超导量子计算距离规模化、工程化落地还有多远？丨ToB产业观察

量子计算已不再是高高在上的前沿技术，越来越多的研发过程开始应用量子计算。早在2016年，IBM就借鉴云服务的模式，向用户提供量子云服务。 但十年过去，量子计算并没有成为计算领域的主力军。开发者们大概率都遇到过同样的困惑：在模拟器上调试好的量子电路，逻辑清晰、结果完美，一旦提交到真实量子处理器上运行，结果会出现明显偏差，甚至不可用。 理想与现实的差距背后，是量子计算从实验室走向工程化时绕不开的校准、噪声和系统协同问题。 模拟器里跑得通，真机上为什么跑不通？ 上述场景的根源是模拟器运行在经典计算机上，它假设量子比特是完美的、门操作是精确的、环境是绝对无噪声的。开发者可以随时暂停、任意回退、反复调整参数，得到完全确定性的结果。 但真实世界不是这样。一台量子计算机运行时，量子比特的频率会随偏置信号漂移，门保真度会受到电磁干扰的波动影响，退相干时间会因极低温环境和外部电磁环境的微小变化而变化。更麻烦的是，这些参数不是静态的，它们随时间变化、随环境变化、随上一轮实验的历史遗留变化。量子计算的软硬件目前无法像经典计算那样解耦，如果不重新校准，误差会被迅速放大。 WAIC2026上，“祖冲之号”量子计算原型机总师朱晓波说了一段让很多人印象深刻的话：“不要相信任何‘千比特、万比特’的炒作。精度不足、错误率没降下来，规模再大都是没有意义的。过度宣传，只会让整个领域遭受毁灭性的打击。”行业正在从单点指标如比特数、保真度、单次实验成绩，转向系统工程能力，这段话正是转向的一个注脚。 一颗性能优异的量子芯片，如果测控系统无法稳定产生、读取信号、无法快速完成校准、无法在出现异常时判断问题出在哪个环节，这颗芯片的实际性能就无法发挥。相干科技创始人兼CEO金贻荣曾表示："测控是量子计算的灵魂"。 从芯片到可用算力，中间隔着一条工程化链路 量子计算真机的构成精密且复杂，极低温低噪声环境、测控电子学、测控软件、承接任务的平台，以及装配接线调试维护的系统工程能力，缺一不可。这其中芯片是核心部件，但也不等于可用算力。 相干科技走的是钽基材料芯片路线。钽的超导能隙及其表面稳定而致密氧化层，可以抑制导致退相干的二能级系统噪声。目前相干科技百比特规模芯片的平均寿命达100微秒以上，平均单比特门保真度超99.9%，平均两比特门保真度突破99.5%。 但芯片提供的是能力的上限，测控决定这个上限能兑现到什么程度。 测控系统负责给每一个量子比特下达指令，读取量子态、执行校准，并在系统出现问题时，判断问题根源来自芯片、低温环境、电子学、软件还是算法。它连接多个专业系统，是形成算力闭环的核心环节。 目前相干科技的测控能力已经形成一体化解决方案，在100量子比特以上规模的量子处理器操控与测量中得到验证。其测控系统对量子比特的操控精度可达单比特门保真度99.99%以上、两比特门保真度99.8%以上、读取保真度99%以上。 据相干科技测算，一台百比特规模的超导量子计算机，测控系统能占到整机成本的60%以上。原因在于，稀释制冷机的容量与比特数不成正比，成本可以随规模扩大而摊薄；但测控电子学和低温线路的数量与比特数近乎线性相关，比特数越多，测控成本占比越高。每一个量子比特都需要独立的测控线路。 比成本更难解决的是工程化的问题。科研人员做研究时，可以靠个人经验反复试错，得到的结果不需要保证能被他人复现。但要做成产品交付，就必须把每一个环节标准化，形成可复制的操作流程、前置检测和自动化校准的能力。 一个真实发生过的例子能说明这种难度：相干科技的团队曾经发现量子比特的信号读取出现异常，一路排查下去，最后发现是某些零件带有微弱磁性，干扰了信号。找到原因后，团队专门为此建立了一套磁性检测标准，不合格的零件直接不用，还在装配前增加了一道检测环节。这种"发现问题—找到根源—建立标准—提前预防"的闭环能力，才是工程化真正的核心。 在第五届CCF量子计算大会暨大湾区量子科学论坛上，金贻荣提到量子计算已经发生了一个阶段性的变化：从实验室科研和原型机攻关，变成了"未来产业培育+产业落地+工程化"为主导的新阶段。这种转变，靠国家投入是远远不够的，必须借助资本的力量来构建工程化体系。 应用落地的三个阶段 硬件和工程体系逐步稳定之后，应用场景在哪，成为下一个要回答的问题。 量子计算从实验室走向真实应用，通常要爬过三级台阶。第一级是理论与算法仿真，开发者在经典计算机上推导算法、验证逻辑，关注正确性和复杂度。这是大多数研究者的起点，但也是最容易产生误判的地方——模拟器里一切都很完美，真实硬件的噪声、退相干和串扰都被隐去了。 第二级是真机运行。开发者把算法提交给真实量子硬件，面对噪声、退相干、串扰等现实约束。这个阶段的核心价值，是让开发者真正上手用过真机，知道它实际能做到什么、做不到什么，而不是只停留在理论上的完美假设。 第三级是概念验证。到了这一步，开发者要证明在特定场景下，量子算法确实比经典算法更有优势，比如量子化学模拟、组合优化、机器学习加速等。这要求稳定的算力供给、可复现的结果，以及明确的业务价值衡量标准。金贻荣判断，目前行业整体仍处于从第二级向第三级过渡的早期。 落到应用层面，金贻荣又给量子计算的应用排了一个序： 第一层是量子化学计算，包括分子结构计算、药物设计。全球超级计算机约30%的算力都堆在材料模拟、药物设计这些化学计算上。仅哈伯合成氨这一个工业过程，每年就消耗全球2%的能源。 第二层是金融分析与交通/物流和供应链优化，这些应用场景都涉及到组合优化问题，规模极大，商业驱动力也足够强。 第三层是量子人工智能。金贻荣的看法是人工智能是工具，算力才是底座。量子计算与GPU、CPU融合形成的混合算力方案，才是解决药物研发、新材料合成、金融优化等复杂难题的合理路径。 IBM最近做的一件事验证了这个方向。他们用两块Heron芯片（各156量子比特）配合日本的"富岳"经典超算，成功模拟了超过12000个原子的蛋白质结构。"我们至少能算到一万个原子这个量级了，"金贻荣说，“这个规模跟经典计算已经开始拉开距离。” 而作为量子计算工程化应用落地的载体，基于量子云平台的量子算力服务非常关键。未来的量子计算商业模式，很可能就是建立在以云为中心的算力服务方式。相干科技将迅速建立自有的量子云服务基础设施，并构建基于智能体的算力服务软件平台，对外输出稳定的、低成本量子算力。同时，相干科技也将与北京量子院Quafu量子云平台形成战略协同，共同打造全球顶尖的量子云服务基础设施。 比起用户规模或任务数字，更值得关注的是这套供需连接的逻辑本身：量子计算当前面临的核心困境之一，是做技术的人不清楚量子计算还能解决什么问题，做应用的人不清楚量子计算到底怎么用，双方都对彼此缺乏感知力。金贻荣给出的解法是，"把硬件接上来，把算法放上去，让用户在自己的领域里直接试用。一旦跑出效果，飞轮就转起来了。" 这个思路与 英伟达 的路径有相似之处：英伟达不仅有硬件，还有CUDA，做了整个生态的底座。量子计算也需要搭建类似的底座：既要靠芯片端的量产和良率提升，也要靠测控端持续压低这条不容易摊薄的成本曲线，更要扩大能够使用这些硬件资源的开发者群体。只有更多人真正用起来，硬件降本才有意义，降本和拓需求互为前提。 未来的竞争力，不在于拥有最