设施能够把任务拆分到CPU、GPU、网络处理器和其他加速器上。数据预处理、模型运行、检索、内存管理、任务编排与智能体工作流，不一定在同一处理器上执行。用户感知到的单个AI应用，背后其实是一套跨多种专用计算资源的工作流。

量子计算也正朝着相同方向发展。IBM、橡树岭国家实验室与克利夫兰诊所的联合研究就是典型案例。7月，研究人员首次利用量子计算机完成了一种材料的分子构型计算，该材料可用于生产核聚变所需氚燃料。这件事的重点，不只是用到了量子计算机。研究团队采用以量子为中心的超级计算技术，将问题拆分给量子与经典计算资源。量子系统负责计算电子结构相关的部分，经典系统支撑完整的科研工作流。IBM介绍，该方案融合量子计算、AI与E级超算，解决仅靠经典系统难以处理的难题。有意思的是，量子计算机并不是整套系统本身，它只是其中一个组成部分。

IBM与克利夫兰诊所、理化学研究所（RIKEN）的合作项目，同样呈现出这一趋势。该团队早期研究使用IBM Quantum Heron量子处理器搭配经典超算资源，模拟包含多达12635个原子的生物相关分子体系。这项成果入围2026年ACM戈登贝尔奖，这是高性能计算领域最重磅奖项之一。

而后续研究的进展更值得关注。研究人员搭建了一套全自动端到端工作流，跨量子与经典计算资源运行。过去需要大量人工协调、在不同系统之间迁移数据的任务，现在可以作为更大工作流的一部分自动调度。这件事的意义，或许比单纯扩大模拟分子的规模更加深远。从人工协调量子与经典资源，升级到自动化工作流，QPU就不再像一台独立的计算机，更像是大型计算环境内的加速器。

GPU的发展历程正是如此。如今很少有应用开发者需要手动在CPU与GPU之间迁移任务。软件框架、运行时与调度器，把大量底层复杂性做了抽象。处理器本身固然关键，但配套基础设施决定了硬件能力能否落地。量子计算现在正面临同样的挑战。

IBM也在持续迭代QPU硬件。最新推出的Nighthawk r2处理器每秒可执行超10万条量子电路，IBM称其电路吞吐量相比Heron系列提升最高25倍。Nighthawk r2还成功在包含7500多个量子门的电路上完成高精度计算。

IBM也在投入建设支撑整个量子生态规模化的制造基础设施。9月，美国政府联合IBM各出资10亿美元，建设300毫米纯量子晶圆代工厂，为IBM以及其他量子企业生产量子晶圆。这套代工模式有望让量子研发企业把更多资源投入架构、系统与软件，而不是自建晶圆产线。

这些都是重要进展。但量子处理器速度越快，配套的周边系统就越关键。更实用的量子计算，会催生更多经典预处理、后处理、误差抑制、任务调度、数据迁移与编排的需求。

这也解释了为什么传统量子处理器厂商之外，越来越多企业开始布局量子计算。例如英伟达并不生产QPU，其CUDA-Q平台围绕量子 - 经典异构计算设计，CPU、GPU、QPU可以共同支撑同一个应用。这套架构，关注AI基础设施演进的人会觉得十分熟悉。

处理器固然重要，但决定哪类处理器执行哪一项运算同样关键。随着系统复杂度提升，AI或将成为编排层里另一重要组成部分。IBM的量子路线图已经预判，AI驱动的自动化技术，能够帮助整合与管理量子、经典两类计算资源。

由此形成有趣的技术融合趋势：AI越来越依赖异构计算，量子计算越来越依赖异构计算，HPC多年前就已是异构架构。三者不再各自独立发展，而是开始互相重叠。

因此，量子计算领域最重要的关键词，最终可能既不是 “量子比特”，甚至也不是 “量子优势”，而是工作流（workflow）。想要落地实用的量子应用，系统需要能够判断任务在哪里运行、数据如何在不同资源间流转、哪款处理器最适合每一步运算，以及如何把结果整合为可用信息。QPU的技术迭代依然不可或缺，但真正可用的量子计算，会越来越依赖配套的经典基础设施。

多年来，行业一直把量子计算看作一场竞赛，目标是造出性能更强的量子计算机。而IBM这套以量子为中心的思路，提供了另一种视角：量子计算机或许根本不会作为一类独立的计算基础设施存在。QPU可能只是大型异构计算系统里又一款专用处理器。如果这一趋势成真，量子计算最重大的变革，不是量子计算机取代经典计算机，而是我们不再把二者看作相互独立的设备。