9月20日至21日，由上海物理智能与机器人研究院主办的PAIR Conference 2026在上海举行。大会以“下一代物理智能前沿”为主题，汇聚高校、科研机构及产业界专家，围绕智算系统、智能载体、科学发现及计算范式等议题展开深入探讨。
在“下一代计算范式”专题中，量子计算与人工智能（AI）的融合成为焦点。中国科学院物理研究所特聘研究员扈鸿业、西湖大学研究员严正、上海交通大学助理教授吴安邦，在香港中文大学助理教授梁之鼎的主持下，就AI推动量子计算实用化、量子计算赋能AI以及两者协同解决科学问题的路径与边界进行了圆桌讨论。
随着AI Agent介入科研，量子芯片自动校准、编译优化及纠错码改进等任务正逐步自动化。然而，基于量子物理的特殊规律，双方如何真正双向赋能仍存争议。三位学者结合各自研究，分享了最新进展并 delineated 了技术边界。
图 | 梁之鼎、扈鸿业、严正、吴安邦进行圆桌讨论（来源：PAIR）
AI重塑量子计算研发流程
在量子计算的全链条中，从硬件设计、噪声建模到软件编译及科学应用，AI均有渗透空间。但扈鸿业强调，AI并非万能，其适用性需结合具体物理问题评估。
实验自动化：“无人驾驶”式校准
对于目标明确、重复性高的任务，AI Agent展现出显著优势。例如超导量子比特频率差异及中性原子平台激光参数漂移等问题，传统上依赖人工反复调试。扈鸿业介绍，国内团队已在百余量子比特规模上实现无需人工持续参与的“无人驾驶”自动校准。中科大团队利用AI实现快速原子阵列重排，清华团队则通过智能体实现实验室“自动托管”，大幅提升了实验效率。预计未来更多实验室将实现自动化，释放科研人员精力。
然而，效率是关键考量。扈鸿业指出，若缺乏对物理规律的理解，单纯应用神经网络可能导致采样和算力消耗巨大。他引用Google近期研究为例，虽然实现了无停机量子运算，但强化学习需10⁵～10⁶次采样；若结合物理知识优化算法，采样需求可数量级降低。因此，可理解、可证明的学习方法比黑盒模型更具价值。
主持人梁之鼎补充道，尽管自动校准取得进展，但随着量子比特规模扩大，实时大规模校准仍是瓶颈，需进一步探索。
软件研发加速：Agent驱动迭代
上海交通大学吴安邦对AI在软件层面的应用持乐观态度。他指出，计算机领域研究速度因AI而显著提升，研究人员可利用数十上百个AI Agent并行提出想法、编写原型并验证结果。这种模式将深刻影响量子软件研发。
在量子编译器领域，AI可分析电路特征、寻找等价变换及优化方案，甚至参与程序验证设计。鉴于量子程序验证复杂度随规模激增，AI的介入有望形成持续迭代的研发闭环。此外，吴安邦看好AI在量子纠错码优化中的潜力，预计未来两三年量子软件领域将迎来快速发展，AI或能提出人类未曾设想的优化技术。
多体物理局限：AI辅助而非替代
西湖大学严正从量子多体研究视角指出，尽管数学物理及少体问题研究因AI发文量激增，强关联量子多体领域的突破并不明显。AI可帮助寻找合适的局域量子门以简化部分问题，但对于存在强长程纠缠的复杂系统，局部变换难以触及根本，全局变换又极具挑战。
严正认为，在现有算力下，AI可协助寻找更优解，但处理强关联量子问题的核心突破，仍依赖于量子计算技术本身的进步。
量子计算对AI的反向赋能
关于量子计算能否为AI带来新能力，三位嘉宾观点各异，涵盖了启发式算法、生成模型及计算加速三个维度。
量子启发式算法：经典计算的延伸
严正介绍了借鉴量子思想的经典算法，如量子退火及概率比特研究。这类方法在经典计算机上提供新的优化思路，但与真实量子算法存在本质差距。经典模拟受限于量子纠缠复杂度，如同“道路虽新，但经典计算机只能走到能力边界”。要突破这一限制，仍需依赖真正的量子硬件。
量子生成模型：内存资源优势
扈鸿业关注利用量子系统构建生成模型。鉴于量子测量结果符合概率分布，与生成式AI逻辑相通。他与合作者证明，在特定任务中，量子生成模型相比经典模型具有多项式级的内存资源优势。虽然目前尚未证实指数级优势，但这为未来利用含噪声中等规模量子（NISQ）设备验证理论提供了方向。
计算加速：特定任务的效率提升
吴安邦更看重量子计算在特定任务上的加速能力，而非全新AI范式。他指出，当前量子机器学习多模仿经典神经网络结构，尚未出现充分利用量子优势的新范式。相比之下，将国际象棋、围棋等转化为搜索树问题，利用量子计算加速路径探索，是更为现实的应用方向。
跨界协同：AI与量子计算的分工合作
在材料、分子及复杂量子系统研究中，经典计算、AI与量子计算需合理分工。
分层计算策略
扈鸿业以磁性材料研究为例，提出分层处理方案：先利用传统计算确定原子稳定构型，再将电子自旋相互作用转化为量子磁性问题，由量子计算机求解基态。这种组合方式让各技术发挥所长，避免量子计算机承担不适配的任务。
AI作为跨学科桥梁
吴安邦强调AI在跨学科合作中的整合能力。AI可快速梳理陌生领域的重要问题及技术路线，将原本需数年积累的文献认知压缩至半小时。同时，量子研究中的思维方式也可反哺AI，丰富Agent的知识库，助力后续研究。
攻克强关联难题
严正以高温超导为例，指出传统密度泛函理论难以准确描述强关联量子材料。此类涉及大量相互关联量子自由度的高复杂度问题，是量子计算未来的核心应用场景。他将AI比作擅长整合知识的“指挥者”，量子计算机则是执行复杂任务的“操作员”，两者互补。
展望未来：量子应用的社会化想象
讨论尾声，梁之鼎提出量子计算社会化应用的开放性议题。相比具身智能等技术，公众对量子计算的直观认知较少。他发起“量立方”创意征集，鼓励通过文字及AI短片等形式想象量子科技的未来形态。
吴安邦从早期的“瞬间移动”幻想转向更务实的远距离意识交互设想；严正则比喻AI为博学数学家，量子计算机为专用计算器，两者结合方能高效解决无规律海量数据问题。扈鸿业认为，由于人类感官局限于经典世界，缺乏对量子态的直观经验，加之希尔伯特空间中尚存大量未知现象（如疤痕态），量子计算的未来应用仍需在探索中逐渐清晰。
注：封面/首图由 AI 辅助生成