量子计算会取代经典计算吗？

在北京大学前沿计算研究中心助理教授李彤阳看来，经典计算与量子计算的关系，或许更像钢与不锈钢。 

在人类已经拥有成熟钢铁工业和建筑体系之后，不锈钢的出现并不会让人们重新思考该用什么建造高楼。但在杯子、餐具以及其他更精细、更特殊的场景中，不锈钢自然找到了不可替代的用途。 

量子计算也可能如此。 

本文转载自《量子前哨》，链接：https://mp.weixin.qq.com/s/i-sW8mJghA1x3WnZ6SzBPw

“经典计算已经做得很成熟的事情，不应该是我们量子计算追求的目标。”李彤阳说。与其在经典计算已经高度成熟的领域正面竞争，量子计算更重要的任务，是找到那些真正符合自身特性、能够展现独特价值的问题。 

对于量子计算的长期发展，他保持着审慎而坚定的期待。正如牛顿所描述的那个在真理海边拾取贝壳的孩子，人类对计算世界的探索仍远未结束。经典计算将继续支撑大多数现实任务，而量子计算则可能在其中开辟出一片新的空间，成为整个计算体系的重要组成部分。 

自系统接触量子信息以来，李彤阳长期从事量子算法研究。他提出并证明过具有量子加速潜力的算法，也通过经典算法探究量子优势成立的条件与边界。如今，他将更多精力投入量子线路、编译优化和资源估计等更接近实际实现的方向。其团队也在持续探索 AI for Quantum，尝试利用人工智能提升量子计算的研发效率，推动理论成果走向工程与应用。 

在向“量子前哨”讲述自己的研究经历与判断时，李彤阳反复提到一个词：审美。 

在他的语境中，审美对应的是研究者的品味，也就是对问题本身的判断力：哪些问题真正重要，哪些方向可能产生长期价值，哪些工作即使技术上可行，也未必值得投入。 

对仍处于早期阶段的量子计算而言，这种判断或许尤为关键。真正决定一个领域能走多远的，不只是解决问题的能力，也包括发现好问题、选择好问题的能力。

从数学竞赛到量子算法

李彤阳走进量子计算，并不是那种典型的“被某个瞬间点燃”的故事。 

他高中参加数学竞赛，保送进入清华大学姚班。学基础学科的人往往理性而理想主义。据他所说，选择姚班有姚期智先生号召的因素，但更多是一次冷静的匹配——“理论计算这个方向，既能对计算机产生深刻的认识，又跟我以前学数学的专长比较接近，对我来说是比较合适的。”顺着这个判断，他在本科期间同时修读了数学双学位。 

在选修的多门理论计算课程里，2013年秋季学期的量子信息课是他很感兴趣的一门：“这就是我在理论计算里面特别想追求的方向。”这门课与其说点燃了什么，不如说完成了一次确认：他知道了自己要选的方向。当时的量子计算，用他的话说，“还是一个比较纯粹的理论研究方向”。 

北京大学前沿计算研究中心，图源：量子前哨摄 

此后的路径顺着这次确认展开：赴美国马里兰大学攻读计算机科学博士，师从量子算法领域的重要学者Andrew Childs；博士毕业后在MIT从事博士后研究；2021年加入北京大学前沿计算研究中心。20多岁确认的方向，他沿着走了10余年，至今仍在继续。

导师教的不是某个算法，是“审美”

谈起对自己影响最大的人，李彤阳给出的答案是博士导师Andrew Childs。令人意外的是，他没有首先提到某一个具体算法，而是谈起导师作为研究者的职业素养：Childs的课题组管理很有章法，每周固定见面讨论学术，对学术生涯的规划能力特别强。“他对我来说是很好的榜样”，如今李彤阳在北大做了5年导师，带着12名学生。 

另一层影响，是判断“什么问题重要，什么问题不重要”。 

“这种审美需要多与一些大师去交流。”李彤阳说。量子计算是一个高度交叉的领域，重要的问题很多，鱼龙混杂的声音也不少。“这个时候，你要能坚信自己的审美，去解决重要的问题。” 

Childs的一项研究给他留下了很深的印象。早期的量子模拟研究大多停留在渐进复杂度层面，也就是只看理论加速倍数，而不关心具体需要多少量子比特和门。2018年发表的一项工作中，Childs等人把量子模拟算法落实成了具体线路，估计出模拟海森堡自旋模型等问题，到底需要几百万还是几千万个量子门。 

对一个理论研究者来说，这相当于把问题从“理论上更快”向前追问了一步：究竟需要多少量子比特、多少个门，量子计算机什么时候才真正跑得动？ 

这是“审美”的第一种形式：判断一个问题重不重要，不看它时髦不时髦，而看它能不能被追问到底——追问到具体的门数、具体的比特数、具体的量子计算机。这种追问方式，后来越来越频繁地出现在他自己的研究里。 

“审美”的专注力：隧穿与反击

李彤阳很喜欢的一项工作，与量子隧穿有关。他在博士期间对优化理论产生了浓厚兴趣——在他看来，大模型训练归根结底也是一个大规模优化问题。而真实的模型往往落在非凸优化的范畴里。这里有一类经典算法很难处理的困难：算法进入一个局部低谷之后，想到达另一个更优的区域，必须先跨过中间的高势垒。 

而在量子力学里，粒子不一定要“爬过”势垒——它可以隧穿过去，沿薛定谔方程演化的量子态，能够以这种方式在空间中进行更充分的探索。李彤阳和合作者据此提出“量子隧穿游走”（Quantum Tunneling Walk），这里的“隧穿”并非利用真实粒子穿越势垒，而是借鉴量子演化形式构造算法模型，把这种物理机制转化成了优化算法，并证明在“势垒高而薄、极小值较平坦”等条件下，它相对经典随机梯度下降可以获得加速。 

“像量子隧穿这样偏量子力学的算法工具，拿过来解决数学上的优化问题，这是我比较喜欢的研究方向之一。” 

在李彤阳看来，这是“审美”的第二种形式：交叉研究里常见的捷径，是把一个领域的名词借到另一个领域；更难也更有价值的，是吃透一个领域的工具，再用它去解决另一个领域的真问题。 

有意思的是，李彤阳并不只做“证明量子更快”的工作。他也参与过另一类看起来不那么讨好的研究：证明量子没有那么快。 

2019年，他与Nai-Hui Chia、András Gilyén、Ewin Tang等人合作，发展了一套“量子启发”的经典算法框架，用于低秩矩阵计算，在特定输入模型和条件下，进一步限制了此前部分量子机器学习算法指数级加速结论的成立范围。论文后来发表于《Journal of the ACM》。 

“我觉得把这些问题搞清楚是非常好的事情。”在他看来，一个严谨的“量子加速”要靠两条腿站立：一条是给出好的量子算法，另一条是发展出对应问题的经典复杂性理论——换句话说，量子优势是否成立，取决于量子与经典是否在同等假设下比较。 

2025年，类似的事情再次发生。李彤阳团队构造出基于Markov chain Monte Carlo的经典采样算法，证明基于高斯玻色采样求解的一类无权图问题，在稠密图条件下可以被经典算法以多项式时间模拟。数值实验做到256个节点。相关工作发表于《Nature Communications》——而GBS长期被视为展示光量子计算优势的重要候选任务之一。 

对李彤阳而言，这是“审美”的第三种形式：它不等于立场。判断一个问题值得做，跟判断结论会对哪一方有利，是两件事。削弱量子优势的工作在这个行业里未必讨好，但“把边界搞清楚”本身足够重要。 

“道高一尺，魔高一丈。”他更愿意把量子和经典看成一场持续的切磋：有的问题量子优势很大，有的问题仔细研究之后，优势并没有原来以为的那么大。

1000和100万之间

量子计算理论研究与量子计算真机落地的差距有多大？李彤阳引用了加州理工学院教授John Preskill近年提出的一个词——megaquop，即百万次量子操作：真正有实用价值的量子算法，普遍需要百万量级的可靠量子操作；而目前的实验系统距离这一水平仍有数量级差距。 

李彤阳团队的方式，可以用一个经典的句子来概括——“两手抓，两手都要‘硬’”。
一手从硬件侧降低误差、压缩门数。团队面向超导、中性原子、离子阱三条主流硬件路线都开展了相关工作。在线路编译上，对标IBM的Qiskit编译器，课题组提出的编译优化方法，在各类线路上普遍能将门数降低20%以上，代表性的例子能降低约40%，相当于把1000个门压到600个。目前，课题组与腾讯量子实验室（张胜誉团队）以及合肥的国家实验室保持着长期合作。 

一手用算法压低需求。2026年，他参与的一项工作给出了面向椭圆曲线离散对数问题的新量子算法实现：对于256位素数域椭圆曲线，资源估计只需要835个逻辑量子比特（即纠错之后真正承担计算的单元，每一个背后都对应数量大得多的物理量子比特），低于此前1098和1175逻辑量子比特的方案。硬件在把机器的能力向上推，算法在把问题的需求向下压。他的想法是：如果一个重要算法原本可能还需要20年才能落地，能不能通过优化，把这个距离压缩到10年，甚至更短？再往下走，是算法与纠错码之间的协同设计（Co-Design）——在他看来，这是未来五年最有挑战性的问题之一。

AI会成为量子计算的新工具吗？

2023年以后，AI快速起势。李彤阳的量子算法主线没有中断，但AI for Quantum的分量明显增加——“从23年到现在，方向越来越偏AI for Quantum”。 

他此前的机器学习与优化理论研究，大多属于Quantum for AI：量子计算能否加速学习和训练。他表示，这个方向长期值得研究，但眼下更多还是理论问题——就像后来获得图灵奖的Bengio、LeCun等人上世纪八九十年代研究神经网络时一样：理论本身已有价值，但当时的算力还远不足以改变世界。 

相比之下，AI for Quantum是“功在当代”的事情：从底层物理实现、系统控制到线路编译，AI都可以介入，并进一步延伸到算法层。问题是——大模型能不能自己设计量子算法？他的团队已经开始搭建基础设施：参与构建的QCircuitBench，把量子算法设计转化为可供大模型训练和评测的任务，覆盖3类任务、25种算法和120290个数据点；同时，他参与的另一项工作SimpleTES，把大模型放进“提出—测试—反馈—再改进”的科学发现循环，在包括量子线路编译在内的28类开放科学问题上探索，其中量子编译任务报告了24.5%的额外开销下降。 

但恰恰在这里，“审美”这个词又出现了。 

李彤阳对大模型的评价很高——谈到抽象问题的理解和解题能力，他甚至用了“智商看不到边界”来形容。但另一种能力成长得没那么快：知道什么问题真正重要，以及把答案背后的直觉讲清楚。 

“我们现在很大程度上像是大模型的审稿人。”他告诉量子前哨。业内已经出现过这样的案例：模型给出的证明本身是对的，但证明出来的却不是人类真正想要的那个结论。比起幻觉，他更担心这种“答非所问”。 

这恰好回到了十多年前导师教给他的东西。选出值得做的问题，把别处的工具转化进来，再用边界去检验答案——在他看来，这套判断力，恰恰是今天的大模型最缺的部分。当年这是年轻研究者要向大师学习的能力，如今成了机器最难学会的能力之一。

短期不要过热，长期不要悲观

姚期智院士曾提出AI与量子“双星汇聚”的图景：先是AI加速量子，再是量子增强AI，最终走向量子AI。李彤阳认同这个方向，但对具体时间不做预测——站在上世纪90年代，没有人能预料到AlexNet，更不用说Transformer和大模型。 

他能讲的是眼前：AI加速量子已经在发生；量子增强AI近期以理论为主，也许几年内，小规模的经典—量子混合神经网络能取得有说服力的结果——他打了个比方，量超融合就像在经典体系里加入催化剂，这是有可能的；至于真正的量子AI，他的估计是还需要10年左右。 

正值AI这波浪潮，中国的量子算法研究站在什么位置？他的评价克制而具体：论全面性和优秀人才的绝对数量，与美国还有差距；但有组织科研和不断回流的人才是中国的特色。“全领域弯道超车不现实，但在单点上超过美国完全有可能——整体缩小差距、单点实现超车，是我们这一代人努力的方向。” 

前沿领域常有“短期被高估、长期被低估”的说法，李彤阳觉得量子计算这十几年恰好吻合：他读博士时，这还几乎是一个纯理论方向；如今实验、产业和资本相继进场，公司成批成立。越是在热度上升的时候，他越强调不要急躁冒进——“归根结底，坐得住冷板凳，把事情做好，相信自己的判断，往前去做。” 

“短期不要过于乐观，扎扎实实做好自己的事情；长期不要悲观，相信这个领域会蓬勃发展。” 

被问到给年轻人的寄语，他只说了一句：“我相信量子计算是一个长期内非常光明的方向，非常欢迎有志于从事本领域研究的同学加入。” 

这句寄语听上去很平常，没有时间表，也没有豪言。但放在他十余年的工作旁边，它自有分量：一位既研究量子加速，也研究量子优势边界的科学家，对这个领域的光明未来依旧充满希望——支撑这句话的不是口号，而是他一路作出的那些判断。

李彤阳教授简介

李彤阳，北京大学前沿计算研究中心助理教授。此前曾在麻省理工学院理论物理中心从事博士后研究。他本科毕业于清华大学交叉信息研究院，并获数学第二学位，后于美国马里兰大学获得计算机科学硕士和博士学位。主要研究方向为面向优化与机器学习的量子算法设计。已在Nature Physics、Nature Communications、Journal of the ACM、Physical Review Letters、IEEE Transactions on Information Theory，以及STOC、ICML、NeurIPS、ICLR等重要期刊和会议发表论文40余篇。

量子计算会取代经典计算吗？

在北京大学前沿计算研究中心助理教授李彤阳看来，经典计算与量子计算的关系，或许更像钢与不锈钢。 

在人类已经拥有成熟钢铁工业和建筑体系之后，不锈钢的出现并不会让人们重新思考该用什么建造高楼。但在杯子、餐具以及其他更精细、更特殊的场景中，不锈钢自然找到了不可替代的用途。 

量子计算也可能如此。 

本文转载自《量子前哨》，链接：https://mp.weixin.qq.com/s/i-sW8mJghA1x3WnZ6SzBPw

“经典计算已经做得很成熟的事情，不应该是我们量子计算追求的目标。”李彤阳说。与其在经典计算已经高度成熟的领域正面竞争，量子计算更重要的任务，是找到那些真正符合自身特性、能够展现独特价值的问题。 

对于量子计算的长期发展，他保持着审慎而坚定的期待。正如牛顿所描述的那个在真理海边拾取贝壳的孩子，人类对计算世界的探索仍远未结束。经典计算将继续支撑大多数现实任务，而量子计算则可能在其中开辟出一片新的空间，成为整个计算体系的重要组成部分。 

自系统接触量子信息以来，李彤阳长期从事量子算法研究。他提出并证明过具有量子加速潜力的算法，也通过经典算法探究量子优势成立的条件与边界。如今，他将更多精力投入量子线路、编译优化和资源估计等更接近实际实现的方向。其团队也在持续探索 AI for Quantum，尝试利用人工智能提升量子计算的研发效率，推动理论成果走向工程与应用。 

在向“量子前哨”讲述自己的研究经历与判断时，李彤阳反复提到一个词：审美。 

在他的语境中，审美对应的是研究者的品味，也就是对问题本身的判断力：哪些问题真正重要，哪些方向可能产生长期价值，哪些工作即使技术上可行，也未必值得投入。 

对仍处于早期阶段的量子计算而言，这种判断或许尤为关键。真正决定一个领域能走多远的，不只是解决问题的能力，也包括发现好问题、选择好问题的能力。

从数学竞赛到量子算法

李彤阳走进量子计算，并不是那种典型的“被某个瞬间点燃”的故事。 

他高中参加数学竞赛，保送进入清华大学姚班。学基础学科的人往往理性而理想主义。据他所说，选择姚班有姚期智先生号召的因素，但更多是一次冷静的匹配——“理论计算这个方向，既能对计算机产生深刻的认识，又跟我以前学数学的专长比较接近，对我来说是比较合适的。”顺着这个判断，他在本科期间同时修读了数学双学位。 

在选修的多门理论计算课程里，2013年秋季学期的量子信息课是他很感兴趣的一门：“这就是我在理论计算里面特别想追求的方向。”这门课与其说点燃了什么，不如说完成了一次确认：他知道了自己要选的方向。当时的量子计算，用他的话说，“还是一个比较纯粹的理论研究方向”。 

北京大学前沿计算研究中心，图源：量子前哨摄 

此后的路径顺着这次确认展开：赴美国马里兰大学攻读计算机科学博士，师从量子算法领域的重要学者Andrew Childs；博士毕业后在MIT从事博士后研究；2021年加入北京大学前沿计算研究中心。20多岁确认的方向，他沿着走了10余年，至今仍在继续。

导师教的不是某个算法，是“审美”

谈起对自己影响最大的人，李彤阳给出的答案是博士导师Andrew Childs。令人意外的是，他没有首先提到某一个具体算法，而是谈起导师作为研究者的职业素养：Childs的课题组管理很有章法，每周固定见面讨论学术，对学术生涯的规划能力特别强。“他对我来说是很好的榜样”，如今李彤阳在北大做了5年导师，带着12名学生。 

另一层影响，是判断“什么问题重要，什么问题不重要”。 

“这种审美需要多与一些大师去交流。”李彤阳说。量子计算是一个高度交叉的领域，重要的问题很多，鱼龙混杂的声音也不少。“这个时候，你要能坚信自己的审美，去解决重要的问题。” 

Childs的一项研究给他留下了很深的印象。早期的量子模拟研究大多停留在渐进复杂度层面，也就是只看理论加速倍数，而不关心具体需要多少量子比特和门。2018年发表的一项工作中，Childs等人把量子模拟算法落实成了具体线路，估计出模拟海森堡自旋模型等问题，到底需要几百万还是几千万个量子门。 

对一个理论研究者来说，这相当于把问题从“理论上更快”向前追问了一步：究竟需要多少量子比特、多少个门，量子计算机什么时候才真正跑得动？ 

这是“审美”的第一种形式：判断一个问题重不重要，不看它时髦不时髦，而看它能不能被追问到底——追问到具体的门数、具体的比特数、具体的量子计算机。这种追问方式，后来越来越频繁地出现在他自己的研究里。 

“审美”的专注力：隧穿与反击

李彤阳很喜欢的一项工作，与量子隧穿有关。他在博士期间对优化理论产生了浓厚兴趣——在他看来，大模型训练归根结底也是一个大规模优化问题。而真实的模型往往落在非凸优化的范畴里。这里有一类经典算法很难处理的困难：算法进入一个局部低谷之后，想到达另一个更优的区域，必须先跨过中间的高势垒。 

而在量子力学里，粒子不一定要“爬过”势垒——它可以隧穿过去，沿薛定谔方程演化的量子态，能够以这种方式在空间中进行更充分的探索。李彤阳和合作者据此提出“量子隧穿游走”（Quantum Tunneling Walk），这里的“隧穿”并非利用真实粒子穿越势垒，而是借鉴量子演化形式构造算法模型，把这种物理机制转化成了优化算法，并证明在“势垒高而薄、极小值较平坦”等条件下，它相对经典随机梯度下降可以获得加速。 

“像量子隧穿这样偏量子力学的算法工具，拿过来解决数学上的优化问题，这是我比较喜欢的研究方向之一。” 

在李彤阳看来，这是“审美”的第二种形式：交叉研究里常见的捷径，是把一个领域的名词借到另一个领域；更难也更有价值的，是吃透一个领域的工具，再用它去解决另一个领域的真问题。 

有意思的是，李彤阳并不只做“证明量子更快”的工作。他也参与过另一类看起来不那么讨好的研究：证明量子没有那么快。 

2019年，他与Nai-Hui Chia、András Gilyén、Ewin Tang等人合作，发展了一套“量子启发”的经典算法框架，用于低秩矩阵计算，在特定输入模型和条件下，进一步限制了此前部分量子机器学习算法指数级加速结论的成立范围。论文后来发表于《Journal of the ACM》。 

“我觉得把这些问题搞清楚是非常好的事情。”在他看来，一个严谨的“量子加速”要靠两条腿站立：一条是给出好的量子算法，另一条是发展出对应问题的经典复杂性理论——换句话说，量子优势是否成立，取决于量子与经典是否在同等假设下比较。 

2025年，类似的事情再次发生。李彤阳团队构造出基于Markov chain Monte Carlo的经典采样算法，证明基于高斯玻色采样求解的一类无权图问题，在稠密图条件下可以被经典算法以多项式时间模拟。数值实验做到256个节点。相关工作发表于《Nature Communications》——而GBS长期被视为展示光量子计算优势的重要候选任务之一。 

对李彤阳而言，这是“审美”的第三种形式：它不等于立场。判断一个问题值得做，跟判断结论会对哪一方有利，是两件事。削弱量子优势的工作在这个行业里未必讨好，但“把边界搞清楚”本身足够重要。 

“道高一尺，魔高一丈。”他更愿意把量子和经典看成一场持续的切磋：有的问题量子优势很大，有的问题仔细研究之后，优势并没有原来以为的那么大。

1000和100万之间

量子计算理论研究与量子计算真机落地的差距有多大？李彤阳引用了加州理工学院教授John Preskill近年提出的一个词——megaquop，即百万次量子操作：真正有实用价值的量子算法，普遍需要百万量级的可靠量子操作；而目前的实验系统距离这一水平仍有数量级差距。 

李彤阳团队的方式，可以用一个经典的句子来概括——“两手抓，两手都要‘硬’”。
一手从硬件侧降低误差、压缩门数。团队面向超导、中性原子、离子阱三条主流硬件路线都开展了相关工作。在线路编译上，对标IBM的Qiskit编译器，课题组提出的编译优化方法，在各类线路上普遍能将门数降低20%以上，代表性的例子能降低约40%，相当于把1000个门压到600个。目前，课题组与腾讯量子实验室（张胜誉团队）以及合肥的国家实验室保持着长期合作。 

一手用算法压低需求。2026年，他参与的一项工作给出了面向椭圆曲线离散对数问题的新量子算法实现：对于256位素数域椭圆曲线，资源估计只需要835个逻辑量子比特（即纠错之后真正承担计算的单元，每一个背后都对应数量大得多的物理量子比特），低于此前1098和1175逻辑量子比特的方案。硬件在把机器的能力向上推，算法在把问题的需求向下压。他的想法是：如果一个重要算法原本可能还需要20年才能落地，能不能通过优化，把这个距离压缩到10年，甚至更短？再往下走，是算法与纠错码之间的协同设计（Co-Design）——在他看来，这是未来五年最有挑战性的问题之一。

AI会成为量子计算的新工具吗？

2023年以后，AI快速起势。李彤阳的量子算法主线没有中断，但AI for Quantum的分量明显增加——“从23年到现在，方向越来越偏AI for Quantum”。 

他此前的机器学习与优化理论研究，大多属于Quantum for AI：量子计算能否加速学习和训练。他表示，这个方向长期值得研究，但眼下更多还是理论问题——就像后来获得图灵奖的Bengio、LeCun等人上世纪八九十年代研究神经网络时一样：理论本身已有价值，但当时的算力还远不足以改变世界。 

相比之下，AI for Quantum是“功在当代”的事情：从底层物理实现、系统控制到线路编译，AI都可以介入，并进一步延伸到算法层。问题是——大模型能不能自己设计量子算法？他的团队已经开始搭建基础设施：参与构建的QCircuitBench，把量子算法设计转化为可供大模型训练和评测的任务，覆盖3类任务、25种算法和120290个数据点；同时，他参与的另一项工作SimpleTES，把大模型放进“提出—测试—反馈—再改进”的科学发现循环，在包括量子线路编译在内的28类开放科学问题上探索，其中量子编译任务报告了24.5%的额外开销下降。 

但恰恰在这里，“审美”这个词又出现了。 

李彤阳对大模型的评价很高——谈到抽象问题的理解和解题能力，他甚至用了“智商看不到边界”来形容。但另一种能力成长得没那么快：知道什么问题真正重要，以及把答案背后的直觉讲清楚。 

“我们现在很大程度上像是大模型的审稿人。”他告诉量子前哨。业内已经出现过这样的案例：模型给出的证明本身是对的，但证明出来的却不是人类真正想要的那个结论。比起幻觉，他更担心这种“答非所问”。 

这恰好回到了十多年前导师教给他的东西。选出值得做的问题，把别处的工具转化进来，再用边界去检验答案——在他看来，这套判断力，恰恰是今天的大模型最缺的部分。当年这是年轻研究者要向大师学习的能力，如今成了机器最难学会的能力之一。

短期不要过热，长期不要悲观

姚期智院士曾提出AI与量子“双星汇聚”的图景：先是AI加速量子，再是量子增强AI，最终走向量子AI。李彤阳认同这个方向，但对具体时间不做预测——站在上世纪90年代，没有人能预料到AlexNet，更不用说Transformer和大模型。 

他能讲的是眼前：AI加速量子已经在发生；量子增强AI近期以理论为主，也许几年内，小规模的经典—量子混合神经网络能取得有说服力的结果——他打了个比方，量超融合就像在经典体系里加入催化剂，这是有可能的；至于真正的量子AI，他的估计是还需要10年左右。 

正值AI这波浪潮，中国的量子算法研究站在什么位置？他的评价克制而具体：论全面性和优秀人才的绝对数量，与美国还有差距；但有组织科研和不断回流的人才是中国的特色。“全领域弯道超车不现实，但在单点上超过美国完全有可能——整体缩小差距、单点实现超车，是我们这一代人努力的方向。” 

前沿领域常有“短期被高估、长期被低估”的说法，李彤阳觉得量子计算这十几年恰好吻合：他读博士时，这还几乎是一个纯理论方向；如今实验、产业和资本相继进场，公司成批成立。越是在热度上升的时候，他越强调不要急躁冒进——“归根结底，坐得住冷板凳，把事情做好，相信自己的判断，往前去做。” 

“短期不要过于乐观，扎扎实实做好自己的事情；长期不要悲观，相信这个领域会蓬勃发展。” 

被问到给年轻人的寄语，他只说了一句：“我相信量子计算是一个长期内非常光明的方向，非常欢迎有志于从事本领域研究的同学加入。” 

这句寄语听上去很平常，没有时间表，也没有豪言。但放在他十余年的工作旁边，它自有分量：一位既研究量子加速，也研究量子优势边界的科学家，对这个领域的光明未来依旧充满希望——支撑这句话的不是口号，而是他一路作出的那些判断。

李彤阳教授简介

李彤阳，北京大学前沿计算研究中心助理教授。此前曾在麻省理工学院理论物理中心从事博士后研究。他本科毕业于清华大学交叉信息研究院，并获数学第二学位，后于美国马里兰大学获得计算机科学硕士和博士学位。主要研究方向为面向优化与机器学习的量子算法设计。已在Nature Physics、Nature Communications、Journal of the ACM、Physical Review Letters、IEEE Transactions on Information Theory，以及STOC、ICML、NeurIPS、ICLR等重要期刊和会议发表论文40余篇。