近年来，人工智能技术进步神速，从语言处理到图像生成、各类的应用范围越来越广，同时也彻底改变了我们的生活和工作方式。然而，AI 的快速发展也带来了对计算能力前所未有的需求、传统硬体的效能提升已趋缓，摩尔定律带来的晶体管密度红利逐渐触顶，处理器频率受限于功耗与散热瓶颈，就连GPU 的成长速度也明显放慢。 AI 对算力的需求呈指数式暴增，到了难以持续的地步。
于是，大家开始把目光转向量子电脑，期待它能突破传统运算极限，为AI 带来飞跃性成长。
AI 的现况与算力瓶颈
许多人已经让AI 融入他们的工作：例如OpenAI 的ChatGPT 协助分析与文书、或是像有些人会使用Cursor 或是Claude 协助撰写程式、还有无数的AI 应用可以生成图片或影片互动。这些技术的背后核心是大型语言模型（LLM）、以大量资料为基础训练而成。以OpenAI 的GPT-3 为例，训练过程估计需要执行3.14×10²³ 次浮点运算，是人类史上最复杂的计算任务之一（只是之一，以后只会更恐怖）。这种惊人算力需求让科技公司不得不投入巨资在云端GPU 和TPU 上，有些新创公司甚至花费超过八成经费在运算资源。
即便有像DeepSeek 这种节省资源的AI，算力瓶颈仍在──DeepSeek 这类技术，通常是透过演算法最佳化或模型压缩降低算力需求。比方说，它可能用稀疏化（sparsity）让模型只启动部分参数，或者用知识蒸馏（knowledge distillation）把大模型的知识「浓缩」到小模型里。根据DeepSeek 官方说法，他们的模型能在保证性能的情况下，把计算成本降到传统模型的几分之一。
举例来说，DeepSeek 就像把一台吃油超跑改成了省油小车，确实能在一定程度上缓解算力压力。假设原本训练一个大模型需要1,000 万美元的云端算力，DeepSeek 的技术可能把成本砍到300 万美元，还能保持八成以上的准确度。这种节省算法对中小企业或研究团队来说是福音，因为他们不用砸大钱也能玩AI。但问题在于，这只是「减轻」瓶颈，不是「解决」瓶颈。为什么呢？因为AI 应用的野心和复杂度也在同步成长。
AI 的应用场景越来越广，从聊天机器人到自动驾驶，再到医疗诊断，每个领域都想把模型做得更强、更精准。以自动驾驶为例，特斯拉的AI 系统得即时处理摄影机、雷达传来的大量资料，还要预测路况，算力需求轻易就超过一般云端伺服器的负担。即便DeepSeek 能把模型压缩，这些应用还是需要处理更多资料、更复杂的运算，省下的算力很快又被新需求吃掉。
另外一方面，传统硬体的效能成长正在趋缓。摩尔定律带来的晶体管密度提升已接近极限，处理器频率受功耗与散热限制，连GPU 的效能成长也开始趋缓。研究显示，为了提高AI 模型的准确度，往往只能靠增加算力和扩大模型规模来实现，这导致AI 对计算资源的需求呈指数式暴增，已到难以承受的地步。虽然硬体加速和演算法优化能稍微缓解压力，但AI 发展正面临前所未有的算力瓶颈。于是，量子电脑被视为潜在解方，期望其突破传统运算限制，为AI 开辟新天地。
▲ 量子AI 市场主要是以研发为主，没有商业应用。 （Source：artsmart）
量子电脑如何为AI 加持
量子电脑与传统电脑的运作方式截然不同。传统电脑用位元（bit）表示0 或1，量子电脑则用量子位元（qubit），能透过叠加（superposition）同时处于0 和1 的状态。例如，两个量子位元可同时处理四种状态组合，三个则是八种，n 个量子位元能表示2ⁿ 种状态，这种指数级扩张赋予量子电脑强大的并行计算潜力。此外，量子纠缠（entanglement）让多个量子位元的状态紧密相连，测量其一会立即影响其他量子，增强了协同运算能力。
这种特性对AI 有何帮助？ Google 量子AI 实验室创办人Hartmut Neven 曾说：「先进AI 将从量子运算中大幅受益。」以训练大型语言模型为例，这类任务需要庞大时间和算力，量子电脑的并行处理能力可能将训练时间从数周缩至数天。此外，AI 主要依赖找出模式并辨识，而能同时处理多种可能性的量子运算，或许能提升图像、语音识别的准确度。生成式AI 也有望因量子助力处理更多资料，生成更逼真的内容。在决策场景中，例如药物研发或气候建模，量子电脑能同时测试无数变数，帮助科学家更快找到最佳解。
例如2019 年，Google 的53 量子位元「Sycamore」处理器在200 秒内完成传统超级电脑需1 万年的任务。虽然这与AI 无直接关联，但展示了量子运算的潜力。 2022 年，维也纳大学团队用光子量子处理器加速强化学习，让机器人更快学会走迷宫，证明量子叠加能提升学习效率。
当前进展与初步成果
由于大型容错量子电脑尚未临近，各方多预测短期内最可行的模式是「混合量子经典计算」，即将大部分深度学习的训练与资料处理交由GPU / CPU 完成，只有小部分最耗算力或最能发挥量子优势的子任务交由量子处理器（QPU）加速。 Google、IBM 亦在研发量子软硬体协同架构，如TensorFlow Quantum 或Qiskit Runtime，让开发者调用云端量子资源。 Nvidia GTC Quantum Day 也特别提到，市场期待未来GPU 与QPU 共同承担深度神经网路或强化学习的运算──尽管目前的量子位元规模只有几十至数百个，但若能针对组合优化、线性代数等环节实现加速，各类包括医疗、金融、物流、国防应用都可能抢先受益。
医疗方面，量子模拟可大幅加速分子与蛋白质交互作用的分析，有助新药研发与疾病机理理解。 「维也纳大学」的研究团队在2022 年曾用光子量子处理器测试量子强化学习，让机器人同时探索多条路径，更快学会迷宫走法，被视为量子叠加有助于复杂决策的证明。金融市场关注量子电脑能以指数方式优化蒙地卡罗模拟、投资组合配置、期权定价与诈骗侦测。美国与欧洲多家金融机构正在评估量子近似最佳化演算法（QAOA）的可行性，若能大规模部署，将重新定义高维度交易环境的风险管理流程。
波音的量子感测器试验展现超精准导航潜力、量子模拟可能将新药开发周期从15 年缩至五年；金融领域，量子蒙地卡罗演算法能快速评估市场情境、提升风险管理效率。这些进展显示量子AI 运算正在进行更多测试，虽然许多应用都已经现有的AI 能处理的问题，但量子AI 可以加速或将这些应用变得更强大。 Google 的Willow 计画在量子位元技术与错误修正取得进展，全球量子技术投资2023 年已超过300 亿美元，且十年内加速成长。
产业应用的可行性：医疗、金融、能源与军事
军事与国防，量子加密与量子解密为关键。量子技术若能破解现今广泛使用的RSA 或ECC 加密，势将造成全球通讯与网路金融体系的重大冲击。据「Quantum Apocalypse Is Coming. Be Very Afraid」一文所述，人们将Q-Day 定义为量子电脑能即刻破解既有加密系统的那一天，而这在地缘政治层面将引发严重后果。若某个国家率先完成可用于军事情报分析或密码破解的量子装置，恐造成世界秩序洗牌。美中双方皆积极布局量子通讯卫星与量子感测器，美国更有《国家量子倡议法案》提供大笔资金，也对中国量子企业祭出投资限制措施。欧洲与日本等地亦透过政府计画推动量子研究。
一旦有人建成可以运行Shor算法（可破解RSA 加密的演算法）的大型量子电脑，绝大部分的传统加密方式都可能遭到破解。无论是网银交易、敏感军事报告、甚至私密讯息、虚拟货币钱包都可轻松破解。最恐怖的是，当破解方式一旦确立，不见得会以剧烈的全球大恐慌呈现，更可能以在暗处以潜伏的方式、进行资料窃取与关键基础设施的定向攻击，也可能一举释出庞大资料造成全面恐慌。这种威胁促使像美国国家标准技术研究院（NIST）等机构致力推动「后量子加密演算法」标准化，包含利用高维度晶格或其他量子难解问题为新加密基础。若企业与政府无法及时换用抗量子密码，将面临庞大风险。
也有阴谋论说，许多国家级单位或许早就在秘密搜集大量加密资料，等待量子电脑成熟后再集中破解，导致资讯安全出现「现在拦截、未来解密」的严峻局面。美国海军战争学院前教授Chris Demchak 的分析就指出，一旦对手能即时破解军事通讯，可能在潜艇部署、卫星监控、飞弹配置等核心领域掌握致命优势。甚至连比特币区块链也可能一夕崩溃，因为现行的椭圆曲线加密遭量子电脑攻破后，恶意分子可盗领持有者的加密资产。
挑战与现实限制
量子AI 要飞跃性成长并不容易，硬体是最大瓶颈。一般电脑资料是用0 和1 位元存储，位元很稳定，弄错机率很低。但量子电脑是叠加态量子位元（qubit），它们很特别，能同时是0 和1，还能跟其他量子位元纠缠。问题是，量子位元超级敏感，外界一点小干扰，比如温度变化、磁场抖动、甚至旁边有个电子乱跑，都可能让资料失去原本的状态不准确，就叫「去相干」（decoherence），导致运算结果错得乱七八糟，所以需要「纠错」救场，纠错就是用好几个量子位元「保护」一个重要量子位元，资讯分散出去，这样就算有几个坏掉，还能用剩下的拼回来。
这种技术叫「量子误差修正码」（quantum error-correcting code）。比如有名的「Shor 码」，是用九个量子位元保护一个，让错误率降至可接受范围。但这也有代价，多了「备份」，量子电脑需要的量子位元数量就得多好几倍，控制起来也更麻烦。
目前量子处理器仅有数十到数百个量子位元，且属「噪声中等规模量子」（NISQ）装置，未能实现纠错。专家估计，实用AI应用需上百万个稳定量子位元，但打造如此规模的设备在物理和工程极为困难──量子位元极脆弱，需在接近绝对零度的环境下运作，扩展性受限。 Google 的Julian Kelly 预估五年内可能有初步应用，IBM 计划2029 年前推出数百个纠错量子位元系统，但多数学者认为大规模应用还需十年以上。
飞跃的希望还是炒作多于现实？
量子电脑的问题除了技术，还有实现难度与瓶颈：NVIDIA 2025 GTC 宣布要盖量子运算研究室，显示业界对量子运算信心满满，Quantum Day 让股票如D-Wave Quantum 活动期间上涨9.4%；不少大企业的量子实验、论文、强化学习成果都能为量子AI 的可行性背书。技术成熟会大幅缩短训练模型的时间、各大AI 应用领域也将有显著进步。
但当前量子AI 相关研究多为实验室展示、缺乏商用应用，且硬体稳定性不足以支撑大规模AI 模型，且加密破解风险也令人担忧，Wired 报导指出，Shor 演算法若实现，可能让RSA 加密崩溃，冲击金融与隐私安全。有预估2035 年之前，会有三分之一机率让量子电脑有重大突破，但现阶段看来的量子AI 难以有立即的可行性发展。
不过量子研究的确是全球重点项目，中国以举国体制投入、美国透过国家量子倡议法参与，企业如Google、IBM、微软等大公司也积极布局。欧盟也有持续投入数亿欧元的量子旗舰计画。未来随着量子位元规模提升、得以在特定领域实现纠错时，少数领域可能率先应用量子AI。但要全面改变AI 格局的时间还难以预测，在此之前，量子位元结合传统硬体的运算方式可能成为过渡方案。
