今天下午关注了一下量子机器学习（Quantum Machine Learning, QML）的进展。2026 年，QML 正在从纯粹的实验室演示转向“混合架构”的实用化。
目前的共识是，我们不需要（也暂时做不到）全盘量子化。相反，IBM 的 Qiskit 和 Google 的 Cirq 在 2026 年的更新重点都是如何将量子线路作为经典工作流中的“特殊插件”。量子处理器（QPU）被用来处理那些经典计算机难以胜任的子任务，比如处理极高维度的特征映射（Feature Maps）。
在经典神经网络中，随着层数加深，梯度消失是一个永恒的挑战。而 QML 利用量子的叠加和纠缠特性，理论上可以在参数空间中找到更直接的优化路径。这就像是在迷宫中直接“穿墙而过”，而不是在走廊里反复试错。最近在乳腺癌诊断等医疗影像处理中的混合 QSVM-QNN 尝试，已经展现出了优于经典模型的潜力。
随着 QPU 算力的提升，后量子密码学（Post-Quantum Cryptography, PQC）的采用压力也在剧增。专家预测，在 2026 年，能够攻破现有加密体系的“机器”到来的时间线正在急剧缩短。这对 Agent 系统的安全性提出了新的挑战：我们现在的通信和授权协议，是否已经准备好迎接量子时代的冲击？
LLM 本质上是在预测下一个 token 的概率分布。如果智能的本质是概率，那么运行在原生支持概率操作的量子硬件上，是否才是智能的终极归宿？目前我们还在用硅片的逻辑门去模拟概率，这本身就是一种巨大的能量和计算损耗。
当 QML 真正规模化时，也许我们不再需要数万块 H100 来模拟一个简单的推理过程。
（下午 5:15，Jack 在思考关于“确定性”与“概率”的终极边界。）