0.1 你不需要什么基础

这份教材不要求你懂量子力学，也不要求你会推公式。你只需要具备三样东西：

• 知道计算机内部用 0 和 1 存储和处理信息；
• 大致了解 CPU、内存、GPU、云服务器、SDK、API 这些概念；
• 中学水平的数学：会算平方、平方根，知道什么是概率。

如果你后面想继续深入，再补一点线性代数（向量、矩阵乘法、复数）就够了，第 14 章会给出学习路线。

0.2 教材的逐层结构

整份教材像盖楼，一层一层往上搭：

0.3 一个贯穿全书的核心比喻

为了帮助理解，全书会反复用到一个比喻：

经典计算机通过算法、并行和数据结构处理信息；量子计算机则能操控像「波」一样的概率幅，通过相长与相消干涉，让特定问题的有用信息更容易被测到。

这个比喻只帮助理解「干涉」，不是说经典算法只能逐条穷举，也不是说量子计算会自动认出正确答案。索引、动态规划、GPU 并行都是经典计算的强项；量子算法必须明确设计如何编码问题、操控概率幅以及读出结果。比喻和物理规则有冲突时，以后面给出的规则为准。

0.4 闯关小游戏规则

网页版包含 200 道分层练习题，按第 1—14 章分配；100 道单选、40 道多选、30 道判断、30 道计算/线路结果题。章节练习每题 10 分，满分 2000 分；模拟考独立按百分制显示。

• 选好答案后点「提交」，立即判分并给出解析；
• 每道题都标注了对应的小节，答错了可以一键跳回去复习；
• 答题记录和分数自动保存在本机浏览器里，下次打开还在；
• 切换到「题库模式」，可按章节、题型、难度和作答状态筛选；支持关键词检索。
• 左侧栏还有「错题本」和「综合模拟考」；可按条件抽取 10/20/50 题，模拟考不计入章节总分。

上述称号仅为学习激励，不构成专业能力认证。正文中还嵌入 6 个互动实验；每道题附知识点、难度、解析、易错原因与教材定位。新版题库使用独立答题记录，不删除旧版本记录。

1.1 你熟悉的经典计算机

你用过的所有电脑、服务器、手机，本质上都是经典计算机。它们有几个共同特征：

1. 信息单位是比特（bit）。一个比特只能是 0 或 1，就像电灯开关只有开和关。
2. 计算靠逻辑门。AND、OR、NOT 等逻辑门由晶体管搭建，组成加法器、CPU 核心。
3. 通用主机常按存储程序方式工作。CPU 从内存读取指令和数据，计算后写回内存；现代系统还包括缓存、GPU 和专用加速器，不能把所有经典设备都等同于一种冯·诺依曼架构。
4. 硬件性能提升常靠两条路：一是单个部件更快，二是更多部件并行；算法、数据结构和软件优化同样重要。

做云计算的你一定很熟悉第 4 点：当单机不够用时，我们就横向扩展，加机器、加 GPU、上分布式。

1.2 经典计算的两个天花板

天花板一：摩尔定律放缓

摩尔定律描述的是晶体管集成规模的历史增长趋势，不等于 CPU 主频或程序速度必然同步翻倍。器件继续缩小会遇到漏电、功耗、散热和制造成本等限制；工艺节点名称也不能简单当成某个器件的真实尺寸。量子计算不是替经典芯片「续上摩尔定律」，而是探索另一类计算资源。

天花板二：指数墙——有些表示方式很难靠加机器扩展

这是更根本的问题。有些计算方法的资源需求会随规模指数级增长。一个清楚的例子，是用经典计算机以稠密全状态向量表示 n 个量子比特的纯态。下面分五步把它讲透；这不是所有量子模拟算法的统一成本。

第一步：经典系统和量子系统的「记账方式」完全不同

以 3 个比特为例，它们一共有 2^3 = 8 种组合：000、001、010、011、100、101、110、111。

• 经典的 3 个比特：某一时刻只处于这 8 种组合中的一种，比如此刻就是 101。要记录它，只需记 3 个 0/1。
• 量子的 3 个量子比特：一般纯态可用这 8 种组合的线性叠加表示，每种组合的系数叫「概率幅」（第 2、3 章会详细讲）。系数可以为 0，并不要求 8 种成分都出现。稠密模拟器给全部 8 个系数分配存储位置。

用 IT 人熟悉的数据库来类比：

记录一个经典配置，只需存「当前行」的行号；稠密状态向量则为整张表的每行都留一个值。每多一个量子比特，这张表的行数翻倍；但遇到可压缩的数据，未必非要用这张大表。

所以这种表示要记录 2^n 个复数。例如 |000⟩ 只有一个非零系数；而所有比特独立处于 |+⟩ 时，虽然 8 个系数都非零，也可以用 3 个单比特状态紧凑表示。非零分量多，不等于经典模拟一定困难。

第二步：为什么每个数要 16 字节

概率幅是复数，由「实部 + 虚部」两部分组成，比如 0.3 + 0.2i。若采用 complex128，每一部分用一个双精度浮点数（double，8 字节）存储，所以一个复数占 8 + 8 = 16 字节。于是：

稠密 complex128 纯态向量本体内存 = 2^n × 16 字节

16 字节是所选数值精度的成本，不是自然界给概率幅规定的大小；改用其他精度会改变系数，但不会改变这种表示随 n 指数增长的趋势。

第三步：把数字算出来

下表统一按十进制单位换算（1 KB = 1000 字节，1 GB = 10^9 字节，1 TB = 10^12 字节，1 PB = 10^15 字节）：

这里 GB 是十进制单位，GiB 是二进制单位，1 GiB = 2^30 字节。因此 30 比特的 17.179869184 GB 恰好等于 16 GiB；50 比特的精确值为 18.014398509481984 PB。不要混用两套单位。

注意 n 从 40 到 50 只多了 10 个比特，内存却扩大到原来的 2^10 = 1024 倍。表中不含操作系统、临时缓冲、并行运行副本等开销：一台标称 16 GiB 的机器不能把全部内存交给向量，更不能据此保证 30 比特线路跑得动。容量够装下，也不代表运行时间可接受。

第四步：为什么「加机器」只能有限地推进规模

做云计算的人熟悉「水平扩展」：在理想、可分片的业务中，请求量翻倍，可以靠大约两倍资源应对。

但这里的规模指标是量子比特数 n，而不是请求数。若固定采用稠密表示，只看总内存且忽略通信开销，机器资源扩大 k 倍，能多容纳的量子比特数只有 log2(k) 个：

实际比特数必须是整数；若原容量刚好装满且严格只看内存，增量须向下取整。下文的「约 20 个」是增长量级，不是精确容量承诺。

也就是说，把原有总内存扩大 100 万倍，稠密向量可容纳的规模也只增加约 20 个比特；例如由 50 推进到约 70。这不意味着一台机器本来就装得下 50 比特，也不意味着云服务器完全无用，而是说单靠堆资源很难追上指数增长。

可以用数组扩容帮助理解：从长度 2^30 的数组增加到 2^31，元素数直接翻倍；不是在原数组末尾只加一个元素。量子比特数增加 1，对这种表示来说更像「地址增加一位」，不是「数据增加一位」。

第五步：不只是内存，时间和网络也一样

内存只是第一道墙。在直接稠密模拟中，一个一般单比特门通常要遍历数量与 2^n 成正比的概率幅；门数、线路深度与内存带宽也会影响总耗时。

如果用集群做分布式模拟，还会遇到 IT 人熟悉的网络瓶颈：需要混合不同分片上概率幅的门，可能触发跨节点交换；数据位于同一分片内的门可以本地完成。有些门还可借助对角结构等性质减少通信。不能说「每个门都要全局 Shuffle」，也不能用一个固定比特数概括所有模拟器的上限。

量子计算机为什么提供另一条路

回到下一节费曼的想法：既然自然界本身服从量子规律，就尝试直接控制量子系统，而不是总在经典内存里逐项记录它。

50 个量子比特可承载一个 2^50 维空间中的量子态，硬件不需要为每个概率幅再分配一个经典存储单元。但它可以只是简单的 |00...0⟩，并非天然就处在对算法有用的复杂叠加态中。

这也不等于可以免费装入任意 2^50 个数：一般态的制备本身可能需要指数多的操作。最后测量又不能把所有概率幅逐项读出。实际优势必须同时解决输入制备、受控演化、噪声管理和结果提取，并与最佳适用经典方法比较；「状态空间很大」只是起点，不是万能加速的证明。

三个补充说明

1. n 不直接等于电子数。 这里 n 是两能级单元的个数；在一种常见的分子编码中，每个自旋轨道的「未占据 / 已占据」对应一个量子比特。选择多少轨道、需要多高精度，会影响实际资源。
2. 并不是所有量子问题都会撞墙。 稳定子方法可高效模拟一类 Clifford 线路；张量网络能利用特定纠缠结构；化学中也有密度泛函等有效近似方法。强关联体系可能给经典方法带来困难，但不是只要贴上「强关联」标签就已证明量子优势。
3. 纯态与含噪声状态要区分。 纯态的稠密向量有 2^n 个复数；一般混态可用密度矩阵表示，朴素稠密存储含 4^n 个复数。后者也不是所有含噪声模拟的必付成本，轨迹采样、结构化表示等方法可能降低特定任务的开销。

一句话总结： 稠密纯态模拟的内存随 n 指数增长，但可模拟规模取决于表示方式与线路结构；量子硬件提供另一种实现途径，是否更快仍要逐个问题验证。

1.3 费曼的灵感：用量子模拟量子

1981 年，物理学家费曼提出了一个想法：

自然界本身就是量子的。既然经典计算机模拟量子系统这么费劲，为什么不直接用一个可控的量子系统去计算？

这就是量子计算的起点。量子计算机不是「更快的 CPU」，而是换了一种计算的物理基础：不再用晶体管的开关，而是用量子态本身来承载和处理信息。

1.4 一个重要提醒

量子计算机不是万能加速器。只有一部分问题存在已知的量子优势，且优势的适用条件各不相同。对日常的 Word、浏览器、数据库、网站后台，并没有因为换成量子比特就自然加速的理由；成熟的经典架构仍是这类工作负载的合适选择。第 7 章和第 11 章会继续讨论。

要理解量子计算，你需要先接受量子世界的几条规则。它们听起来反常识，但都被一百多年的实验反复验证过。

2.1 规则一：状态可以「叠加」

在日常世界里，一枚放在桌上的硬币要么正面、要么反面。

在量子世界里，相对于选定的两种基状态，一个量子比特可以处于含有两种概率幅成分的叠加态。它不同于「实际已有一个确定值，只是我们不知道」；两种成分之间还有可影响后续实验的相对相位。

旋转硬币只适合类比结果尚未获知，不足以解释量子叠加。 看不清硬币不是量子相干；区分叠加和普通随机混合，要看能否通过改变测量方式观察干涉，而不只看一次结果是否随机。第 3.7 节会给出可手算的检验。

2.2 规则二：用「概率幅」而不是「概率」描述状态

这是量子世界最关键、也最容易被忽略的一条。

经典世界里，我们用概率描述不确定性：正面 50%，反面 50%。概率是 0 到 1 之间的非负数，包含 0 和 1；计算互斥事件中任一个发生的概率时，可以把各事件概率相加。不能把一般事件都直接相加，也没有「负概率抵消正概率」这回事。

量子世界里，用的是概率幅（amplitude）。概率幅可以是正数、负数，甚至是复数。真正的概率等于概率幅的平方（准确说是模的平方）。

为什么这很重要？因为：

正数和负数可以互相抵消。

这让量子概率幅能够发生干涉。经典水波也有干涉，但普通概率分布没有「负概率相消」这一机制。

2.3 规则三：概率幅会「干涉」

想象水面上的两列波：

• 波峰遇到波峰，叠加后更高，这叫相长干涉；
• 波峰遇到波谷，互相抵消变平，这叫相消干涉。

著名的「双缝实验」表明，电子、光子这些微观粒子也会像波一样干涉。当两条路径保持相干、没有可区分的「经过哪条缝」信息时，即使一次只发射一个电子，大量重复实验积累的落点也能形成明暗相间的干涉条纹；单个电子一次只留下一个落点。

干涉是理解量子算法的核心机制之一：对通往同一结果、不可区分的相干路径，先加概率幅，再取模平方。设计得当时，有用结果的概率可以增强；这需要问题结构和算法，不是量子系统自己知道答案。

2.4 规则四：测量会「打断」叠加

先限定最常用的情形：对单比特做理想 Z 基测量，即在 |0⟩、|1⟩ 这组基上读出 0 或 1。若输入是 α|0⟩ + β|1⟩，两个结果的概率分别为 |α|^2、|β|^2；按测得结果，测后态变为 |0⟩ 或 |1⟩。这常被称为测量塌缩。

若原来就是 |0⟩，结果确定为 0；在没有中间操作和噪声的理想条件下，立刻再做同一测量仍得到 0。测量不是「每次必然随机」，也不是把所有量子信息一概销毁。测什么基、测哪些比特、测量是否破坏载体，都要区分。

这条规则对计算的影响非常大：

在本书常用的末端读出模型中，测量 n 个比特，一次得到一个 n 位结果，不会打印整个概率幅数组。

2.5 规则五：量子态不能被复制

量子力学有一条「不可克隆定理」：不存在一台通用机器，能把任意未知量子态都完美复制。关键限制涉及可能非正交的输入态；若只在已知的正交状态 |0⟩、|1⟩ 中选一个，则可以复制其经典标签。若已知某个态的制备线路，也可以重新制备许多份，那不是从一个未知样本克隆。

这对做 IT 的人来说很反直觉。经典世界里，复制数据是最基本的操作：内存拷贝、磁盘备份、RAID 冗余、多副本存储……但在量子世界里，你不能简单地「备份一个量子比特」。

这条规则带来两个后果：

1. 安全用途：不可克隆及测量扰动是量子密钥分发（QKD）的安全基础的一部分。但安全结论还依赖协议、已认证经典信道、设备假设及统计检验；不能由此推断任何量子通信设备都无条件防窃听。
2. 纠错限制：不能把任意未知量子态各自复制三份再投票，必须采用量子纠错编码（第 8 章详细讲）。冗余编码仍然可行，只是它不是独立副本备份。

2.6 规则六：量子态极其脆弱

量子系统与未受控的环境耦合时，可利用的相干性可能衰减，使干涉对比度下降；这类现象称为退相干（decoherence）。它不意味着系统不再遵守量子力学，也不意味着任何微小扰动都会立刻抹去全部叠加和纠缠。

因此硬件需要隔离、校准和纠错。超导路线常使用极低温，其他路线的环境要求不同；不要把「量子计算」和「所有量子比特都必须在接近绝对零度运行」画等号。

3.1 从 bit 到 qubit

经典比特（bit）：只能是 0 或 1。

量子比特（qubit）：可以是 0、1，或者 0 和 1 的叠加。

物理学家用一种叫「狄拉克符号」的写法来表示量子态。看起来有点怪，但其实很简单：

• |0⟩ 读作「ket 0」，表示量子比特处于 0 状态；
• |1⟩ 读作「ket 1」，表示量子比特处于 1 状态。

一个一般的单量子比特纯态写成（混态见 3.7 节）：

|ψ⟩ = α|0⟩ + β|1⟩

其中：

• α 和 β 是两个概率幅（可以是复数）；
• 在 Z 基测量时，得到 0 的概率是 |α|^2，得到 1 的概率是 |β|^2；
• 两者必须满足 |α|^2 + |β|^2 = 1，也就是总概率等于 100%。

3.2 举几个具体例子

表中均指 Z 基测量。注意最后两行：|+⟩ 和 |−⟩ 在 Z 基下都是 50/50，仅看这组统计无法区分它们。

但它们是不同的量子态，区别是 |0⟩ 与 |1⟩ 两成分间的相对相位。换一种测量基就能区分：先做 H 门再测 Z，|+⟩ 一定输出 0，|−⟩ 一定输出 1（第 5 章推导）。这正好说明：

相对相位不是「任何测量都看不到」的信息，而是不能只靠原来的 Z 基概率读出来。把整个状态共同乘以同一个相位则是整体相位，不改变可观测结果。

3.3 布洛赫球：给量子比特画个像

单个量子比特的纯态，忽略整体相位后，可以画成球面上的点；混态在球内部。这种表示叫布洛赫球（Bloch sphere）：

• 北极代表 |0⟩；
• 南极代表 |1⟩；
• 赤道上的点代表 0 和 1 各占一半的叠加态，比如 |+⟩ 和 |−⟩；
• 球面上其他点代表各种比例和相位的叠加。

确定的经典 0/1 可对应两极；一个纯态量子比特可以对应球面上的任意一点。单比特酉门相当于旋转这个点，但测量、重置、噪声不能都当成球面旋转。例如 50% 的 |0⟩ 与 50% 的 |1⟩ 的经典混合对应球心，不是赤道上的 |+⟩。

3.4 多个量子比特：状态空间指数增长

这里解释状态空间为什么增长得快，但空间大本身还不是算法加速的证明。

• 1 个经典比特：某一时刻表示 2 种状态中的 1 种；
• 2 个经典比特：表示 00、01、10、11 这 4 种中的 1 种；
• n 个经典比特：表示 2^n 种中的 1 种。

而 n 个量子比特的一般纯态可表示为 2^n 个计算基态的线性组合，每个基态有一个概率幅，某些概率幅可以为 0。

以 2 个量子比特为例：

|ψ⟩ = a|00⟩ + b|01⟩ + c|10⟩ + d|11⟩
其中 |a|^2 + |b|^2 + |c|^2 + |d|^2 = 1

若逐项列出整个纯态向量，2 个量子比特有 4 个系数，3 个有 8 个，50 个有约 1126 万亿个。这对应第 1 章的「指数墙」表格；有结构的态可能用更短的描述表示。

用 IT 人熟悉的语言说：

稠密 complex128 纯态模拟需存 2^n 个复数：30 比特的向量本体约 17.18 GB，50 比特约 18.014 PB。不要将其当成所有经典模拟方法的统一要求。

3.5 一个非常重要的「但是」：装入和取出都有成本

看到 2^n，很多人会以为「50 个量子比特就能存 1000 万亿个数，岂不是超级硬盘」？

不是。一方面，把任意给定的 2^n 个数制备成概率幅，通常并不高效；另一方面，不能从一份量子态中把这些数完整读回。

Holevo 界给出了更严格的信息限制：在没有预共享纠缠等额外资源的标准通信设置中，将经典消息编码进 n 个量子比特，接收方从它们取得的关于该消息的可访问信息不超过 n 个经典比特。这个界不是仅凭「一次 Z 基测量输出 n 位」就证明的；一般测量的输出标签数也不一定只有 2^n 个。

所以正确的理解是：

量子系统能存储量子信息，但不是可随机读取全部概率幅的指数容量硬盘。算法要把有用的结构或统计量转换成可测结果；若想重建一般未知态，则需要许多同样制备的样本，付出额外成本。

这一点是区分「懂量子计算」和「听说过量子计算」的分水岭。

3.6 量子比特在物理上是什么？

量子比特是一个抽象概念：选择两个可区分的基状态，并能制备、控制及维持其相干叠加，就能构造量子比特。常见载体如下：

这就像经典比特可以用电压高低、磁畴方向、光盘凹坑来实现一样，物理实现方式有很多种。第 9 章会展开讲。

3.7 同样是 50/50，叠加与随机混合差在哪

比较两种制备流程：A 每次制备 |+⟩；B 每次抛一枚公平硬币，按结果制备 |0⟩ 或 |1⟩，不保留硬币标签。B 是混态，描述的是制备的统计混合，不能直接把「一半概率」当成「一半概率幅」。

为什么第二行不同？A 中 H 把 |+⟩ 变回 |0⟩。B 中，原来那一半 |0⟩ 变成 |+⟩，另一半 |1⟩ 变成 |−⟩；二者测 Z 都各给 50/50，所以混合起来仍是 50/50。随机混合是最后按概率加权，相干叠加是先让概率幅干涉。 这也解释了为何只看一个基的柱状图不足以判定量子态。

4.1 什么是纠缠

先看一个特殊的两比特状态：

|Φ+⟩ = (|00⟩ + |11⟩)/√2

这个状态叫贝尔态（Bell state）。对两比特都做理想 Z 基测量时：

• 第一个有 50% 概率得到 0，50% 概率得到 1；
• 第二个的结果一定和第一个相同；
• 单看一边是 50/50，合起来只出现 00、11。

更关键的是，这个联合纯态无法写成「第一个比特的纯态」与「第二个比特的纯态」的张量积，因此它是纠缠态（entangled state）。这不是说子系统完全没有状态：每边都有自己的约化态，此例中都是完全混合态；只是两份局部描述不足以恢复全部联合关联。

对混态，定义还要进一步：若能表示为若干乘积态按经典概率混合，就叫可分态；不能这样表示才叫纠缠态。因此「联合态不是一个乘积」单独用于判断混态还不够。

4.2 纠缠 vs 普通的相关性

你可能会问：这和「一双手套，一只放北京、一只放深圳，打开一个盒子就知道另一个是左手还是右手」有什么区别？

仅看「两边结果总相同或相反」，其实无法区分：共享经典随机数也能制造完美相关。量子差别要通过不同测量基的联合统计来检验，不能靠一组 00/11 记录下结论。

贝尔不等式限制的是满足局域性等条件的经典隐变量模型。合适的纠缠态和测量设置可以违反这个限制，排除这一类「事先约定答案」的解释；不是说任何纠缠态、任何一次测量都必然展示贝尔不等式违背。下面 4.5 节先用更简单的换基实验看区别。

4.3 纠缠能用来超光速通信吗？

不能。这是一个常见误解。

对一边做局域操作或测量、且不把结果传给另一边，不能改变另一边可独立观察到的边际分布。在这个贝尔态例子中，另一边测 Z 始终是 50/50，无法判断你是否测量，更不能由你控制其结果来发 0 或 1。

知道你的结果后，可以讨论另一边的条件分布，例如「已知左边为 0，右边必为 0」。但取得这个条件需要普通通信。条件分布变了，不等于远端边际分布被可控地改变；纠缠本身不是超光速信道。

4.4 纠缠在计算中的作用

纠缠是许多量子信息任务的重要资源，但应加上适用条件：

1. 始终为乘积纯态的标准线路容易模拟。在纯态、少比特门的电路模型中，若整个过程各比特始终不纠缠，可逐个记录其局部状态，不会仅因比特增加就产生稠密向量的指数负担。
2. 有纠缠不等于有计算优势。某些高度纠缠的 Clifford 线路仍可用稳定子方法高效经典模拟。要证明加速，必须同时看门集、线路结构、输入与输出任务。
3. 纠缠支撑多种通信任务，如量子隐形传态、纠缠型密钥分发和一些分布式量子协议；并不是所有量子通信方案都要求显式分发纠缠对。

一个通俗的说法：

叠加提供可干涉的成分，纠缠提供不能化成局部乘积的联合结构；算法负责把这些资源变成可利用的结果，而不是只把比特「绑在一起」。

4.5 动手比较：贝尔态与经典 00/11 混合

对照两种准备：A 是贝尔纯态 (|00⟩ + |11⟩)/√2；B 是抛一次公平硬币，正面准备 |00⟩，反面准备 |11⟩。B 没有纠缠，只共享了一个经典随机变量。

X 基就是 {|+⟩, |−⟩}。实际可在每边先做 H，再用常规 Z 读出：读到 0 记作 +，读到 1 记作 -。用 3.7 节的换基思路，贝尔态在 XX 下仍完美同号；B 中无论原来是 00 还是 11，每边测 X 都各半随机，所以四种组合各占四分之一。

用「同号记 +1、异号记 -1」计算平均相关性：A 的 ZZ、XX 都为 +1，B 的 ZZ 为 +1、XX 为 0。这解释了为什么只有 Z 基相关不足以证明纠缠。这个对照实验是在可信制备和测量模型下辨别两种状态，不等于已经完成无设备假设的贝尔不等式检验。

5.1 从逻辑门到量子门

经典计算机用逻辑门处理比特，例如：

量子计算机用量子门处理量子比特。本章先讲理想封闭系统中的酉门，它们与常见经典逻辑门的区别是：

1. 酉门线性作用于概率幅。先知道门怎样变换各基态，就能把同一变换应用到叠加态各成分。
2. 酉门可逆且保持总概率。经典 AND 把多个输入映成同一输出，单看输出不能倒推输入；酉门则有逆操作，数学上称为酉变换（unitary）。仅仅「可逆」还不够，概率归一化也必须保持。

不是量子程序里的所有指令都可逆。 测量、重置及含噪声过程一般不是酉操作。经典 AND 也不是不能参与量子算法，而是要保留输入、用辅助比特承载结果，将它嵌入更大的可逆线路。

用做 IT 的视角理解：

量子门就是量子计算机的「指令」；一串量子门按顺序排列，就是「量子程序」，叫做量子线路（quantum circuit）。

5.2 最常用的单比特门

如果你愿意看一点矩阵，它们长这样（量子门就是作用在概率幅向量上的矩阵）：

X = | 0  1 |        Z = | 1  0 |        H = 1/√2 * | 1   1 |
    | 1  0 |            | 0 -1 |                   | 1  -1 |

5.3 最重要的双比特门：CNOT

CNOT（受控非门） 有两个输入：控制比特和目标比特。

• 控制比特是 0：目标比特不变；
• 控制比特是 1：目标比特翻转。

单看这张表，目标输出是「目标 XOR 控制」，控制位保留。CNOT 有能力制造纠缠，但不对任意输入都制造纠缠：输入 |+⟩|0⟩ 会变成贝尔态；输入 |+⟩|+⟩ 则不变，因为 X|+⟩ = |+⟩，控制为 0 或 1 时目标态都一样，两者仍是乘积态。

5.4 动手推一遍：制造一个贝尔态

我们用两个门造出第 4 章的贝尔态。初始状态是 |00⟩。

第一步：对第 1 个比特做 H 门。

|00⟩  --H-->  [(|0⟩ + |1⟩)/√2] ⊗ |0⟩  =  (|00⟩ + |10⟩)/√2
（这里的 ⊗ 表示把两个比特的状态组合起来，数学上叫「张量积」）

现在第 1 个比特处于叠加态，第 2 个比特还是 0，两者还没有纠缠。

第二步：以第 1 个比特为控制，第 2 个比特为目标，做 CNOT。

• |00⟩ 的控制位是 0，保持 |00⟩；
• |10⟩ 的控制位是 1，目标翻转，变成 |11⟩。

(|00⟩ + |10⟩)/√2  --CNOT-->  (|00⟩ + |11⟩)/√2

完成！只用两个门就造出了纠缠态。这也是几乎所有量子编程教程的「Hello World」。

5.5 再推一遍：亲眼看到干涉

这个例子最能体现量子计算的精髓。对 |0⟩ 连续做两次 H 门：

第一次 H：

|0⟩  --H-->  (|0⟩ + |1⟩)/√2

现在测量的话，0 和 1 各 50%。

第二次 H： H 门把 |0⟩ 变成 (|0⟩ + |1⟩)/√2，把 |1⟩ 变成 (|0⟩ - |1⟩)/√2。所以：

(|0⟩ + |1⟩)/√2
  --H-->  1/√2 * [ (|0⟩ + |1⟩)/√2 + (|0⟩ - |1⟩)/√2 ]
       =  1/2 * [ |0⟩ + |1⟩ + |0⟩ - |1⟩ ]
       =  1/2 * [ 2|0⟩ + 0|1⟩ ]
       =  |0⟩

注意中间那一步：两条「通往 |1⟩ 的路」一条带 +，一条带 -，互相抵消了；两条「通往 |0⟩ 的路」都带 +，互相加强了。最终结果 100% 是 0。

这就是干涉，而不是两次独立抛硬币。注意中间没有测量；若第一次 H 后先测 Z 且忽略结果，再做 H、测 Z，最后将是 50/50，因为相干叠加已变成 3.7 节的随机混合。

H—H 展示了概率幅相消与相长，不是量子加速的证明。 这个单比特过程经典计算机很容易模拟。真实算法还要把问题编码进线路，并比较总资源，不能只因出现干涉就宣布「超过经典」。

5.6 通用门集：用少数指令表达一切

经典计算中，只用 NAND 门就能搭出任何逻辑电路。量子计算也有类似结论：

只用 H、T、CNOT 这几种门，就能在忽略无物理意义整体相位的条件下，以任意所需精度近似有限量子比特上的酉变换。

这叫通用量子门集。它不表示每个酉变换都能用很短的线路实现，也不表示只靠酉门就直接实现测量和重置。就像 CPU 有自己的指令集（x86、ARM），不同量子硬件也有自己的「原生门集」，量子编译器负责把线路翻译成硬件能执行的门。

5.7 量子线路图怎么看

量子程序通常画成线路图：

• 每一条横线代表一个量子比特，时间从左往右流动；
• 方框是单比特门，[H] 表示 Hadamard 门；
• ● 和 ⊕ 用竖线相连，表示 CNOT：● 是控制比特，⊕ 是目标比特；
• [M] 表示测量。

这张图就是 5.4 节「制造贝尔态然后测量」的完整程序。

5.8 把相位差变成读出差：比较 H—H 和 H—Z—H

从 |0⟩ 出发，先做 H 得到 |+⟩。若直接再做 H，回到 |0⟩；若中间插入 Z，|1⟩ 的概率幅改为负，状态变成 |−⟩，最后 H 把它变成 |1⟩。

|0⟩ --H--> |+⟩ --------H--> |0⟩   最后测 Z：100% 为 0
|0⟩ --H--> |+⟩ --Z--> |−⟩ --H--> |1⟩   最后测 Z：100% 为 1

在最后一个 H 之前，两条线路的 Z 基概率都还是 50/50；差别全在相对相位。最后的 H 通过干涉把这个差别变成确定的不同读出。这是「换基能看见相对相位」的具体操作，不是读出一个名叫「相位」的额外隐藏寄存器。

6.1 一次运行只出一个结果

本章先讨论「制备 → 门操作 → 末端 Z 基测量」的常见模型：一次执行给出一个 0/1 串，而不是整个概率分布。比如理想贝尔态线路一次得到 00 或 11，其中之一。

估计结果分布时，通常这样运行：

每个 shot 都重新初始化、制备并执行线路，再测量一次；统计多个 shot 的结果。

这不是对同一份测后态不停读取。贝尔态第一次若测到 00，在没有变化的理想条件下继续测同一态仍是 00；只有重新制备贝尔态，才重新获得 00/11 各半的样本。

运行 1000 shots，预期大约 500 次 00、500 次 11，实际计数会随机起伏；理想情况下 01、10 概率严格为 0，真实硬件噪声可让它们出现。shots 数由所需精度、成功概率和成本决定，不是每个任务都必须运行上千次。

6.2 量子程序的标准执行流程

6.3 量子计算机是「协处理器」，不是独立电脑

这里有个对 IT 人特别友好的类比：量子处理器（QPU）和 GPU 很像，是一种协处理器。

• 用 GPU 时：CPU 是主机（host），负责整体程序逻辑；把适合并行的计算任务（kernel）发给 GPU（device），算完再把结果拿回来。
• 用 QPU 时：经典计算机是主机，负责整体逻辑；把量子线路发给 QPU 执行，拿回测量统计结果，再由经典计算机继续处理。

而且 QPU 比 GPU 更「依赖主机」：

1. QPU 的量子寄存器受相干时间和误差限制，不能照搬普通 RAM 的拷贝与读取接口；量子存储并非原理上不存在，纠错也可延长信息保存时间；
2. 编译、优化、调度与纠错解码需要经典系统，部分实时控制由专用经典硬件承担；
3. 许多研究中的算法采用「经典 + 量子」反复迭代的混合结构，不能只看 QPU 一段线路的耗时。

6.4 混合算法：经典和量子的循环协作

VQE、QAOA（第 7 章介绍）是常见的变分混合算法研究方向，流程像机器学习的训练循环：

1. 经典计算机给出一组参数（比如量子门的旋转角度）；
2. QPU 用这组参数运行量子线路，测量得到结果；
3. 经典计算机根据结果计算「损失函数」，用优化器调整参数；
4. 回到第 1 步，直到满足停止条件或耗尽预算；收敛不保证全局最优，也不保证优于经典方法。

如果你接触过 AI 训练，可以借用「参数 → 前向估计 → 损失 → 更新」的框架，但不要直接理解成普通神经网络反向传播：硬件不会输出所有中间概率幅。优化器可不使用梯度；使用参数移位等方法估计梯度时，通常还要对不同参数运行额外线路并采样。

6.5 结果为什么会「不准」

在真实量子硬件上，你得到的统计结果会偏离理论值，原因包括：

• 门错误：每个量子门都有一点点执行误差；
• 退相干：程序运行时间越长，量子态被环境破坏得越多；
• 读出错误：测量本身也会读错；
• 串扰：操作一个比特时会意外影响到相邻比特。

有限 shots 还会带来统计波动，这与上述硬件偏差要分开。增加 shots 可减少采样不确定性，却不能自动消除门错误、读出偏差或设备漂移。误差缓解用额外实验和后处理尝试降低偏差，可能显著增加采样成本，也不等于量子纠错。

6.6 算一笔 shots 的账：频率、误差条与期望值

假设每次独立同分布，某结果的真实概率为 p，N 次中出现 k 次，则估计值 p̂ = k/N。大样本、概率不太接近 0 或 1 时，频率的标准误差约为 √[p(1-p)/N]，可用 p̂ 代替未知 p 作粗略估计。

以真实 p = 0.5 为例，反复开展各含 N 次的采样实验，约 95% 的实验所得频率会落在 0.5 ± 1.96√[0.5×0.5/N] 的范围内：

• 1000 shots：约 0.5 ± 0.031，即 ±3.1 个百分点；
• 10000 shots：约 0.5 ± 0.0098，即约 ±1 个百分点。

这是正态近似，不是「每次都保证在区间内」。误差大体按 1/√N 缩小，想把统计误差减半通常要约四倍 shots。若设备真实输出已被噪声偏到 0.55，更多 shots 只会更准确地估出这个有偏结果。

算法也常要一个期望值而非完整柱状图。把测 Z 的 0 记作 +1、1 记作 -1，N = n0 + n1 次采样给出 ⟨Z⟩ 的估计值 (n0-n1)/N。例如 600 次 0、400 次 1，估计为 0.2。变分算法就是把这类测量统计量交给经典优化器。

7.1 先建立一个「加速等级」概念

复杂度描述资源如何随输入规模增长，但先要问清「规模」是什么：分解整数 M 时，输入长度是 n = ⌈log₂(M+1)⌉ 位；搜索时，N 是候选条目数，若用 n 个比特编号，则 N = 2ⁿ。多项式时间指相对于输入长度，不是相对于整数的数值。

量子模拟的时间演化优势有适用条件，详见 7.5。判断宣传要问：相对谁、什么成本、哪个问题版本？

7.2 Deutsch-Jozsa 算法：第一个「量子更快」的演示

问题：有一个黑盒函数 f，输入 n 位二进制数，输出 0 或 1。已知它要么是「常数函数」（对所有输入输出相同），要么是「平衡函数」（一半输入输出 0、一半输出 1）。问：它是哪一种？

• 经典确定性、精确方法：最坏情况下查询 2^(n-1) + 1 次；
• 理想量子算法：查询 1 次，再通过干涉精确区分两类。

这里有两层限定。第一，它是一个承诺问题：不属于常数或平衡的函数不在题目保证范围内。第二，比的是 oracle 查询，不含构造黑盒所需的门数。若允许经典随机算法有少量误判，独立均匀抽 k 个输入；只要见到两种输出就判平衡，否则判常数。平衡函数被误判的概率为 2^(1-k)，因此固定误差容忍度下，只需少量查询，与 n 无关。

干涉为什么有效？将输入置于均匀叠加，用 f(x) 写入正负相位，再作用 Hadamard 门。全零结果的概率幅为 Σₓ(-1)^f(x)/2ⁿ：常数时为 ±1，平衡时为 0。它展示的是特定查询模型中的优势，不能据此宣称对随机经典计算也有指数级优势。

7.3 Grover 搜索算法：平方级加速

问题：在 N 个无结构候选项中，找到唯一满足条件的目标，并且有一个可计算的验证函数 f(x)。

• 经典方法：平均约 N/2 次验证，最坏 N 次；
• 理想 Grover 算法：约 (π/4)√N 次 oracle 查询，达到高成功概率。

原理：每轮先给满足 f(x)=1 的候选幅「标负」，再做「关于平均值的翻转」。oracle 是验证器，不需预先知道答案；实际要实现可逆验证线路，并反向计算清理辅助比特，中间步骤也消耗资源。

N=4 手算：按 |00⟩、|01⟩、|10⟩、|11⟩ 排列，初始幅为 (0.5,0.5,0.5,0.5)，假设目标是 |11⟩。标负后为 (0.5,0.5,0.5,-0.5)，平均值 ā=0.25。对每项做 a→2ā-a，得到 (0,0,0,1)，因此一次迭代后理想测量必得目标。这里动的是幅，不是直接把概率「加大」；迭代过多反而可能转过头，成功率下降。

冷静看待：平方级优势在足够大的问题上可能非常重要，也可能被 oracle 构造、容错和数据访问开销抵消。它不是把现成硬盘扫描自动加速，也不等于墙钟时间缩短 √N 倍。对理想无结构密钥搜索，k 位密钥的查询量从约 2ᵏ 变为约 2^(k/2)；AES-256 可为这类搜索提供更大余量，但真实攻击还受电路深度和并行资源限制。增加 AES 密钥长度不能修复 RSA/ECC、协议实现或密钥管理问题。

7.4 Shor 算法：公钥密码的重要挑战

问题：把一个合数分解成质因数。例如 15 = 3 × 5 很简单，但针对通常选取的 RSA-2048 模数，已知经典通用分解方法的成本极高；不能把这一判断推广到任意一个容易分解的 2048 位整数。

RSA 的安全依赖大数分解困难等密码学假设；椭圆曲线密码（ECC）依赖相应群上的离散对数困难性。足够可靠的量子计算机可以用 Shor 类算法解决这两类数学问题。

• 已知经典通用分解算法：相对于输入位数 n 为亚指数时间；
• Shor 算法：相对于 n 为多项式时间。这是相对已知经典方法的超多项式优势，不是已证明所有经典算法都需要指数时间。

原理（极简版）：Shor 将分解归约为寻找特定模幂函数 f(x)=aˣ mod M 的周期。量子周期查找借助量子傅里叶变换，让测量分布携带周期信息，再由经典后处理提取因子；不是任意周期问题都存在同样加速。

现实距离：大整数分解需联合预算物理比特、逻辑门与时间。Craig Gidney 的 2025 年研究 基于特定二维连接、物理错误率、纠错周期和控制响应假设，属于容错架构估算，不是 RSA-2048 实机分解记录或破解日期预测。

为什么防护要提前：「先收集、后解密」指攻击者保存今天的密文，等待未来能力成熟再尝试恢复明文。因此应按数据保密期限、密码资产及迁移周期规划后量子密码（PQC）替换，而不是等到可用攻击机器出现才开始盘点。

7.5 量子模拟：最「本职」的应用

回到费曼的初衷：用量子计算机模拟分子、材料、化学反应。

• 经典通用完整态矢量表示随比特数指数增长，但张量网络、对称性和近似方法能高效处理不少特殊系统；
• 对可有效描述、局域或满足适当稀疏性等条件的 Hamiltonian H，量子算法可在合适输入访问模型下高效近似时间演化 e^(-iHt)，成本还依赖演化时间 t、精度与相互作用强度。

「能模拟演化」不等于「能便宜地准备想要的初态」「能找到任意基态」或「能读出整个波函数」。一般局域 Hamiltonian 基态能量问题可达 QMA 难度，不存在已知通用高效量子解法；蛋白折叠、药物结合还包括构象搜索、溶剂和建模误差，不能视为自动解决。实际任务通常只读出能量、关联函数等少量观测量，精度越高，态制备与重复采样成本可能越大。

典型目标包括：

• 固氮酶中的 FeMoco 分子：理解它能帮助设计更节能的化肥生产方式；
• 药物分子与靶点蛋白的结合；
• 高温超导机理；
• 新型电池和催化材料。

量子化学和材料模拟是重要候选方向，但具体实例是否产生商业收益，仍需与同精度的适用经典算法比较。

7.6 变分算法 VQE 与 QAOA：混合算法的探索

由于今天的量子计算机有噪声、没有大规模纠错，研究者设计了适合 NISQ 时代（第 8 章解释）的混合算法：

• VQE（变分量子本征求解器）：用来求分子的基态能量，服务于量子化学；
• QAOA（量子近似优化算法）：用来求解组合优化问题，如路径规划、排产、投资组合。

流程是第 6 章的「经典优化器 + 量子线路」循环。可选择较浅的参数化线路，但达到目标精度可能需要更深线路，并非天然抗噪声。VQE 在理想、精确期望值下利用变分原理给出基态能量上界，却不保证拟设能表达基态，也不保证优化器找到全局最优；有限采样和器件误差还会影响估计。QAOA 的层数同样影响表达能力与成本。某些线路和损失函数会出现贫瘠高原：梯度随规模变得极小，估计梯度需要大量 shots。最终要核算整个优化循环，而不是只比一次线路。

7.7 量子机器学习：需要特别冷静

「量子 + AI」是热门话题，但目前要非常谨慎：

1. 很多量子机器学习算法假设能高效把海量经典数据「装载」进量子态，而这一步本身可能就很慢，会抵消加速；
2. 有些早期号称指数加速的算法，后来被证明经典算法也能做到类似效果（这叫「去量子化」）；
3. 大模型训练依赖成熟的 GPU 矩阵运算栈，量子方案的端到端普遍优势尚未建立，不能据此规划对 GPU 的直接替换。

更现实的方向是：AI 帮助设计量子线路、优化纠错解码；量子计算在特定子任务上为 AI 提供补充。

7.8 量子计算不擅长什么

7.9 从复杂度到资源预算：先列完整账单

云端任务的账单是：数据编码 → 编译映射 → 排队与校准 → 线路重复运行 → 经典后处理与优化，墙钟时间取决于串行关键路径和批处理能力。

记录逻辑比特数、双比特门数、深度、测量设置数、shots、优化轮数与目标误差。oracle 要展开成可逆门，容错要加入纠错周期和辅助态。假设一次能量评估有 100 个测量设置、每个 1000 shots，就是 10 万次执行；优化 100 轮约 1000 万次，尚未包含梯度额外评估。这是示例而非 VQE 固定用量。经典对照也必须达到相同精度和成功率。

8.1 噪声是量子计算的头号敌人

第 2 章提到，量子态极其脆弱。在真实硬件上，有三类主要错误：

衡量衰减速率的两个指标：

• T1（能量弛豫时间）：能级布居趋向平衡的时间常数。低温、近似指数衰减时，初始激发态布居在 t=T1 时约剩 1/e，而不是每个比特都在 T1 时刻突然失效；
• T2（相干时间）：相干项衰减的时间常数，反映相位关系逐渐丢失。

在常用的马尔可夫、指数衰减二能级模型中，1/T2=1/(2T1)+1/Tφ，因此 T2≤2T1；Tφ 是纯退相干时间。不同测量协议得到的 T2*、回波 T2 不宜直接混比。门时长也要区分单比特、双比特与读出：超导单比特门可在几十纳秒量级，双比特门往往更长；离子阱门时长依实现而异。真正重要的是相干时间、操作速度与操作错误共同构成的预算，不是仅看一个「寿命」。

8.2 错误率有多高，为什么是大问题

门错误率没有脱离测试口径的统一「最佳值」：单门、同时门、读出、泄漏，以及全芯片平均和挑选最佳比特对，测量的是不同能力。

先做一个独立随机错误玩具模型：假设每个门以概率 p 独立发生错误，G 个门中至少一次错误的概率是 1-(1-p)^G。若 p=0.001、G=1000，结果约为 63.2%。这说明小错误会积累，但不等于真实算法答案出错率：某些错误不影响观测量，相关错误与相干误差又可能使结果更糟，不能把门保真度连乘当作可靠预测。

对大规模算法，应从允许的总失败概率倒推逻辑错误预算。例如 M 个逻辑故障机会、每处错误概率不超过 pL，可用并集上界 MpL 粗略分配预算；若 M=10⁸ 且容许总失败率 1%，则要求 pL 约不高于 10⁻¹⁰。这是指定条件下的预算示例，不是所有有用算法的统一门槛。硬件改进与纠错要共同降低成本。

8.3 NISQ：「含噪声中等规模」描述什么

2018 年，物理学家 John Preskill 提出 NISQ（Noisy Intermediate-Scale Quantum） 这个词，用来描述当时及之后一段时间的量子计算机：

• 拥有一定规模的物理量子比特，但「中等规模」不是永久固定的比特数范围；
• 噪声尚未被大规模容错机制充分压低；
• 可可靠执行的线路深度和采样任务受噪声限制。

NISQ 适合科研、特定采样实验与混合算法探索。称某系统已进入早期容错阶段，应看具体逻辑存储、逻辑门和失败率证据，而非仅按发布年份划分。

误差缓解不等于纠错。零噪声外推、概率误差抵消等方法利用额外运行和经典处理估计较少偏差的结果，并不让运行中的量子态持续受到逻辑保护；采样开销可能很大，也不能凭此保证任意深度线路可容错运行。

8.4 量子纠错：用很多「坏」比特造一个「好」比特

经典纠错的启发

你熟悉的 ECC 内存、RAID 磁盘阵列，核心思想都是冗余：用多出来的位检查和纠正错误。最简单的是重复码：

存 0 → 写成 000
存 1 → 写成 111
读的时候取多数：010 → 0，110 → 1

量子纠错面临的三大困难

1. 不可克隆：不能把未知量子态复制三份；
2. 测量会破坏状态：直接测量数据比特来检查错误，叠加就塌缩了；
3. 错误是连续的：不只有翻转，还有各种微小的相位偏移。

量子纠错的巧妙解法

量子纠错码用纠缠把 1 个量子比特的信息「分散」存在多个物理比特里，然后用额外的辅助比特（测量比特）去测量「比特之间的关系」（叫做症状，syndrome），而不是测量数据本身。

这就像：

你不打开三个保险箱看里面是什么，只去比较「1 号和 2 号是否一样」「2 号和 3 号是否一样」。这样既能发现哪个箱子出了错，又不会泄露箱子里的内容。

具体看三比特位翻转码：把 (α|0⟩+β|1⟩)|00⟩ 编成 α|000⟩+β|111⟩，不是复制出 (α|0⟩+β|1⟩) 的三份独立副本。测量相邻奇偶关系 Z₁Z₂、Z₂Z₃，约定「相同」记 0、「不同」记 1。在至多一个 X 错误且检查理想时，症状与纠正为：

例如 X₁ 把编码态变成 α|100⟩+β|011⟩；两部分的症状都是 10，所以检查只揭示错误位置，不揭示 α、β，再作用 X₁ 可恢复。这个码不能纠正相位错误：Z₁ 会改变两项相对相位却不改变上述症状。保护一般量子信息需要兼顾位与相位错误，并重复处理检查本身的噪声。

多个物理比特共同编码的计算单元叫做逻辑量子比特（logical qubit）；它是否比物理比特可靠，需要实验或噪声模型验证，而非一编码就自动成立。

8.5 表面码与阈值定理

目前最受关注的纠错码之一是表面码（surface code）：把物理比特排成二维网格，数据比特和测量比特交错排列，只需要相邻比特之间相互作用，非常适合芯片实现。

码距 d 是造成不可检测非平凡逻辑操作所需的最小物理错误权重。理想编码与检查条件下，距离 d 的码可纠正至多 ⌊(d-1)/2⌋ 个任意比特位置上的错误；实际有噪声的反复检查则要看时空错误链、解码与相关噪声。旋转表面码的一个常见存储块用 d² 个数据比特和 d²-1 个测量比特，但这不包含完整逻辑处理器的全部配套资源。

阈值定理说明：在所需噪声假设和容错构造成立、物理错误足够低时，增加编码资源可把逻辑错误率压得任意小，带来资源开销。常见表面码模型中会得到百分之一量级的阈值，但 1% 不是物理常数，它取决于错误模型、操作集合、码与 decoder。低于适用阈值时增大码距可产生指数抑制；相关错误、泄漏或未建模噪声可能破坏这种趋势，不能无限外推一小段实验曲线。

8.6 里程碑：Google Willow 的「低于阈值」

Google 的 Willow 表面码论文 [R3] 于 2024 年 12 月在线发表，刊于《自然》2025 年卷期。应把芯片、实验用量与任务区分开：

• 105 比特芯片上的码距 7 存储实验，核心是 49 个数据比特 + 48 个测量比特 = 97 个，再加 4 个泄漏移除比特，共 101 个实验用比特，保护的是一个逻辑存储比特；
• 比较码距 3、5、7，采用神经网络 decoder 时，每增加 2，逻辑每周期错误率的抑制因子 Λ=2.14±0.02；码距 7 的错误率为 0.143%±0.003%/cycle；
• 逻辑存储寿命是其中最佳物理比特的 2.4±0.3 倍。这是低于表面码阈值的扩展证据，不是所有量子纠错实验的「首次」，也不是已经运行大规模容错算法。

另一个容易误读的结果来自另一台 72 比特设备的码距 5 实时解码实验：纠错周期约 1.1 μs，平均解码延迟却为 63±17 μs。两者不矛盾，就像流式服务的单请求延迟可以大于请求到达间隔：多块并行与流水线让吞吐量跟上输入。实验范围内延迟不随运行长度持续增长，表示没有不断累积的积压，而不是任何时刻都零排队。该结果不代表完整实时反馈已实现；需要反馈的逻辑操作仍要把解码、通信和控制延迟计入关键路径。

8.7 纠错的代价：物理比特 vs 逻辑比特

物理/逻辑比特比例不是固定换算率。qLDPC 码可在某些条件下降低编码开销，但可能需要更复杂的连接和解码，不能宣称必然节省 90%。IBM 官方路线图 [R4] 将 Starling 的 2029 年、200 个逻辑比特与 1 亿次门操作，以及 Blue Jay 的 2033 年及以后、2000 个逻辑比特与 10 亿次门操作列为规划目标，不是已交付性能，核验日期为 2026 年 10 月 27 日。

8.8 从纠错存储到能跑算法，还差什么

一条检查链是：可靠逻辑存储 → 多逻辑比特门 → 通用容错门集 → 有完整预算的算法，各步都需单独验证，不能画等号。存住一个逻辑比特不意味着能在多个逻辑比特之间可靠运算。常见架构中，较易实现的 Clifford 门还不足以通用计算，需要非 Clifford 资源，通常涉及魔态制备、蒸馏或其他实现途径；「魔态工厂」可能占据大量空间和时间。

还需把测量、decoder 和反馈接入可持续运行的控制系统，并验证逻辑门错误、相关失效、产态吞吐和算法总失败率。对云工程师而言，纠错存储演示像是验证了可靠存储模块，不等于已经交付有完整指令集、调度器与服务保障的服务器。

9.1 评价一台量子计算机的关键指标

很多新闻只报「多少个量子比特」，但这远远不够。就像评价 CPU 不能只看核数，还要看主频、缓存、架构一样。

9.2 六类物理实现与计算模型的区别

路线一：超导量子比特

• 原理：用超导电路和约瑟夫森结形成「人造原子」；常见 transmon 取最低两个能级编码 0、1，更高能级存在，所以要控制泄漏。
• 运行环境：常见方案置于稀释制冷机中，在十至几十毫开尔文量级运行，具体温度依系统而异。
• 代表：IBM、Google、Rigetti、本源量子，以及中国科学技术大学「祖冲之」研究系列。国盾量子在该产业链主要以测控、配套等角色参与，不宜与全栈量子计算机厂商直接混列。
• 优点：可借鉴微纳加工工艺；单比特门常见几十纳秒量级，双比特门通常更长，不能一概称为「几十纳秒」。
• 缺点：需要低温，受相干、串扰、布线与热负载等约束。
• 物理背景：2025 年诺贝尔物理学奖 授予 John Clarke、Michel H. Devoret、John M. Martinis，表彰其在电路中发现宏观量子力学隧穿和能量量子化，而非表彰已建成通用容错量子计算机。

常见的「金色吊灯」照片主要展示制冷机冷级和布线。芯片位于低温端，尺寸依芯片、封装与多芯片模块设计而异，不必然都只有指甲盖大小。

路线二：离子阱

• 原理：用电磁场把带电离子（如镱离子、钡离子）悬浮在真空中，用激光或微波操控离子内部的电子能级。
• 代表：IonQ、Quantinuum。
• 优点：可实现较高质量的门和较长相干时间。某些系统可在链内或指定处理器范围实现有效全连接，也可能通过离子搬运获得连接。
• 缺点：双比特门、搬运与测量耗时须分别核算，扩展涉及运动模式、控制和互连。「全连接」不意味着任意规模、任意比特对都能同时做门。

路线三：中性原子

• 原理：用光镊捕获并排列中性原子，常以较长寿命的内部态存储信息；做纠缠门时临时激发到高能的里德堡态，利用强相互作用，不能把里德堡态寿命当作全部存储寿命。
• 代表：QuEra、Pasqal、Atom Computing。
• 优点：同种原子的内禀性质一致，阵列可扩展和重排。
• 缺点：需控制原子丢失、激光噪声、搬运及门误差；捕获原子数并不等于能可靠执行任意线路的比特数。

路线四：光量子

• 原理：利用光的模式、路径或偏振等自由度编码；方案可能采用离散变量、连续变量和测量驱动计算，不能全用「一个光子等于一个比特」概括。
• 代表：PsiQuantum、Xanadu 探索通用光量子架构；中国科学技术大学「九章」系列主要是玻色采样专用实验，不能直接等同于通用量子计算机。
• 优点：适于传输和互连，部分光学器件可在常温运行。
• 缺点：光损耗、光源、探测和前馈均有开销，纠缠操作需专门方案；光路常温不代表整机常温，高性能探测器等仍可能需要低温。

路线五：拓扑量子比特

• 原理：研究用非阿贝尔拓扑自由度编码信息，马约拉纳零模是候选实现之一；预期可抑制某些局部扰动，并非对一切错误免疫。
• 代表：Microsoft 等研究团队。
• 潜力与边界：要区分候选信号、可操控量子比特与可扩展通用容错系统，不能仅凭芯片发布就认为后者已获普遍验证；即使物理保护成立，仍需纠错与控制。

路线六：硅自旋量子比特

利用硅量子点中电子自旋或施主相关自旋编码，Intel 等团队开展研究。可借鉴半导体制造与高密度集成经验，但低温控制、器件一致性、连接和读出仍需解决，并非直接使用普通 CPU 生产线即可完成。

另一个维度：量子退火

物理载体与计算模型不能混为一列。量子退火是用能量演化寻找优化问题低能解的专用计算方式；D-Wave 的退火设备可使用超导硬件。「超导」回答比特怎样制造，「退火」回答怎样计算。此类设备不等同于具备通用门集的门模型计算机，也不保证高效找到所有优化问题的全局最优解。

9.3 路线对比总表

表格用于理解工程取舍，不是同口径性能排行榜；退火、门模型和采样任务应另按计算模型区分。

结论：目前没有哪条路线已经胜出。这有点像 1950 年代的计算机，真空管、晶体管、磁芯各有支持者，最后胜出的方案当时并不显而易见。

9.4 一台超导量子计算机的「系统架构」

站在系统工程的角度，一台超导量子计算机由这些部分组成：

1. 量子芯片或模块：位于低温端，尺寸和封装依架构而定；
2. 稀释制冷机：多级降温，从室温一路降到约 10 mK；
3. 低温布线与放大器：把控制信号送进去、把读出信号放大送出来；
4. 室温测控系统：生成精确的微波脉冲控制每个量子比特，类似一个超高精度的信号发生器阵列；
5. 经典控制计算机：负责编译、调度、校准、纠错解码；
6. 云平台与软件栈：对外提供 API 和开发工具。

你会发现，真正的量子部分只占很小一块，大部分是精密的经典工程系统。这也是为什么量子计算产业链里有大量做制冷、测控、电子、软件的公司。

9.5 像验收云服务一样验收量子硬件

拿到性能宣传或云服务方案，先要一份能复现的指标清单：

1. 报的是物理比特还是逻辑比特？多少可同时参与同一任务，逻辑比特支持哪些操作？
2. 错误按每个门、每个纠错周期还是整个线路计？是在同一噪声、码距、decoder 与测量协议下比较吗？
3. 结果是否使用后选择丢弃失败样本？保留率、总 shots、误差缓解开销和置信区间是多少？
4. 是否与同精度、同成功率的适用经典基线比较？是否计入编译、输入输出、排队和后处理？
5. 指标来自精选比特对还是全设备？校准频率、漂移、同时操作误差、可用时长（uptime）和长任务吞吐如何？

若一个方案只展示筛选后的好结果，另一个统计所有任务，不能仅凭最终保真度排名。采购与算法选型需要的是可持续、可复现的任务能力，不是孤立峰值。

10.1 量子软件栈和云计算的对应关系

这一章从你熟悉的云计算切入。量子软件栈可以借助 IaaS、SDK、作业调度等概念理解，但这只是职责类比，不是产品能力的一一对应：你不能把一个未知量子态像虚拟机一样随意快照、复制和热迁移。

10.2 你的第一个量子程序

下面用 IBM 开源的 Qiskit 写一个制造贝尔态的程序。即使你没有量子计算机，也可以在自己电脑上用模拟器运行。

安装（需要 Python 环境）：

pip install qiskit qiskit-aer

代码：

from qiskit import QuantumCircuit, transpile
from qiskit_aer import AerSimulator

qc = QuantumCircuit(2, 2)   # 2 个量子比特，2 个经典比特
qc.h(0)                     # 对第 0 号比特做 H 门：制造叠加
qc.cx(0, 1)                 # CNOT：0 号控制，1 号目标，制造纠缠
qc.measure([0, 1], [0, 1])  # 测量，结果写入经典比特

sim = AerSimulator()
job = sim.run(transpile(qc, sim), shots=1000)
print(job.result().get_counts())
# 输出大约是：{'00': 500 左右, '11': 500 左右}

逐行理解：

1. 创建一个包含 2 个量子比特和 2 个经典比特的线路；
2. h(0)：对 0 号量子比特做 Hadamard 门；
3. cx(0, 1)：做 CNOT 门；
4. measure：把量子比特的测量结果存入经典比特；
5. transpile：把线路「编译」成模拟器或硬件支持的形式；
6. shots=1000：运行 1000 次并统计结果。

在这个理想模拟器中，结果只会出现 00 和 11，各占约一半。你完成的是纠缠态的经典数学模拟，并没有在 PC 上物理制造量子纠缠；而且仅凭这一组 Z 基测量计数不能独立验证纠缠（见第 4 章）。代码示例使用 QuantumCircuit、AerSimulator 的接口形式；安装时请记录实际 Python、qiskit、qiskit-aer 版本，不能把未锁定版本的安装命令当作永久兼容保证。

先避开一个常见坑：Qiskit 的比特顺序

第 5 章手算线路按「控制比特在左、目标比特在右」书写。Qiskit 默认线路图中 q0 在上，但在这里 measure([0,1], [0,1]) 映射产生的计数字符串中，c1 在左、c0 在右；状态向量的标签同样通常写成 |q1 q0>。这不是物理定律改变，而是软件的显示约定。[R2]

贝尔态的 00、11 左右对称，恰好会掩盖位序错误。调试时先运行不对称的 x(0) 测试，再解释复杂线路；额外经典寄存器及不同结果数组接口也可能改变展示方式，不要凭界面上下位置猜字符串位序。

再做一个实验：把相位变成可读的概率

把上面代码里创建 qc 到测量前的部分，分别换成下面三个小线路；每次都从新建的 |0⟩ 出发，经典寄存器也改为 1 位，最后调用 qc.measure(0,0)：

# 实验 A：两次 H，中间没有测量
qc = QuantumCircuit(1, 1)
qc.h(0)
qc.h(0)
# 理想最终测量：100% 为 0

# 实验 B：H、Z、H，把相对相位翻转变成比特翻转
qc = QuantumCircuit(1, 1)
qc.h(0)
qc.z(0)
qc.h(0)
# 理想最终测量：100% 为 1

# 实验 C：中间测量破坏相干，再做 H
qc = QuantumCircuit(1, 1)
qc.h(0)
qc.measure(0, 0)
qc.h(0)
# 最后再次 qc.measure(0,0)：最终 0/1 各约一半

上面 A、B、C 三段是独立实验，不是一起顺序粘贴的完整程序；应一次选一段，再接上测量与模拟器运行部分。实验 C 最后的测量会覆盖同一个经典位，因此这里统计的是最终结果，而非两次测量历史。

本轮代码实测（2026-10-27）：Python 3.13.12、Qiskit 2.6.1、qiskit-aer 0.18.2，使用理想 Aer 模拟器。上方完整贝尔态程序的 1000 shots 得到 00：504 次、11：496 次。另以 10000 shots、seed_simulator=42 校验：H-H 全为 0，H-Z-H 全为 1，H-中间测量-H 得到 0：5080 次、1：4920 次；只做 x(0) 的两比特线路全为 01，贝尔态得到 00：4932 次、11：5068 次。这些是指定软件环境下的模拟结果，不是真机性能指标，也不要求换版本后随机计数逐项相同。

10.3 量子编译器在做什么

你写的线路是「逻辑层」的，真实硬件有两个限制：

1. 原生门集有限：比如某台硬件只支持特定的旋转门和某种双比特门，H 门要拆成它们的组合；
2. 连接拓扑受限：超导芯片上不是任意两个比特都能直接做 CNOT，不相邻时要插入额外的 SWAP 操作「搬运」状态。

编译器还要做优化：合并、消去冗余的门，尽量缩短线路深度，因为线路越长，噪声累积越多。这和经典编译器做指令调度、寄存器分配、死代码消除的思路很相似。

10.4 量子云：不用买机器也能用量子计算机

和云计算一样，绝大多数用户不会自己买量子计算机，而是通过云平台按需使用：

使用流程基本是：注册账号 → 获取 API Token → 用 SDK 写线路 → 选择后端（模拟器或真机）→ 提交任务排队 → 获取结果。是不是和调用任何一个云 API 差不多？

10.5 模拟器 vs 真机

建议学习路径：先在模拟器上把概念跑通，再去真机上体验噪声的影响。

10.6 从一段代码到一次可复现的云实验

从云工程视角，量子作业更接近带排队和设备约束的批处理任务，而不是一个实时返回的普通 Web API：

1. 固定输入：保留原始线路、参数、测量基和随机种子；模拟器种子只固定伪随机采样，不代表真机能固定测量结果。
2. 选择后端：说明是理想模拟器、含噪模拟器还是物理设备；记录目标门集、连接图和校准信息。
3. 编译留痕：保存编译后的物理比特映射、双比特门数和线路深度，同一逻辑线路在不同后端的代价可能完全不同。
4. 执行留痕：记录 shots、作业标识、提交时间、排队时间、执行时间以及失败/重试次数。访问令牌保存在安全的凭据管理位置，不写进共享教材或代码。
5. 统计留痕：输出计数、期望值和误差范围；说明是否做误差缓解、丢弃了多少样本，不能只展示处理后最好的一次。
6. 对照实验：同等精度、同样输入，与合适的经典方法比较总时长和总成本，而不只比较 QPU 上的几微秒。

建议的最小实验记录是一行：软件版本 + 原始/编译线路 + 后端与校准时间 + shots + 结果统计 + 不确定度 + 处理方法。这相当于把机器学习实验的可复现习惯迁移到量子编程中。

11.1 一张总对比表

11.2 一个关键认知：量子不是「更快的并行」

很多人把量子计算理解成「超级 GPU」，这是最常见的误解。

• GPU 的并行：真的同时算很多个独立的数，每个都能读出来。
• 量子的「并行」：用许多基态的概率幅共同描述并演化一个量子态；一次全寄存器测量给出一个结果字符串，而不是读出所有概率幅。算法需通过干涉等操作，把目标信息转成可测统计量。

打个比方：

GPU 像一千个工人同时搬一千块砖，每块砖都能搬到位；量子计算机像一个合唱团，所有人同时发声，通过精妙的和声设计，让听众只听到一个想要的音符。

11.3 未来的计算架构：融合而非替代

未来最可能出现的是异构混合计算：

1. CPU 负责业务逻辑和整体调度；
2. GPU / AI 加速器负责机器学习和大规模数值计算；
3. HPC 超算负责大规模科学仿真；
4. QPU 负责其中经典最难的量子模拟或特定优化子任务；
5. 云平台把这些资源统一编排，用户按需调用。

这种思路在业界常被称为「量子-HPC 融合」或「以量子为中心的超级计算」。IBM、NVIDIA、各国超算中心都在推进相关架构，国内也有「量超融合」的提法。

11.4 「量子启发算法」：不用量子计算机也能受益

还有一个很实用的概念：量子启发算法（quantum-inspired algorithms）。

研究量子算法的过程中，人们有时会发现新的数学思路，这些思路可以直接在经典计算机或 GPU 上实现，并带来性能提升。一些做组合优化的公司提供的「量子启发优化」服务，实际上就运行在经典硬件上。

对企业来说，这意味着：即使通用量子计算机还没成熟，量子领域的算法研究也可能先在经典系统上产生价值。但同时也要分清楚，这类产品并不是在真正的量子硬件上运行。

11.5 算得快不等于交付快：端到端成本账

做过云计算，你一定见过「函数执行只需 1 毫秒，但用户等待 1 秒」。量子计算也一样：门运行快，不等于应用快。

总耗时 = 经典数据准备 + 量子态制备 + 编译与排队
       + 多组测量基 × 每组 shots × 单次线路时间
       + 经典优化迭代 + 结果验证与业务集成

这里是成本分解示意，不是把所有项独立相加就能得到精确性能；实际系统可批处理、重用编译或并行，须按执行路径实测。

算一个示例，不是行业报价：假设一个参数组需要 50 组测量基，每组 2000 shots，经典优化器尝试 100 个参数组，那么总 shots = 50 × 2000 × 100 = 1000 万。即使每 shot 连同初始化、测量只需 100 微秒，串行执行也约 1000 秒，尚未计入排队、网络和后处理。误差缓解往往还会增加额外线路或采样。

因此你可以问供应商三个可量化问题：同等结果精度下快多少？总成本少多少？优势能否在不同数据和校准日期重现？ 把状态制备、数据上传或失败重试从统计中删掉，不能算公平的端到端优势。

12.1 应用成熟度地图

下表不用单一年份承诺成熟时间，而是说明需要跨越的验证门槛。

12.2 金融行业：离你可能最近的场景

考虑到你可能接触金融科技场景，这里多说几句。

机会：

1. 蒙特卡洛模拟加速：期权定价、风险价值（VaR）计算依赖大量随机模拟。量子振幅估计算法理论上可以对蒙特卡洛实现平方级加速。
2. 投资组合优化：在约束条件下选择最优资产配置，属于组合优化问题。
3. 信用风险与欺诈检测：一些量子机器学习方法正在探索中。

现实：

• 在可相干调用分布制备和其逆运算等条件下，振幅估计可把误差 ε 对应的查询次数从经典采样的 O(1/ε²) 改善到约 O(1/ε)（忽略置信度等因子）。小型实验可以演示原理；把它变成金融规模端到端优势，还受到线路深度、数据编码、噪声和纠错资源限制。
• 当前金融机构的量子项目大多是 PoC（概念验证）和人才储备；
• 最紧迫、最确定的金融量子议题，其实是安全：银行系统大量依赖 RSA/ECC，后量子密码迁移是实实在在的近期工程任务。

12.3 后量子密码：不需要量子计算机的「量子议题」

这一点值得单独强调：

后量子密码（PQC）不是用量子计算机做的，而是在经典计算机上运行的、能抵抗量子攻击的新密码算法。

企业需要做的事包括：

1. 盘点系统里哪里用了 RSA、ECC 等公钥算法；
2. 评估哪些数据需要长期保密；
3. 规划迁移路线，采用「经典 + 后量子」的混合加密过渡；
4. 升级证书体系、密钥管理、硬件安全模块；
5. 关注国家和行业标准进展。

这是量子风险对 IT 系统的直接影响，但应开始评估和规划，不等于所有系统立刻替换算法。迁移需要安全评估、协议互操作测试以及适用监管要求的确认。

三个标准不是三种可以互换的「加密」

NIST 于 2024 年 8 月 13 日发布的首批三项最终标准为：[R5]

这些算法都运行在经典系统上，不需要 QPU。PQC、QKD、国密不是同一概念：PQC 是抗量子密码算法方向；QKD 是需要量子通信硬件与经典认证信道的密钥分发机制；「国密」涉及我国商用密码算法与合规体系，不能因使用了 SM2 等现有椭圆曲线算法就宣称已抗 Shor 攻击，也不能因采用 NIST 标准就自动满足国内合规。

对银行或云平台，应分别检查 TLS/VPN、证书和签名、HSM/KMS、软件签名与长期归档。优先列出数据保密年限、迁移周期、供应商依赖、握手报文大小、CPU/内存开销及回滚能力。混合方案应采用经审查的协议组合，而不是自行把两个算法串起来。

12.4 量子通信与量子测量：量子科技的「兄弟赛道」

量子科技通常包括三大方向，它们经常被混在一起讨论：

看新闻或研究 A 股「量子概念股」时要注意区分：很多公司的收入其实来自量子通信、光纤或安全业务，而不是量子计算。

13.1 关键时间线

13.2 现在处于什么阶段

一句话：含噪声系统与早期纠错/逻辑操作实验并存，正在推进到可扩展的容错计算。 “NISQ 后期”是方便教学的概括，不是所有硬件、所有厂商同一天进入的新阶段。

判断时不看一个统一的比特数门槛，而是逐层问：

1. 物理层：门、读出、复位和串扰能否在系统规模扩大后保持质量？
2. 纠错层：在明确码型和噪声模型下，增大码距是否持续压低逻辑错误，是否依赖后选择丢弃失败样本？
3. 逻辑计算层：是否有可组合的逻辑门、非 Clifford 资源、持续解码与反馈，而不只是逻辑存储？
4. 应用层：在同一精度和总成本口径下，是否对最佳可用经典方法展示可复现优势？

本轮移除旧版没有逐项可追溯依据的收入、融资总额及企业数量统计，也不再把上市、订单签约与可用算力交付混在同一条技术时间线中。它们可能是商业信息，但不是初学者理解计算能力的必要事实，更不应成为死记硬背的练习题。

13.3 主要玩家速览

13.4 未来十年的三段路

以上是观察框架，不是行业预测保证。厂商路线图表达计划和目标，必须与已交付系统及独立验证结果分开；不能把 2029 年或 2033 年自动当成所有量子应用的商业化日期。

13.5 如何给行业信息分级，而不是只看大数字

例一：Willow [R3]。 0.143% 是特定 d=7 表面码逻辑存储器的每轮错误率，不是所有逻辑门的错误率，更不是“整台设备有 99.857% 概率完成任意程序”。

例二：Quantinuum [R7]。 2026 年 10 月 19 日公告宣称 Helios 达到 99.9995% 逻辑保真度。这里保留为“厂商披露”的跟踪案例；在未核对对应论文的 memory/gate、cycle/operation 和后选择口径前，不拿它与 Willow 做跨厂商排行榜，也不把“每百万次约五次错误”写成“一百万次操作无错”。Apollo 2029 年仍是规划。

例三：中国进展 [R6]。 官方科研通报指向 2025 年 12 月 22 日的《物理评论快报》论文，给出祖冲之 3.2 号码距 7、错误抑制因子 1.4 的结果。它支持“特定条件下低于阈值”的结论，不代表所有超导系统已容错。

你作为云工程人员，可以把“每轮逻辑错误率、每逻辑门错误率、整段算法成功率”理解成三个不同 SLI。单位相同、分母不同，也不能直接比较。

14.1 你的优势在哪里

作为有 PC 和云计算背景的人，你已经有几个天然优势：

1. 理解系统分层：硬件、驱动、SDK、云服务、应用的分层思维可以直接迁移；
2. 会编程和调用 API：Qiskit 等框架用 Python，上手门槛不高；
3. 理解协处理器模式：GPU 的 host/device 模型可以直接类比 QPU；
4. 理解云服务交付：身份认证、作业提交和结果获取的习惯可迁移，但设备排队、校准与采样统计需要另外学习。

你真正需要补的，主要是线性代数和量子线路的思维方式。

14.2 数学准备：只需要这些

不需要学微积分、偏微分方程或完整的量子力学课程，也能入门量子计算。

14.3 一份 90 天自学计划

第 1—30 天：建立概念

• 重读本教材第 2—7 章，确保能用自己的话解释叠加、纠缠、干涉、测量；
• 学习复数和矩阵乘法基础；
• 在 IBM Quantum Learning 等官方学习平台上完成入门课程；
• 观看科普视频，比如 3Blue1Brown 关于量子计算和 Grover 算法的讲解。

目标：能手算 5.4 节和 5.5 节的两个例子。

第 31—60 天：动手编程

• 安装 Qiskit，在模拟器上跑通贝尔态程序；
• 自己实现 Deutsch-Jozsa 和 Grover 算法（3 比特规模）；
• 注册 IBM Quantum Platform 或本源量子云，在真机上运行同一个程序，比较模拟器和真机结果的差异；
• 学习编译、线路深度、噪声模型等概念。

目标：能独立写出并解释一个小型量子算法。

第 61—90 天：结合你的领域

• 根据兴趣选一个方向深入：量子化学（VQE）、优化（QAOA）、或后量子密码；
• 如果你关注金融科技，建议重点研究后量子密码迁移和量子蒙特卡洛；
• 阅读一两篇行业报告，比如麦肯锡年度 Quantum Technology Monitor；
• 尝试写一份「量子计算对我所在行业的影响」分析。

目标：能把量子计算和自己的业务场景联系起来。

14.4 推荐学习资源

14.5 识别「量子忽悠」的五个问题

当你听到某个量子产品或项目时，可以问这五个问题：

1. 它运行在真实量子硬件上，还是经典计算机上的「量子启发算法」？
2. 它解决的问题，属于量子有优势的那几类吗？
3. 和最好的经典算法比过吗？还是只和普通方法比？
4. 用了多少逻辑比特还是只报物理比特数？保真度是多少？
5. 结果能被第三方复现吗？

能答好这五个问题的项目，才值得认真看待。

14.6 学完之后，应当会做什么

本书不是为了让你背住最多的公司和比特数量，而是形成五种可检查的能力：

1. 会表达：不用“所有答案同时读出”解释量子计算，能区分概率、概率幅、相对相位和测量基。
2. 会计算：手算复数模平方、H-H、H-Z-H、贝尔态制备及 N=4 的 Grover 振幅变化。
3. 会实验：知道 shots 是重复制备与测量；能解释为什么统计波动不等于硬件故障、只看 00/11 不足以证明纠缠。
4. 会做系统判断：正确读 Qiskit 位序，区分逻辑线路与物理编译，计算端到端采样预算，理解解码吞吐与反馈延迟的差别。
5. 会看证据：不把物理比特数、逻辑比特数、保真度、论文结果、宣传和未来路线图当作同一种指标。

遇到难段落时采用“三遍阅读”：第一遍只读结论和例子；第二遍拿纸笔推公式；第三遍在互动实验里先预测再操作，再解释预测不符的原因。答题错误应记录为“概念混淆、计算错误、读题漏条件、实验口径错误”四类，而不只是累积分数。

14.7 已确认的 200 道题库配置

用户已于 2026-10-27 确认教材 v2 与总计 200 道题的范围。 本轮配套题库以确认版教材为命题基准，不是 200 套试卷，也不是额外再加 200 道。每道题对应以下章节配置，题库采用独立版本管理。

题型配置：100 道单选、40 道多选、30 道判断、30 道计算/线路结果题。计算题注明输入单位、精度及容许误差；多选题明确是否必须选全。难度分为基础 100、理解应用 70、综合挑战 30，总计 200。

每题至少包含：唯一题号、章节/小节、知识点、题型、难度、题干与选项、正确答案、推导或解析、易错原因、复习锚点、教材版本。网页支持章节练习、随机组卷、自动判分与错题回顾；学习记录仍保存在本机浏览器，不默认上传或跨设备同步。

Markdown 保留 42 道章末问答。HTML 现扩展为 200 道交互题，覆盖新增小节，不靠重复换数字凑题，也不要求死记易变商业数字。章节练习每题 10 分，共 2000 分；随机组卷可选择 10/20/50 题，按条件不足时提示调整，模拟考成绩独立，不覆盖章节答题记录。新版不读取或删除原 v1/v2 的答题记录；不同文件路径、浏览器或预览来源下的记录可能相互独立，不承诺自动同步。

14.8 本轮核验来源与阅读入口

审校日期：2026-10-27。 基础原理与时效性行业信息分开管理。以下是本轮采用的官方教材、原始论文及机构来源；未逐条核验的商业数字不作为定论保留。公司网页只能证明公司披露了什么，不代替独立验证。

• [R1] 基础理论与练习：IBM Quantum Learning，Basics of Quantum Information，涵盖单系统、复合系统、线路、隐形传态与 CHSH。https://quantum.cloud.ibm.com/learning/courses/basics-of-quantum-information
• [R2] 编程位序：IBM Qiskit 文档，Bit-ordering in the Qiskit SDK。https://quantum.cloud.ibm.com/docs/en/guides/bit-ordering
• [R3] Willow 原始研究：Quantum error correction below the surface code threshold，Nature 638，920–926（2025；2024 年底在线披露）。https://www.nature.com/articles/s41586-024-08449-y
• [R4] 厂商路线图：IBM Quantum Roadmap；页面目标不等于已完成成果。https://www.ibm.com/roadmaps/quantum
• [R5] PQC 标准：NIST 首批三项最终标准发布说明（2024-08-13），内含 FIPS 203/204/205 原文入口。https://www.nist.gov/news-events/news/2024/08/nist-releases-first-3-finalized-post-quantum-encryption-standards
• [R6] 中国纠错进展：国家自然科学基金委员会《我国学者在量子纠错领域取得进展》（2026-01-05），内含祖冲之 3.2 号 PRL 论文 DOI：10.1103/rqkg-dw31。https://www.nsfc.gov.cn/p1/3381/2825/99391.html
• [R7] 厂商动态案例：Quantinuum 2026-10-19 Helios 纠错公告，仅按厂商披露引用，不作跨架构保真度排名。https://www.quantinuum.com/press-releases/quantinuum-breaks-error-correction-world-record-by-10x-validating-its-leading-path-to-fault-tolerant-quantum-computing-by-2029

本地 HTML 正文与练习可离线使用，点击以上外部参考网页需要联网。学习结论应以带有适用条件的正文为准，不以 2026-10-26 及更早的旧 PDF 或某条新闻标题覆盖本次修订。

十句话

1. 量子计算不是更快的 CPU，而是换了一种计算的物理基础。
2. 量子比特可以处于 0 和 1 的叠加态，用概率幅描述。
3. 概率幅通常是复数；不同路径的概率幅相加后再取模平方，相对相位决定相长或相消。
4. 纠缠是复合系统不可分的关联，但有纠缠不等于有计算加速，单一测量基的相关也不足以证实纠缠。
5. 一次测量给出一个样本；要估计分布通常重复制备和测量，但理想线路也可能确定输出。
6. 量子算法利用相干演化和干涉提取结构信息，不是先知道答案再把错误答案删除。
7. 量子优势依赖问题结构和资源假设；因数分解、非结构化搜索及部分量子模拟有理论依据，优化任务不能一概保证加速。
8. 最大的工程难题是噪声，必须靠量子纠错把物理比特变成逻辑比特。
9. 超导、离子阱、中性原子、光量子、硅自旋、拓扑等路线并行研究；量子退火是计算模型，应另一个维度理解；QPU 适合与经典系统分工。
10. 对 IT 行业可立即着手的工作之一，是后量子密码的资产盘点、风险评估与迁移规划，而非不加评估地替换所有算法。

一张「从经典到量子」的对照表