随着人工智能与大模型技术的迅猛发展，量子计算与AI的结合正成为前沿研究热点。一方面，AI被用于优化量子算法；另一方面，业界开始探索利用量子计算提升AI系统的推理能力，特别是在解决长程推理中的可靠性问题上。
香港中文大学（深圳）教授赵俊华及其团队提出了QART（量子增强推理Transformer）架构，尝试将大语言模型与量子优化模块结合，以改善复杂任务中的推理表现。基于此技术路径，赵俊华联合创立了初创公司QuantumMind，旨在电力、金融等高价值行业中推动量子AI的商业化落地。
跨界融合：从电力系统到量子AI
赵俊华拥有计算机背景，长期致力于人工智能在电力系统中的应用。电网调度涉及海量变量与复杂约束，是典型的组合优化难题。早在十多年前，他便关注量子计算在该领域的应用潜力，但受限于当时硬件条件，距离工程应用尚远。
近年来，大模型进入电力行业，虽然能理解需求并生成建议，但在多步连续决策中仍面临可靠性挑战。与此同时，专用量子计算设备的发展让技术结合成为可能。赵俊华团队设想将大模型推理中的路径选择转化为组合优化问题，交由量子设备求解，从而提升推理质量。
这一思路促成了QART架构的诞生。早期测试显示，该方法在部分任务上改善了模型表现，且无需重新预训练基础模型。尽管收益因任务而异且增加了成本，但其验证了技术融合的可行性。
创业动因：技术积累与行业需求汇合
从高校研究转向创业，赵俊华认为时机已经成熟。过去几年，团队在广东电网“明月”调度智能体等项目及金融机构合作中，深入理解了客户对决策可靠性、约束满足及响应速度的核心诉求。
目前，QART架构已在实际设备和基准任务上完成早期测试，显示出推理性能的改善。创办QuantumMind旨在将研究原型转化为可部署、可评测的产品。赵俊华担任首席科学家，负责技术研发及电力领域应用；合伙人吴海峰负责金融方向，双方共同推动量子AI在垂直行业的落地。
图丨 QART 量子增强推理架构示意图。（来源：QART 研究论文，arXiv:2609.16887）
技术路径：寻找量子计算的适用环节
对于量子计算的实用化进程，赵俊华持理性态度。通用量子计算距离大规模落地尚需时日，但面向特定任务（如组合优化）的专用设备已具备初步应用能力。
混合架构协同工作
现阶段，用量子计算完全替代GPU并不现实。更可行的方案是构建CPU、GPU与量子处理器（QPU）协同工作的混合架构。在现有AI系统中，识别适合量子求解的子问题，如优化和矩阵运算，是探索重点。
团队实测玻色量子的光量子设备，在特定组合优化问题上的求解时间约为几十毫秒。虽然完整流程包含编码和解码耗时，但该速度表明在部分任务中引入量子优化环节的时间开销是可接受的。
区别于“量子启发”算法
量子启发算法运行在经典计算机上，而QART关注的是物理量子硬件带来的新求解能力。通过与玻色量子合作，团队利用其接近工程应用的光量子计算机及云服务，专注于架构设计与应用开发，避免了底层硬件研发的巨额投入。
QART机制：优化长程推理路径
大模型在长程推理中易出现错误累积。QART通过将推理路径选择转化为二次无约束二进制优化（QUBO）问题，利用光量子设备寻找更优路径，再将结果解码反馈给模型。
无需重新预训练
QART无需调整基础模型参数。它从模型隐层或输出文本中提取语义信息，经编码、优化、解码后辅助后续推理。实验显示，接入QART后，模型找到高质量推理路径的概率有所提高，尤其在原始表现较弱的模型上改善更为明显。
性能表现与局限
在六项基准的十五组测试中，十四组表现优于基线。然而，对于需要随环境变化反复调整的任务，仅靠路径优化效果有限。此外，理论上的概率下界结论依赖于特定编码条件和假设，实际应用中需逐一验证。
图丨 QART 在部分长程推理基准测试中的性能表现。（数据来源：QART 研究论文，arXiv:2609.16887）
成本与速度权衡
目前量子求解环节为毫秒级，未造成明显速度劣势，但整体成本因量子计算费用而增加。因此，该技术现阶段主要面向对错误容忍度低、决策价值高的行业场景，如电力调度和金融分析。
行业应用：电力调度的可靠性挑战
随着新能源占比提高极端天气频发，电网运行不确定性激增。AI辅助决策在应对突发状况时显得尤为重要。
“明月”智能体的实践
广东电网AI调度员“明月”能在台风等灾害发生后五分钟内生成多套处置建议，大幅压缩了传统人工处理时间。尽管最终决策仍由人工把关，但AI有效减轻了调度员的信息处理负担。
量子增强的下一步
团队正探索将量子增强推理引入电力市场仿真与分析中，以处理供需、政策、能源价格等多源复杂信息。在高风险业务中，坚持“人机协同”原则，利用AI整理信息、提出方案，由人工审核确保安全性与合规性。
图｜广东电网 AI 调度员“明月”（来源：广东电网）
商业化前景：谁为量子增强付费
客户购买的是业务结果而非单纯的技术。电力与金融行业因决策失误代价高昂，对准确性和可信度要求极高，因而更愿意为量子AI带来的性能提升付费。
QuantumMind不仅提供量子增强推理，还整合行业知识、专业工具及校验流程，形成完整的AI解决方案。未来，公司计划推出Quantum RSI，利用量子优化辅助模型自我迭代，通过真实业务反馈持续改进模型能力。
冷静看待商业化门槛
赵俊华指出，通用量子计算全面工程应用尚不现实，当前应聚焦于相干伊辛机等专用路线。商业化的最大障碍在于成本。若单次QUBO求解成本能降至较低水平（如一元左右），规模化应用机会将显著增加。企业需精确核算新增计算成本与业务收益之间的关系，以实现可持续的商业闭环。
注：封面/首图由 AI 辅助生成