经典与量子的嫁接

人工智能的浪潮正在袭向社会的每一角落，重新塑造生活与工作的方式。先是从AI服務器，接著就是现在快速兴起的代理式AI（agentic AI），以及开始要进入部署阶段的实体AI。 

这些都是以高效能计算（HPC）为核心的进展及延伸。目前HPC的主要象微就是AI服務器，其中核心元件包括过去PC的核心CPU、专用于人工智能张量（tensor）计算的GPU，以及高帶寬存儲器（HBM）。HPC的进展除了在芯片、先进封装以及系统组装的技术的持续推进外，另外最可能的进展就是将再几年可能就要商业量产的通用容误量子计算机（general fault-tolerant quantum computers）整合在HPC的体系之中，这就是混合量子经典计算（Hybrid Quantum-Classical Computing；HQCC）。

量子计算机依赖的是量子世界的叠加（superposition）和纠纒（entanglement）现象，而AI服務器的原理尽在经典（classical）之中。理论上量子理论是较一般的理论，说量子理论涵盖经典理论一点也不为过，但是实务上为了处理两种物理极限的现象，计算机存在的物理架构迥然相异。

虽然NVIDIA在軟件层架构层面已经用CUDA-Q为軟件架构为之铺路。CUDA-Q将量子处理器（Quantum Process Unit；QPU）当成某一种加速器（accelerator）来处理，并且兼容各种类型的量子位元计算机，但是AI服務器和量子计算机在硬件层面存在极具挑战性的桥接问题。 

主要的问题大概落在两种系统中间关于延迟（latency）、信號类型和低温限制（cryogenic constraints）这些范畴中二者之差异所衍生出的不同结构。

延迟是指AI服務器从起始信號至完成效果的时间。AI的核心芯片CPU及GPU的延迟虽是奈秒等级，但是整个系统的延迟是微秒（us）甚至是厘秒（ms）等级。 

AI服務器要能与量子计算机协作，必须要与量子计算机的基本时间尺度相干时间（coherence）比较。相干时间是指2个量子位元之间的量子纠纒能维持的时间；量子计算基本上是靠量子位元之间的相互纠缠来完成平行计算的。加上如果AI服務器的延迟时间比量子计算机相干时间长，则经典和量子计算无法形成有效的封闭循环、反复运算，现在有些已经展示其效能的演算法如变分量子本徴值求解器（Variational Quantum Eigensolver；VQE）、量子近似优化演算法（Quantum Approximation Optimization Algorithm；QAOA）等就无法有效使用。

值得注意的是这个问题并非所有类型的量子位元都有，这个问题之所以被提出来是因为目前商业发展最迅速的超导量子位元有这个问题。

也许是恰巧、也许不是，NVIDIA选择直接投资的PsiQuantum（光子量子位元；photonic qubits）、Quantinuum（离子陷阱；trapped ions）以及QuEra（中性原子；neutral atoms）量子位元的相干时间都远高于AI服務器的延迟时间。也就是说，采用适合的量子位元类型可以避免经典与量子计算桥接时的延迟问题。

AI服務器与量子电脑信號的性质与行为存在相当大的差异。针对这些信號差异，二者的硬件都有因为优化信號处理的结构特化。要能整合这两种截然不同的需求於单一架构之下，这是另一个挑战的来源。

AI服務器的信號是數字的，量子计算的信息是量子位元。要将數字信息以振幅（amplitude）或相位编码在量子位元上，做为量子计算的起始输入，要耗费很多量子闸（gate）的运算。

大部分量子位元的运算是靠微波来操控量子位元的旋转，控制的信息是类比（analog）信息。AI服務器与量子计算机之间的數據传递，另外还得有數字/类比之间频繁相互转换的额外负担（overhead）。

二者的信號性质和行径差别也很巨大。AI服務器，如同众所周知，是高帶寬的张量（tensor）數據；QPU的數據速率低但重复率高（high repetition）。二者所需要的连线是高频、决定性（deterministic）、小有效荷载控制信號（small payload control signal）。但是AI服務器的架构是为了非同步（asynchronous）、批量导向（batch-oriented）、优化數據输送量（throughput）的目的而设计的，这就是连线设计挑战的来源。

温度是另外一个问题。在網絡上寻找量子计算的图片时，典型的照片是金碧辉煌类似吊灯的图片，但那其实是稀释冰机（dilution refrigerators）。有几个类型的量子位元需要在10~20mK的极低温下操作，这需要稀释冰机来维持极低温。另一方面，AI服務器今日所面临的最大挑战之一是散热，从芯片的运作、數據传导等步骤所产生的高温及热耗散已需要液态冷却的系统工程来处理。将二者整合于一个HQCC系统中，如何处理此二者系统高达7个数量级的温度差距就是天大的挑战。但是这问题也是依量子位元种类而异。

理论上，离子陷阱和光子量子位元都可以在室温的环境下工作。

除了以上范畴的问题，还有电磁波干扰、实体层面整合等诸多问题。

如果放下各类量子位元目前发展成熟程度的考虑，整合成HQCC我首先选择的量子计算机是使用光子量子位元的计算机。 

首先，延迟的问题对于光子是不存在的。光子量子位元有它自己的问题，譬如光子的非线性作用（nonlinear interaction）机率很小，不易发生作用；在波导（waveguide）中传导可能会有光子损失（photon loss）的问题，但是光子的退相干（decoherence）基本上不算是问题。而且光子之间不会相互作用，光子量子位也不会有电磁波干扰的问题。

AI服務器热耗散的问题也不太影响光子量子计算机。光子量子计算机目前还用冰机的部分只有在超导納米线单光子傳感器（Superconducting Nanowire Single-Photon Detector；SNSPD），温度在1~4K，目的在于提高光子傳感成功的机率至95%。至于光子量子位元本身，置于室温环境即可。

AI服務器也可以透过边缘AI与量子计算机桥接，减少延迟、热耗散、數據互传的问题。这个方法适用于所有种类的量子位元计算机。

光子量子计算机还有3个产业发展的理由成为HQCC喜爱的选择。 

一个是光子的QPU制程与半导体兼容，这使得一个新兴技术的商业化量产技术门槛骤然降低。这也是为什么光子量子电脑公司敢于一刚开始就将扩容（scaling）的目标设定于百万量子位元。 

另一个是AI服務器由于能耗、散射的诸种原因，正逐渐将系统朝全光学（all-optics）的方向推动。如此趋势当然更有利于与光子量子计算计的互联，一并整合入HQCC。

虽然目前各国目前都将量子计算列为国家战略目标，投入大量资金。但是相较于目前的AI发展是举全球资金市场的力度，对于量子计算的投资只能算是零头。依AI服務器较有利的方向去发展HQCC的量子计算部分，算是搭便车、乘势而起。