光量子计算产业化还有多远？从九章四号到芯片量产

摩尔定律逼近物理极限，AI、新药研发与新材料探索对算力的胃口却越来越大。量子计算因此被反复推到聚光灯下，而光量子路线在实验室里屡创纪录之后，真正的问题开始浮出水面：它离产业化到底还有多远？

光量子凭什么被押注：从量子优越性到全局最优性

量子计算的想象空间，常被概括为对经典算力的降维打击。数耀量生CTO邱迪生曾用一个对比来解释这种差异：深度学习常用的随机梯度下降，相当于在局部点位附近小范围试探、摸索迭代方向，属于局部搜索，容易陷入震荡徘徊；量子计算则能一次性扫描完整的解空间地形，直接定位最优解——他称之为“量子全局最优性”。

图灵量子首席科学家金贤敏给出的视角更宏大。他认为量子计算之所以值得长期关注，不在于某一项单点应用，而在于它是继牛顿力学体系之后、可以系统性赋能整个科学发展的底层基础方向。上世紀四五十年代，晶体管、激光器、核能等成果完成了第一波量子技术的产业化；如今人类对量子体系的操控能力跃升，叠加AI算力需求爆发，才把量子计算推到产业窗口前。

量子优越性（Quantum Supremacy） 指量子计算机在某一特定计算任务上超越最强经典超级计算机的能力演示。它通常选取经典算法难以高效模拟的问题，如高斯玻色采样或随机线路采样，通过实验展示量子设备在极短时间内完成经典超算需数万年甚至更久的任务。需要强调的是，量子优越性验证的是“特定任务上的算力优势”，而非通用计算能力，也不直接等同于商业价值。它是量子计算从原理验证走向工程化的重要里程碑，但距离可容错、可编程的通用量子计算仍有相当距离。

多条路线同台，光量子的位置在哪里

超导、离子阱、光量子、中性原子，几条技术路线长期同台竞技。公开实验中能同时满足“可制造、可扩展、已演示量子优越性”三大条件的，主要集中在光量子与超导两条路线上。

超导起步更早。据公开信息，中国科学技术大学团队构建的105比特“祖冲之三号”超导原型机，在量子随机线路采样任务上比当时最快超算快15个数量级，刷新了超导体系的优越性纪录。离子阱路线门保真度最高、相干时间长，但系统扩展慢，目前多处于高精度模拟和原理演示阶段；中性原子路线阵列规模扩展潜力大，但门保真度和速度仍在追赶，工程化成熟度偏低。

光量子则在特定问题上展现出更强的算力优势。“九章四号”可编程光量子原型机首次操纵和探测3050个光子，在高斯玻色采样任务上比全球最快超算快10⁵⁴倍，建立了国际最强的量子计算优越性。更关键的变化在于，这条路线正从“实验室装置”走向“可制造平台”。PsiQuantum发布的Omega光子芯片组由格罗方德45纳米产线批量制造，单量子比特态制备与测量保真度达99.98%，芯片间互联保真度99.72%，并计划在澳大利亚和美国建设数据中心级量子计算中心。

客户不关心峰值，只关心能不能稳定跑在现场

量子计算并不缺“性能故事”，各家机器在特定任务上早已展示优越性，超导路线也在不断刷新比特数纪录。但产业客户真正关心的不是实验室峰值，而是机器能不能稳定跑在客户现场。这也是行业正从比拼物理比特，转向交付逻辑比特的原因。

中金公司在分析中指出，量子计算仍处于从含噪声中等规模量子时代向容错量子计算演进的早期阶段，物理比特数量、门保真度、纠错阈值和系统稳定性仍是关键不确定性。各技术路线尚未突破规模化与容错两大瓶颈，量子软件、算法和工程化能力也仍需补课。换句话说，量子计算要真正进入产业，必须完成从“能演示”到“能稳定运行”的跨越。

光量子在环境适应性上天然占优。金贤敏表示，从第二代TuringQ Gen2开始，图灵量子的光量子计算机就采用标准IDC机柜形态，可在室温运行。对产业客户来说，不必单独搭建特殊运行环境，可以像一台服务器那样直接进现有数据中心。

2026年9月，图灵量子推出第三代大规模芯片级可扩展光量子计算机TuringQ Gen3，实现全芯片化架构，基于高速可编程薄膜铌酸锂光量子芯片，走空时复用架构。其中高斯玻色采样计算单元名为“致远3号”，官方口径是单芯片万光子级、百万模式数，在设定的损耗边界内实现芯片级量子优越性。

逻辑比特（Logical Qubit） 是由多个物理比特通过量子纠错码编码而成的抽象计算单元，其错误率被压制到足够低，可支撑可靠的量子算法运行。物理比特本身易受环境噪声影响而退相干，单比特或双比特门操作也会引入错误；量子纠错通过冗余编码和 syndrome 测量检测并纠正错误，使逻辑比特的等效错误率随物理比特数量增加呈指数下降。业界普遍认为，实现容错量子计算需要数千至数百万物理比特来支撑数百个逻辑比特。因此，产业界从“比拼物理比特数”转向“交付逻辑比特”，标志着竞争焦点正从硬件规模转向系统可靠性与纠错能力。

光损耗：光量子芯片真正的“制程”

与电子芯片看制程不同，在光量子芯片里，损耗是极其关键的指标。过高的损耗率不只是“信号变弱”，而是可能直接让光子丢失、干涉失效，进而导致计算出错。芯片规模越大、光路越长，光子经过的器件越多，损耗就会层层叠加，因此把整条链路的损耗压低，是光量子芯片能否走向大规模化的关键。

图灵量子团队把薄膜铌酸锂光量子芯片的光子线路传输损耗降到0.03 dB/cm，关键单器件插入损耗低于0.1 dB，光纤—芯片单端耦合损耗达到0.9 dB/facet，晶圆级量子光源光谱纯度超过99%。这意味着光子从产生、在芯片内传输、经过器件到进出芯片的每一步损耗都被大幅压低，信号足够纯净，从而为更大规模、更稳定的光量子计算打下基础。

数字背后是一条真正跑起来的工程闭环。在上海交大无锡光子芯片研究院，国内首条光子芯片中试线已建成，形成“设计—制造—测试—反馈—再迭代”的晶圆级工艺闭环，芯片迭代周期缩短到2至3周。它不只是在实验室里搭出一台样机，而是在尝试用半导体工程的方法持续降低损耗、提升一致性、扩大规模。

金贤敏把光量子计算比作一把“锤子”，产业化的关键在于找到能真正发挥其优势的“钉子”。目前图灵量子围绕整机交付、算力服务和量子智算中心建设探索多元化商业模式，并已在生物医药、金融等领域开展应用合作。判断一条光量子路线是否诚实的标准，或许不是论文发了多少、演示跑得多快，而是有没有人在它上面持续付费。

薄膜铌酸锂（Thin-Film Lithium Niobate, TFLN） 是一种在衬底上制备亚微米级铌酸锂单晶薄膜的光子集成材料平台。铌酸锂具有优异的电光系数、非线性光学效应和宽透明窗口，而薄膜化后可将光场高度限制在亚波长尺度，大幅增强光与物质的相互作用，从而在低驱动电压下实现高速电光调制。相比传统体材料铌酸锂器件，TFLN 芯片具备更小的尺寸、更低的功耗和与 CMOS 工艺兼容的晶圆级制造潜力，被视为光量子计算、高速光通信和微波光子学的重要集成平台。

一台机器进不了产业，所以得先修路

即便做出可用的量子硬件，也不等于完成产业化。量子算力要产生商业价值，需要被调度平台识别，能面向行业用户开放调用，单靠硬件单点突破无法跑通完整闭环。

在光子芯片的产业协作上，天通股份输出材料，Luceda提供设计软件工具，上海交大无锡光子芯片研究院负责制造落地，设备、材料、软件、应用几方经过长时间磋商达成合作，目标就是协同完善光子芯片上下游生态。

先进智算联盟FAIC的推进则是产业层面的协同探索。这个联盟最早在2022年由图灵量子、沐曦股份、优刻得、脑虎科技四家发起，覆盖量子计算、算力芯片、算力中心建设、脑机接口等不同赛道。今年图灵量子担任轮值主席，联盟内部做了一次方向抉择，最终选择扩容，傅利叶智能这类具身智能企业被纳入，成员从最初四家扩展到数十家。金贤敏的判断是，仅靠少数几家机构抱团很难撬动产业规模，更多不同领域主体参与，新型算力芯片迭代、智算中心落地、算力赋能行业应用才有规模化发展的基础。

粤港澳量超智融合算力中心则瞄准量子算力部署与调用的现实难题。图灵量子联合亚洲算力、智城算网共同推进该项目，对标海外已批量落地的量子—经典混合算力中心。金贤敏提到，欧美已建成几十到上百个同类算力节点，国内还没有成型的标杆。该项目建设计划已经敲定，核心是实现QPU、CPU、GPU之间的联调，真正把量子算力纳入平台调度体系。英伟达此前已推出GPU对接量子计算机的量超融合方案，这也是行业已经显现的趋势。

量超融合（Quantum-Classical Hybrid Computing） 指将量子处理器（QPU）与经典 CPU、GPU 通过统一调度平台协同工作的计算架构。其基本思路是：将适合量子加速的子任务（如组合优化、量子化学模拟）卸载到 QPU，其余任务由经典算力完成，并通过高速互联与任务编排实现两类资源的动态分配。英伟达已推出 GPU 与量子计算机对接的方案，欧美多国也已建成数十个量子—经典混合算力节点。这一模式被视为量子算力在容错量子计算成熟前率先产生实用价值的重要路径，也对调度软件、接口标准和数据中心基础设施提出了新要求。

剩下的，还是工程化的事

外界常用“狼来了”看待光量子计算，本质上是混淆了科学突破与产业成熟之间的时间差。如今光量子已经跨过单纯的原理验证阶段：有震撼行业的量子优越性成果，有常温机柜化整机，有中试工艺闭环，有付费产业客户，甚至开始布局量超智融合算力中心，尝试把量子算力变成智算体系中可调度的标准单元。

但亮眼参数不等于产业胜利。高性能光子材料和关键器件的稳定供应、晶圆级制造良率、复杂系统中的损耗控制，以及大规模量子纠错与容错计算能力，都还需要持续突破。行业的主战场，已经从发表论文、刷新光子数纪录，转移到产线良率、系统长期稳定性、软件生态与客户付费意愿。

这并不意味着物理层面的挑战已经结束。恰恰相反，大规模光量子计算还需要在光源、损耗、探测、量子纠错和系统架构等方面持续攻关。科学突破与工程化能力，需要同步向前。量子计算未必会很快颠覆现有算力，但也绝非虚妄的故事——技术的狼没有立刻扑到产业面前，但它确实已经走出了实验室，只是还要翻越制造、工程和应用的高山，才会真正抵达商用的旷野。