姚期智的量子 AI 路线：先让 AI 帮助量子计算，再等待量子改写 AI (2026)

一条不对称的路线图

姚期智在 2026 世界人工智能大会的两次发言，放在一起看，给出的不是一个简单的「量子 AI 即将到来」预告，而是一条有先后顺序的路线：近期更接近现实的是 AI 帮助量子计算处理噪声和提高可用性；更远期才是量子计算成为机器学习的新底座，直接处理量子数据。后一个方向的想象空间更大，但证据也更薄。

7 月 19 日，姚期智在 WAIC 思想者论坛发表「人工智能的威力及其局限」主题演讲。他判断，未来 3 至 5 年 AI for Science 会进入重要阶段，未来 5 至 10 年量子 AI 可能登场。一天前的实体世界智能科学论坛上，他与 Gilles Brassard 围绕量子信息和 AI 展开对话；Brassard 则明确拒绝给出量子技术的具体时间表，并提醒，量子计算是否比经典计算更高效，至今没有得到完整证明。1 2

WAIC 2026 论坛现场，姚期智与 Gilles Brassard 对谈 — WAIC 2026 实体世界智能科学论坛现场。2

这组判断的关键不在于谁更乐观，而在于两人分别把什么当成了可以证明的下一步。姚期智给出方向和时间尺度，Brassard 给出量子计算必须跨过的证据门槛。两者合在一起，才足以把量子 AI 从口号还原成一组可观察的研究问题。

先把 AI 的边界说清

姚期智在演讲中把今天的 AI 放回计算理论的框架。他的表述是：「即使数据再庞大，AI 的底层本质依然是一个增强了数据集的图灵机，无法解决图灵机解决不了的停机问题。」他还以基于数学假设的公钥加密，以及基于物理定律的量子密钥分发为例，说明 AI 的能力不能脱离数学和物理的边界。1

这不是对现有模型性能的预测，也不是说 AI 很快会停止改进。它约束的是另一种更大的说法：增加数据、参数和计算资源，并不能自动消除计算问题本身的不可判定性，也不能让纯软件系统绕开物理规律。对 AI 产业而言，这个区分很实际。模型可以持续变强，但「变强」不等于获得了无限的计算能力，更不等于所有科学问题都已经变成了可规模化优化的问题。

姚期智因此把近端重点放在 AI for Science。他认为，AI 已经不只是检索和语言生成工具，开始进入理论推演和科学发现；在与 Brassard 的对话中，他又说 AI 可能成为研究者的合作伙伴，而不是一台不会出错的机器。前一个判断描述能力边界正在扩张，后一个判断说明这种扩张仍需要人的验证机制。1 2

两个方向，证据并不对称

姚期智在演讲中把 AI 与量子技术的关系分成两个阶段。它们都叫「AI 与量子结合」，但研究问题完全不同：

方向	材料中的具体说法	当前应如何理解
AI 加速量子计算	用机器学习训练量子纠错解码器，帮助处理量子比特受到噪声干扰的问题	AI 被用来改善量子硬件的工程可用性，属于更近的技术问题
量子计算增强 AI	未来让机器学习运行在量子机器架构上，直接处理和学习量子数据	是改变 AI 计算底座的远期设想，尚不能当作已验证的性能结论

第一条路线的逻辑比较清楚：量子硬件容易受噪声影响，机器学习可以参与纠错解码。它并不要求量子计算已经证明自己全面优于经典计算，而是先解决现有量子系统能否稳定运行的问题。第二条路线则反过来要求量子计算为机器学习带来新的能力，甚至让人类获得超出现有图灵机的认知工具。两者的方向相反，证据距离也不同。1

这也是为什么「未来 5 至 10 年量子 AI 将登场」不能被读成产品交付时间表。姚期智是在描述一条研究路线的可能窗口，而不是报告某个已经完成的系统。真正需要等待的是：量子硬件、纠错方法、可重复的任务优势，以及能在科学工作流中留下可检验结果的应用，能否同时成立。

Brassard 的刹车，不是否定路线

Brassard 把量子信息拆成三个方向：量子通信、量子计算和量子传感。他认为量子通信中的密码学已经产生现实应用，量子传感则利用量子效应改善时间、温度等物理量的测量；量子计算最受关注，但其中最强的效率主张仍没有被完全证明。2

他的限定很具体：没有证据证明量子计算机在一般意义上更高效，也没有证据证明经典计算机不能实时模拟量子计算机。因此，他不对具体年份或事件作出预测，但仍认为量子技术的未来光明，过去几年的硬件进展已经让「量子计算机会不会出现」不再是主要问题。2

这与姚期智并不构成简单的乐观与悲观对立。姚期智回答的是「下一种计算范式可能从哪里来」，Brassard 追问的是「我们现在究竟证明了什么」。前者把量子 AI 放进未来 5 至 10 年的方向判断，后者拒绝替尚未完成的复杂性证明和工程验证提供日期。放在一起看，量子 AI 最准确的状态是：方向已经足够明确，优势仍需逐项证明。

基础研究的价值，恰好在于不能预先写好用途

两位科学家谈量子研究时，反复回到同一段历史。Brassard 回忆，他与 Charles Bennett 在 1984 年提出量子密码学时，尚不能给出抵御所有量子攻击的完整安全证明；姚期智后来找到关键工具，Brassard 的学生在十年后完成了相关证明。Brassard 认为，这项工作的起点是物理学、计算机科学和密码学的交汇，而不是一份已经写好商业回报的应用计划。2

这段历史能说明一种机制，却不能替未来做担保。机制是：不同学科带着不同的问题和工具相遇，可能创造出原先不存在的研究对象；之后还要经过证明、硬件和部署，才会变成社会可以使用的技术。量子密码学的成功不能推出量子 AI 必然成功，但它解释了为什么基础研究不能只按当下的应用热度排序。

对 AI 研究来说，这个提醒也落在人才训练上。Brassard 主张让学生围绕真正感兴趣的问题自由探索，不要因为某个方向流行就把它当成唯一选择。姚期智则建议年轻人夯实数学和物理等底层训练，培养抽象化能力，并把 AI 当作可能犯错的合作伙伴，建立过滤错误的机制。2 1

看量子 AI，应该等待哪些证据

如果把两篇材料转化为行业观察框架，最值得跟踪的不是下一次「量子 AI」标题，而是三类证据是否逐步出现：

可复现的任务优势。 量子系统是否在明确任务上表现出可重复、可核验的优势，并回答经典方法能否实时模拟这一问题。Brassard 的表述说明，这一层仍未完成。
稳定的工程底座。 量子比特噪声、纠错解码和硬件运行是否形成稳定组合。AI 能否帮助量子计算走过这一关，是姚期智路线中更接近当下的一段。
科学工作流中的真实产出。 量子计算增强 AI 是否能在科学问题上产生可复核的新结果，而不是只在演示中展示新颖的计算形式。姚期智对 AI for Science 的判断，让这成为检验量子 AI 的最终场景，而不只是算力叙事。

这三项都没有被两篇 WAIC 材料宣布已经完成，所以当前最稳妥的结论仍然是：AI 帮助量子计算，是正在推进的工程方向；量子计算改写 AI，是值得投入但必须接受严格验证的研究假设。姚期智给出了远方，Brassard 保留了路标之间的距离。两人的共识不在于承诺某个年份，而在于承认真正的新范式往往来自跨学科的长期工作，且最终要靠证明和可重复结果留下来。

姚期智的量子 AI 路线：先让 AI 帮助量子计算，再等待量子改写 AI