就在最近，一则来自理论计算机界的消息，在量子圈子里“放了个卫星”。
一家9月才刚刚亮相、名叫Physical Superintelligence（PSI，物理超级智能）的新锐实验室，放出了一篇长达60页的预印本论文：《A PROOF OF THE AARONSON-AMBAINIS CONJECTURE》，也就是Aaronson-Ambainis猜想的完整证明。
这个猜想，是量子计算理论领域悬而未决长达18年的经典难题。过去十几年，无数顶尖理论学者前赴后继，始终没能拿到严谨、自洽的证明。而这次的突破，不是靠一个数学家埋头数年纸笔推演，而是PSI研究员David Turturean调用Anthropic前沿大模型，在自建算力集群上仅仅跑了3天，就完成了整套证明。更关键的是，整套推导全程通过Lean4形式化定理证明工具核验，没有人工预留的逻辑缺口，没有未经证明的外部假设，结论的严谨性，得到了机器的背书。
很多人第一眼看到这条新闻，理解只停留在表层：AI帮人搞定了一个很难的数学题。但放在量子产业化的赛道里，这件事的分量，远比想象中更重。它不是一次简单的“AI辅助科研”的秀场，而是给我们抛出了一个无法回避的命题：未来量子计算的演化路径，会不会从根上，由AI重新定义？
今天我们聊的核心，不是这一个猜想本身的数学细节，而是一个更宏大的远景：AI-Native量子计算。简单来说，未来的量子计算机，天生就是为AI服务的；反过来，我们也要依靠AI，去设计、迭代、纠错、驾驭量子计算机。
现在市面上所有的量子硬件，大概率都不是五年之后我们真正需要的量子计算机。算法定义架构，架构牵引硬件，在成熟的现有供应链之上，生长出真正可用的量子算力，这才是国内硬科技团队应该锚定的主线。
一、一个猜想，划定量子加速的底层边界
先回到Aaronson-Ambainis猜想本身，搞懂它到底在关心什么。这个猜想，由量子计算领域两位重量级学者Scott Aaronson和Andris Ambainis提出，它研究的核心，是量子查询复杂度，也就是量子算法相比经典算法，到底能拿到多大的加速上限。它本质上是在划定一条边界：哪些问题，量子计算机理论上可以获得显著加速；哪些问题，量子的优势存在天然天花板，投入再多量子比特，也很难拿到预期收益。
在过去18年里，这个猜想一直是量子算法的底层标尺。我们设计量子算法、评估量子纠错方案、测算量子比特资源开销，很多理论推导都建立在这个猜想“大概率成立”的预设之上。大家一边做实验，一边默认这条边界存在，却始终没有一份完整、严谨的形式化证明。没有证明，就意味着整个上层的算法框架，脚下始终踩着一块不确定的浮冰。
而这次Anthropic加持下的证明，相当于把这块浮冰钉在了坚实的地基上。它给整个量子算法领域，提供了一个稳定的理论边界。但比结论更震撼的，是完成这件事的方式。
传统的量子理论研究，链条是这样的：人类学者阅读文献、提出猜想、搭建逻辑链条、反复推演，再一点点补全证明，周期往往以年为单位。在这个过程里，人的精力是最大瓶颈，复杂的逻辑分支、海量的不等式推导、形式化校验，极度消耗心力，很多证明卡在冗长枯燥的推导环节，迟迟无法落地。
而这次，AI不再是单纯的文献检索工具、公式抄写助手。它深度参与了逻辑构造、分支试错、推导化简，和Lean4形式化工具配合，自动排查逻辑漏洞。三天时间，走完了学界十几年没能走完的路。
这是一个强烈的信号：在量子这种高度抽象、高维度、充满复杂数理逻辑的领域，AI的推理能力，已经可以介入底层理论的创造环节。
二、范式之争：Human-First，还是AI-Native？
很多做量子硬件的同行，当下的思路还停留在一条经典路径：先把比特数量做上去，先把门保真度拉高，先把制冷机、光路、真空系统打磨稳定，硬件先跑起来，之后再慢慢找算法、找应用、做纠错。这条路我们走了很多年，也取得了很多亮眼成果，中性原子、超导、光计算各个路线，都在持续刷新比特数和保真度记录。
但这里藏着一个巨大的矛盾：我们现在造出来的量子硬件，是“人类先设想量子算法，再配套设计出来的硬件”。这套范式，是Human-First的。人先想象量子能做什么，再去造对应的机器。可量子系统本身的复杂度，已经远远超出了人类大脑直接掌控的上限。一个上百逻辑比特的容错量子计算机，它的噪声演化、纠错调度、线路编译、比特分配，里面的组合可能性，是天文数字，单靠人的直觉，很难找到最优解。
这就是AI-Native量子计算和传统路线最核心的分野。
什么是AI-Native？它不是“造一台量子计算机，之后外挂一个AI当应用软件”。它是从源头倒置顺序：以AI的需求作为第一性目标，用AI去探索量子算法，由算法定义量子架构，再由架构反向约束硬件指标。硬件不再是出发点，而是整个链条里的末端载体。
我们不妨向前眺望五年，想象一下五年之后大模型会是什么样子。今天的大模型，已经可以做数学证明、代码生成、物理仿真、线路优化；五年之后，大模型的长逻辑推理、多模态仿真、自动寻优能力会再上一个台阶。它可以自主遍历海量量子线路，在噪声模型里仿真不同门方案的表现；它可以自动设计新的量子纠错码，跳出人类已经习惯的表面码框架；它可以针对大模型推理、矩阵运算、组合优化这些AI原生任务，自动生成专属量子线路，甚至反过来告诉硬件工程师：我需要什么样的比特连通性、什么样的两比特门、什么样的噪声指标，才能最高效跑通这个任务。
这个逻辑一旦跑通，整个量子产业的顺序就彻底翻转了。
过去：硬件工程师定下比特方案 → 算法团队在硬件约束里寻找能用的算法 → 尝试对接业务场景。
未来：AI自主搜索最优量子算法和纠错方案 → 输出架构需求 → 硬件团队基于现有成熟供应链，去匹配这个架构需求，生产硬件。
也就是说，未来的量子计算机，天生就是服务AI算力的协处理器。量子算力不是一个独立的、用来做密码破解、化学模拟的小众工具，它是AI算力栈里的一个特殊单元，专门承接经典GPU不擅长的高维概率分布采样、大规模组合搜索、复杂矩阵演化这类任务。量子给AI用，同时AI驾驭量子，形成闭环。
三、跳出比特数量竞赛：AI正在重构量子纠错与编译
很多人会有疑问：那我们现在投入重金搭建的量子硬件，是不是都没有意义？当然不是。硬件的积累、工艺的打磨、低温、光学、微纳加工的供应链能力，都是必不可少的底盘。但我们要警惕一个陷阱：单纯追求比特数量的军备竞赛，很容易走进一条低效的死胡同。如果我们持续沿着旧范式堆比特，最后造出一台规模很大、但适配算法很少、纠错成本极高的机器，它依然很难产生真正的商业价值。
Aaronson-Ambainis猜想的证明，刚好给我们敲响了警钟。AI已经可以在理论层面对量子的边界做探索，那在算法、纠错、编译、调度这些工程层面，AI的潜力只会更大。
量子纠错，是容错量子计算机最难啃的硬骨头。表面码是目前大家最主流的纠错方案，但它的资源开销巨大，对门保真度、比特连通性要求苛刻。人类很难穷举所有纠错码的可能性，但是AI可以。AI可以在噪声模型里，以百万级的速度迭代不同的纠错拓扑，找到在特定硬件噪声下，资源开销更低、容错阈值更高的新型纠错方案。
同样，量子线路编译也是如此。一条复杂的量子线路，映射到物理比特上，要考虑原子搬运、门误差、比特串扰、读取错误，约束条件错综复杂。人工编译，往往只能拿到局部最优解；AI可以自动完成线路裁剪、比特重排、噪声感知调度，把有限的物理比特资源的利用率拉满。
四、国内团队的路线选择：抓住AI-Native窗口期
这就回到我们国内团队的选择上。国内量子赛道，中性原子、超导、离子阱等计算多条路线并行，大家都在艰难追赶前沿。
我们的优势，在于完整的制造业供应链、充沛的工程师人才、以及国内产业蓬勃发展的土壤。但我们不能简单复刻海外过去十年的路径。我们有机会，直接站在AI爆发的时代窗口，去走AI-Native的新范式。
对于国内的量子创业团队，几个方向值得持续深耕。
第一，不要把硬件指标当成唯一的KPI，要建立AI驱动的算法-硬件联合仿真闭环。组建跨学科团队，把AI大模型、量子信息、硬件工艺的人才捏合在一起。让AI持续输出算法和纠错方案，持续给硬件提需求，而不是硬件做好之后，再被动等待算法团队适配。
第二，拥抱现有成熟供应链，不盲目追求从零打造全新的底层工艺。AI-Native的思路，是算法优先，架构优先。如果AI搜索出来的最优架构，能够基于现有的硅光、中性原子、低温电子学供应链实现，就优先在成熟体系上迭代。硬科技创业，最怕的是同时挑战多层技术栈，一边自研全新物理原理，一边搭建全新供应链，一边开发算法，战线拉得太长，容错空间极低。用好已经成熟的工业底座，把创新重心放在算法、架构、纠错和AI调度层，性价比会高得多。
第三，锚定量子和AI融合的场景，而不是孤立寻找量子的“独立应用”。不要先去幻想量子计算机单独解决某个工业难题，而是思考：在大模型的整个算力链路里，哪些环节天然适合量子算力介入？比如大模型的概率采样、检索增强、复杂优化、生成模型的隐空间建模。量子算力作为AI的加速单元，更容易找到落地闭环，拿到持续的现金流反哺研发。
当然，我们也要保持理性。这次AI证明猜想，不代表AI已经可以直接帮我们造出容错量子计算机。Lean4形式化证明，解决的是纯理论逻辑问题；
而量子硬件里面，噪声、串扰、工艺误差、材料缺陷，是无数现实世界的复杂变量，难度不在一个维度。
AI是强大的工具，不是魔法。它可以加速探索、优化方案、排查错误，但无法跳过物理规律本身的约束。
同时，AI-Native也不是抛弃量子理论的根基。Aaronson-Ambainis这类基础理论，划定了量子加速的上限，是我们所有探索的边界。AI的价值，是在边界之内，帮我们更快找到最优路径，而不是突破物理和计算复杂度的底层约束。
五、下一个五年：谁先看懂共生，谁拿到入场券
行业里一直有一句拷问：我们究竟需要一台什么样的量子计算机？过去很多答案，是“更多比特、更高保真度、更低温度”。但今天，这条新闻给了我们一个新的答案：我们需要一台能无缝嵌入AI算力体系、由AI协同设计、被AI调度使用的量子计算机。
五年之后回头看，今天这篇猜想证明，或许会是一个标志性的节点。它标志着，量子计算的研发范式，正式进入人机协同的新阶段。人类负责提出方向、建立框架、判断价值；AI负责遍历可能性、推演逻辑、海量仿真、持续寻优。
海外的PSI实验室、Anthropic已经率先迈出这一步。对于国内所有量子团队来说，这不是一次遥远的学术新闻，而是一份清晰的路线预告。我们不需要完全复刻别人走过的老路，我们有机会直接切入AI-Native这条主线，用算法定义架构，用架构牵引硬件，在AI和量子双向赋能的闭环里，走出属于我们自己的产业化道路。
量子计算的长跑，才刚刚进入范式切换的拐点。谁先看懂AI和量子的共生关系，谁先布局AI-Native的整套体系，谁就能在下一个五年，拿到通往可用量子算力的门票。
