Google 魔術態培育將錯誤降低 40 倍，但良率才是真正考驗

Google 表示，其魔術態培育實驗在 Willow 上將錯誤降低約 40 倍，但在所評估的嘗試中僅保留 8%。這個組合同時反映成果的重要性及其限制。Google 已將一項有前景的錯誤修正技術，由理論構想帶到超導硬件上；但尚未證明可為實用量子程式提供可投入生產的狀態來源。

這項成果之所以重要，是因為經錯誤修正的量子電腦需要執行一般錯誤修正常規無法高效提供的操作。魔術態可提供這些操作，但產生足夠純淨的狀態，可能耗用一部容錯機器的大部分資源。Google 的實驗正面處理這個資源瓶頸。

因此，主要競爭並非 Google 與某一名對手之間的較量，而是培育與傳統魔術態蒸餾之爭。後者會把多個不完美狀態結合起來，產生數量較少但更純淨的狀態。培育則嘗試在反覆偵測錯誤的同時，逐步生成一個編碼狀態。Google 的實驗顯示這條路可行，但其勝負將取決於吞吐量及規模。

Google 魔術態培育由理論走向 Willow

核心改變在於實驗層面：Google 在真實超導硬件上運行魔術態培育，並量度到條件錯誤大幅降低。

Google Quantum AI 於 2026 年 10 月 15 日公布這項成果。團隊同日在 Science 發表經同儕審查的論文，較早版本則於 2025 年 12 月以預印本形式出現。

根據 Google 的培育結果，相較於準備未經培育的狀態，該協議將錯誤降低約 40 倍。團隊報告邏輯 T 態保真度為 99.99%。

魔術態是一種經特別準備的量子資源，可實現容錯的非 Clifford 操作。這些操作讓受保護的量子電腦，能夠超越僅使用 Clifford 閘時可進行的有限計算。

這項區分十分重要，因為錯誤修正不會自動令每一種量子操作都變得容易。許多編碼可以相對乾淨地處理有限的一組邏輯閘；通用運算則至少需要該集合以外的一種操作。

T 態為邏輯 T 閘提供資源，而 T 閘是一種常見的非 Clifford 操作。每次使用都會消耗該狀態，因此實用電腦需要持續供應，而非一次實驗室準備。

實驗先將一個帶噪聲狀態注入一個小型編碼區域，之後透過重複量度尋找故障證據。出現可疑量度模式的嘗試會被剔除，而存留下來的狀態則繼續完成協議。

Google 在培育期間使用距離為 3 的色碼。碼距表示在既定條件下，錯誤修正碼可容忍或偵測多少個物理故障。

團隊其後把存活的狀態轉移至距離為 5 的表面碼。表面碼是超導處理器領先的錯誤修正方法之一，因為它主要使用相鄰量子位元之間的局部互動。

這種轉移稱為碼切換或嫁接，是測試的重要部分。若培育狀態無法進入後續運算所用的編碼，其價值便有限。

經同儕審查的實驗論文報告，在保留 8% 嘗試的情況下，保真度為 0.9999(1)。該保真度描述的是獲接納的輸出狀態，而非每次進入協議的嘗試。

這項限定可避免一種常見誤讀。40 倍這個數字並不代表每一項 Willow 操作都準確了 40 倍；它只適用於實驗特定比較及量度條件下所準備的魔術態。

實驗亦遇到基準測試問題。Google 表示，電氣漂移及溫度變化造成噪聲，令原有量度方法中的一項假設失效。

團隊加入更多硬件控制，並設計容錯量度協議；它利用培育過程本身，協助為所得狀態的保真度設定界限。

這一事件在某方面加強了實驗的可信度，因為研究人員識別出一種具誤導性的量度效應；但同時亦顯示，即使是操作該硬件的團隊，要驗證這些結果仍然十分困難。

Willow 為這項成果提供物理平台。Google 於 2024 年推出這款 105 量子位元超導處理器，並同時公布測試結果，顯示隨着編碼規模增加，邏輯錯誤抑制有所改善。

魔術態培育處理的是問題的另一個層面。Willow 早前的工作集中於保護儲存中的邏輯資訊及重複錯誤修正循環；新工作則聚焦於為通用邏輯運算準備可消耗資源。

因此，這項成果比實用量子應用更為狹窄；但比另一項記憶體測試更具操作相關性。容錯電腦需要受保護資料、可靠邏輯操作，以及可擴展的非 Clifford 資源供應。

Google 現已在同一硬件平台上連接其中數個環節。尚待解答的問題是，它們能否以實用演算法所需的產量、速度及可靠性一同運作。

為何魔術態可能耗盡整部機器

魔術態生產可能變成電腦內的一座工廠，耗用原本可運行目標演算法的資源。

量子錯誤修正會把一個邏輯量子位元儲存在多個物理量子位元之中。量度可揭示錯誤模式，而不會直接讀取受保護的量子資訊。

這種保護支援一系列邏輯操作，但一項廣為人知的限制，使單一錯誤修正碼無法以同樣簡單的方式提供所有必需操作。因此，通用運算需要額外技術。

魔術態蒸餾成為標準答案。一座蒸餾工廠準備多個帶噪聲狀態，透過錯誤偵測電路處理後，輸出數量較少但錯誤更低的狀態。

該過程可重複進行多個層級。每個層級改善輸出，但會消耗更多量子位元、電路週期、路由容量及控制操作。

早期架構估算顯示，魔術態工廠或會耗用容錯電腦高達 95% 的容量。這個數字高度取決於演算法、硬件、編碼及目標錯誤率。

即使後來估算較低，底層壓力仍然存在。大型量子演算法可能需要極大量 T 閘，而每一個閘都需要在正確時間送達一個足夠準確的狀態。

即使處理器具備出色的邏輯記憶能力，若狀態工廠無法跟上速度，系統仍可能停滯。相關衡量標準遂變成系統吞吐量，而非單一狀態的保真度。

最初的培育提案旨在降低這種成本。培育並非結合許多完整大小的編碼狀態，而是由小規模開始，在檢查故障的同時擴展候選狀態。

這種方法類似漸進式品質控制。有瑕疵的候選狀態可在耗用更大編碼所需資源前被丟棄。

培育亦利用色碼，其具備有用的橫向操作。橫向操作會對相應的物理量子位元施加閘操作，避免單一故障在編碼區塊內自由擴散。

狀態其後移至表面碼，在那裏可加入更廣泛運算所使用的架構。這種分工把培育及長期操作分配予適合不同任務的編碼。

這個機制說明，為何 Willow 的結果不只是較佳的元件基準測試。它測試碼切換、後選擇、物理控制及高保真量度能否作為單一協議運作。

後選擇是指只接納通過指定檢查的結果。它以良率換取品質，當遭拒絕的嘗試可低成本重新開始時，這種取捨是合理的。

「低成本」正正帶出核心不確定性。若每次嘗試只佔用少量空間及時間，低接納率仍可能有效率；但若失敗嘗試佔用稀缺硬件或延誤演算法，成本便會變高。

Google 的實驗保留了 8% 已評估嘗試。這表示在所報告的條件下，每一個獲接納結果大約需要十二次嘗試，儘管實際工作負載需要更完整的核算。

因此，論文中的 99.99% 保真度及 8% 保留率回答的是不同問題。保真度問的是存活狀態有多純淨；保留率問的是該過程產生可接納狀態的頻率。

單靠任何一項指標，都不足以確立一座可運行工廠的成本。工程師還必須計算物理量子位元、電路深度、重置時間、經典解碼、路由，以及平行嘗試所需的額外容量。

實用系統很可能會同時運行許多培育單元。平行化可補償失敗嘗試，但會增加硬件需求及控制複雜度。

蒸餾本身也有可觀的開銷。其電路可能需要多個編碼狀態及多個處理階段，才能達到目標錯誤率。

培育毋須取代每一種蒸餾形式才具意義。它可以產生更純淨的輸入，從而減少後續蒸餾所需的輪數。

Google 較強的主張是，在有利的硬件條件下，培育或可令傳統多層工廠變得不再需要。Willow 實驗支持這項主張背後的機制，但未支持其完整架構結論。

這個差異令每一份容錯路線圖都面臨壓力。團隊必須說明如何供應非 Clifford 操作，而不只是預計能建造多少物理或邏輯量子位元。

培育挑戰標準蒸餾工廠

Google 的成果令培育成為蒸餾可信的競爭者，但勝出的路線將由整體系統成本決定。

蒸餾有一大優勢：研究人員了解其數學行為，架構師亦已花費多年圍繞表面碼優化工廠。其成本可就眾多目標演算法作出估算。

培育提供另一種成本結構。它嘗試在不良狀態仍以較小結構編碼時，及早將其剔除。

2024 年的理論工作指出，在合適的物理錯誤率下，經培育的 T 態資源成本或可接近受保護 CNOT 閘。CNOT 閘會根據一個量子位元的狀態，有條件地翻轉另一個量子位元。

這項比較相當進取，因為 CNOT 操作既基本又頻繁。若非 Clifford 資源能變得同樣負擔得起，容錯架構中最大的缺口之一便會縮小。

Willow 尚未證實成本可與之相若。它顯示該協議的關鍵元素，能夠在超導處理器上的真實噪聲下存活。

這項區分把科學成果與工程里程碑分開。科學問題是，培育能否在硬件上抑制狀態準備錯誤；工程問題則是，它能否在有用規模下勝過其他方案。

Google 的平台為培育提供了重要的測試環境。超導量子位元支援高速操作，但同時面對製造差異、校準漂移、控制串擾及連接性有限等問題。

團隊所遇到的電氣設備漂移及溫度波動問題，正好說明了這些限制。工廠必須持續運作，而不只是於經過仔細表徵的實驗時段內運作。

傳統蒸餾同樣依賴可靠的閘操作和量測。其結構較為規律，可能簡化排程；但其較大的資源佔用，亦可能放大每一次物理錯誤的成本。

隨着硬件改善，這種比較將會改變。培育的理論研究者認為，其資源用量會對較低的物理錯誤率作出顯著反應。

蒸餾協議亦可透過更佳的編碼、優化電路及更高效的工廠佈局而改善。這並非一項持續演進的技術與一個停滯基準之間的競爭。

IBM 提供了一個業界參考點。其容錯路線圖提出，作為邁向大規模容錯的計劃進程之一，將在多個模組之間進行魔術態注入。

該計劃突顯了共同面對的問題。Google、IBM 及其他硬件開發商採用不同架構，但各自都必須以可接受的額外成本支援通用邏輯操作。

中性原子系統帶來另一個比較基準。一項 2024 年的邏輯處理器研究利用可重組原子陣列及邏輯量子位元，展示了複雜的非 Clifford 電路。

中性原子提供可移動量子位元及靈活連接性。這些特性可支援固定超導網格上較難實現的操作。

超導硬件則具備不同優勢，包括成熟的製造方法及快速的閘操作週期。沒有任何單一實驗能確立哪個平台能以最低成本執行實用演算法。

Google 的碼切換結果在這場競爭中具有策略重要性。它顯示超導系統可為不同工作採用專門編碼，而毋須讓整部機器固定採用同一種編碼。

這種靈活性類似異質經典運算，不同處理器分擔不同工作負載。容錯量子架構同樣可能設有記憶體區域、培育區塊、路由區域及量測區域。

然而，每個邊界都會增加風險。在編碼之間移動邏輯態，會引入必須維持容錯性的操作，同時亦令排程和驗證更複雜。

Willow 實驗把一個經培育的態，從距離 3 的色碼轉移至距離 5 的表面碼。與未來生產系統相比，這些仍屬較小的碼距離。

較大的編碼可保護資訊免受更多故障影響，但亦需要更多物理量子位元及更長的量測序列。一個規模下的表現，並不保證在下一個規模下也有同等效率。

因此，最重要的競爭指標並非量子位元數量，而是在完整運算中交付已驗證邏輯操作的成本。

這項成本結合空間、時間、能源、經典控制、失敗機率及輸出速率。量子公司目前公布的指標組合各有不同，令直接比較變得困難。

培育讓 Google 對非 Clifford 問題提出了更有力的答案。但它並未決定超導晶片、離子阱、中性原子、光子系統及拓撲方法之間更廣泛的競賽結果。

40 倍的標題背後，是 8% 吞吐量的問題

持懷疑態度的解讀很直接：獲接納的態表現更佳，並不保證能為運算高效供應這些態。

Google 把這項結果描述為針對嚴重資源瓶頸的實際解決方案。就實驗可行性而言，這種說法是站得住腳的。

但若「實際」暗示可部署於實用電腦，這種說法便顯得過早。團隊明確表示，培育仍需要更大規模的展示。

8% 的保留率值得關注，因為後選擇驅動着該協議。錯誤偵測會移除與可疑綜合徵相關的嘗試，從而提升存留下來的態的品質。

當重試成本低廉時，捨棄不良結果很有價值。然而，為大型演算法服務的工廠仍必須產出足夠多獲接納的態，以免運算陷入供應不足。

假設多個培育單元並行運作。即使個別單元的保留率偏低，合計輸出仍可能提供足夠吞吐量。

這種安排會佔用更多晶片面積，亦需要快速重設、同步控制、即時解碼，以及為等候使用的態提供儲存空間。

實驗中的保留率包括用於評估保真度的嚴格檢查。Google 研究人員指出，這個設置不能直接對應未來工廠的產率。

這項保留同時有兩種可能。移除診斷額外負擔後，生產產率或會改善；但當培育接入路由、儲存及邏輯閘時，亦可能面對新的損失。

另一項 2026 年的成本分析檢視了有利資源估算與運算期間非破壞性後選擇之間的落差。其作者識別出一些情況，當中實際限制會提高邏輯錯誤率或要求更大的編碼。

該論文並未否定培育。它顯示量測假設及最終階段的處理方式，能實質改變表面上的資源優勢。

破壞性與非破壞性量測之間的區別至關重要。研究人員可以破壞實驗態以對其作表徵，但電腦必須保留任何打算供日後使用的態。

因此，基準測試可能取得即時運算期間無法獲得的資訊。架構估算必須考慮當態仍在運作時可取得的較少資訊。

Google 透過開發可界定保真度的容錯量測方法，處理了部分問題。更大型的系統仍需要非破壞性接納規則，以同時保留品質及吞吐量。

所報告的 40 倍改善亦取決於比較基準。它是在特定條件下，將經培育的態製備與未經培育的版本作比較。

這並不表示處理器整體邏輯錯誤率以相同倍數下降。記憶體、CNOT 閘、量測、態轉移及經典修正，各自仍保有不同的錯誤特徵。

實用演算法會在大量操作中累積錯誤。即使 T 態極為出色，也無法彌補不可靠的路由或不足的邏輯記憶體。

99.99% 的數字聽起來亦比許多應用所需的要求更接近完美。大型容錯程式可能要求每次操作的邏輯錯誤機率遠低於萬分之一。

確切目標取決於電路規模及錯誤預算。包含數百萬次操作的程式，必須把合計失敗機率維持在可接受範圍內。

仍可能需要額外錯誤修正、更大的碼距離或進一步純化。每種選項都會增加邏輯操作背後所需的物理資源。

規模帶來另一項尚未解決的問題。Willow 包含 105 個物理量子位元，而實用的錯誤修正系統將需要規模大得多的協調陣列。

培育需要與記憶體、路由、解碼支援及目標計算爭奪這些量子位元。一項有利的小型展示，必須轉化為整部機器的有利資源分配。

製造一致性亦會相當重要。在單一研究處理器上可行的校準程序，未必容易擴展至許多相互連接的晶片或模組。

Google 尚未展示一項端到端演算法，持續消耗一串經培育的態。這類測試將揭示排程衝突，並顯示持續生產速率。

該公司亦未展示培育可令整部機器的規模縮小 40 倍。量得的錯誤降低不應換算成等值的硬件縮減。

較恰當的解讀較為狹窄，但仍具重要意義。Google 已在超導處理器上，透過培育製備出異常精準且獲接納的魔術態。

這項結果降低了該協議能否在實體硬件上存活的不確定性，但仍未解答這種存活能否轉化為最佳工廠設計。

三項訊號將顯示 Willow 的結果能否擴展

下一步證據必須把態品質，連繫到工廠吞吐量、更大編碼，以及實際的邏輯工作負載。

第一項訊號是在更大碼距離下進行培育實驗。Google 在這次展示中，從距離 3 的色碼轉移至距離 5 的表面碼。

後續研究應顯示，隨着受保護結構擴大，錯誤抑制仍能持續。它應同時報告接納率及保真度，而非只強調最乾淨的輸出。

在更大編碼下的改善，將加強 Google 關於培育可受益於更佳硬件的論點。平坦或惡化的成本曲線，則會削弱該技術能高效擴展的主張。

第二項訊號是非破壞性、重複供應的基準測試。實用工廠必須製備態、接納或拒絕它們、路由存活者，並在不暫停整部機器的情況下重啟失敗嘗試。

該基準應報告每單位時間及硬件所產出的獲接納態數量，並包括重設延遲、解碼器表現、控制額外負擔，以及保存已完成態的成本。

更高保留率會有幫助，但並非唯一出路。即使許多嘗試失敗，快速重試及並行製備也可能帶來強勁吞吐量。

關鍵在於透明的核算方式。研究人員需要足夠資訊，才能在相同的物理錯誤及邏輯錯誤目標下，比較培育與蒸餾。

若 Google 公布的持續生產速率勝過優化的蒸餾工廠，培育將成為一項架構選擇，而非實驗選項。否則，它可能仍只是有用的預處理階段。

第三項訊號是消耗經培育 T 態的端到端邏輯電路。該電路應執行真正需要非 Clifford 操作的工作。

這項測試會把態製備連繫至注入、路由、邏輯閘、錯誤修正及最終量測，亦會揭示培育能否與 Willow 架構的其他部分順暢整合。

成功並不需要具備商業價值。一項規模不大的邏輯演算法，仍可驗證整個流程，並找出錯誤累積的位置。

競爭對手的路線圖將提供更多背景。IBM 計劃在模組化容錯架構中加入魔術態注入，而中性原子團隊則繼續測試替代性的邏輯操作。

另一個平台取得具說服力的結果，並不會抹去 Google 的成就。它會釐清培育是解決普遍瓶頸，還是主要適用於超導表面碼系統。

開發者及企業買家應把這項公布視為基礎設施研究，而非把工作負載遷移至量子硬件的訊號。這篇論文並未帶來新的通用服務。

實際意義在於資源曲線。若培育能大幅減少專門用於 T 態的硬件，實用機器所需的物理量子位元可能少於以蒸餾為主的估算所示。

這種改變將影響硬件路線圖、編譯器設計、演算法選擇及對容錯部署的預期，但不會立即創造出一部實用電腦。

Google 的魔術態培育已通過一項重要實驗測試。該協議降低了條件式狀態準備錯誤，並成功在兩種量子碼之間轉移。

如今，重點已從展示單一高保真狀態，轉為能否可靠地供應大量此類狀態。值得留意的是更大的碼距、持續的非破壞性輸送量，以及一個會消耗這些輸出的邏輯電路。

這三項成果將顯示，培育技術能否縮小量子電腦內的工廠規模。在此之前，Willow 已驗證了該機制，但系統層面的經濟效益仍未明朗。