Quantinuum、NVIDIA 与 Pfizer 的 GenQAI 测试揭示量子鸿沟

Quantinuum 登上 Google News，此前来自 Quantinuum、NVIDIA 和 Pfizer 的研究人员报告了首次对 AI 生成量子化学电路进行的硬件测试。这项合作之所以重要，是因为其软件将昂贵电路设计流程中部分环节的耗时压缩了数千倍。但同一篇论文也指出，量子硬件的结果仍不够准确，无法用于化学研究。

这种张力使得这项宣布的意义超过了三家知名公司之间的又一次合作。GenQAI，即 Generative Quantum AI，并未发现某种药物，也没有产出可直接用于实验室的化学结果。它学会了生成指令，在量子计算机上制备分子状态。

这一区别将一项可信的工程成果，与围绕量子药物发现的更大承诺区分开来。研究人员展示了生成式模型能够用训练后的推理步骤取代反复优化。他们并未证明，量子处理器能够在实际制药任务中胜过成熟的计算化学方法。

因此，核心竞争并非 Quantinuum 与其他量子硬件供应商之间的较量，而是拟议的 GenQAI 工作流与当前用于设计合适量子电路的缓慢迭代流程之间的对比。AI 一方赢得了有意义的一局，但硬件一方仍限制着这一成果所能实现的范围。

Quantinuum、NVIDIA 与 Pfizer 实际测试了什么

该实验验证的是自动化电路生成流程，而不是一种新药或具有商业实用价值的量子化学计算。

这项工作聚焦于量子态制备，即构建一个电路，让量子比特进入代表分子电子基态的状态——也就是其最低能量构型。在许多量子化学计算能够产生有用结果之前，研究人员都需要获得准确的基态。

团队研究了丙咪嗪，这是一种成熟的三环类抗抑郁药，具有多种可能的分子构型。它的柔性和不同反应位点使其与药物稳定性研究相关。该化合物被用作一项高难度测试案例，而非新的治疗候选物。

研究人员提出了名为 ADAPT-GQE 的框架，即 Adaptive Generative Quantum Eigensolver。它学习根据由成熟算法 ADAPT-VQE 创建的示例，生成完整的基态制备电路。

ADAPT-VQE 逐步构建电路。每一步，它都会评估可能的算符，选择其中一个，并重新优化不断扩展的电路。该过程可以产生相对紧凑的电路，但随着分子问题规模扩大，其计算量会急剧上升。

新工作流将很大一部分搜索工作转移到模型训练中。NVIDIA 加速计算和 CUDA-Q 帮助生成了参考数据。随后，研究人员训练了两个生成式模型，将电路构建表示为序列生成任务。

其中一个模型采用 NVIDIA 预训练的 Nemotron Nano 2 架构。另一个则采用基于 Gemma 的更小型 transformer，专为该实验训练。每个模型都会接收描述分子哈密顿量的信息——它以数学方式表示分子的能量——随后生成电路指令。

团队测试了覆盖 12 至 16 个量子比特的活性空间。活性空间会选取在电子结构计算中被显式处理的电子和分子轨道。这种缩减使困难的分子问题能够控制在当前方法和硬件可处理的规模内。

根据这篇科学论文，作者来自 Quantinuum、NVIDIA 和 Pfizer 在美国康涅狄格州格罗顿及希腊塞萨洛尼基的团队。与 Quantinuum 的公开摘要相比，这一署名信息更清楚地证实了 Pfizer 的参与；后者仅将合作方称为一家大型制药公司。

在完成模拟和模型训练后，选定的电路通过 InQuanto 化学平台，在 Quantinuum 的 Helios-1 离子阱处理器上运行。将其部署到真实硬件上，验证了生成指令与物理量子系统之间的兼容性。

这正是 Google News 标题背后的具体变化：一个语言模型为与制药相关的分子案例生成了电路，而这些电路在现有量子处理器上得到了执行。这一成果在一套有文档记录的工作流中连接了 GPU 模拟、生成式 AI、量子软件和量子硬件。

它并未确立量子优势，也没有取代实验室稳定性测试、计算可直接指导临床行动的性质，或缩短实际药物开发项目的周期。

为什么 Google News 的标题比成果本身更宏大

该标题将三项彼此独立的成就压缩为一个故事，但只有电路生成环节展现出显著的性能提升。

Quantinuum 的框架摘要描述了四个阶段：NVIDIA 加速计算模拟量子数据；这些数据帮助训练生成式模型；模型生成量子电路；Helios 执行选定电路以完成验证。

这一架构之所以值得关注，是因为每种计算系统都承担了符合其当前优势的任务。GPU 生成数据并训练模型；生成式 AI 将学习到的模式转换为候选指令；量子处理器执行由此生成的电路。

然而，“量子”一词可能掩盖测得的速度提升究竟来自何处。显著的缩减发生在模型从计算成本高昂的参考样例中吸收模式之后的电路生成阶段。它们并未衡量一个完整制药工作流在量子硬件上以数千倍速度运行。

较小的 Gemma-based 模型生成电路的速度约为 ADAPT-VQE 的 1,000 至 8,000 倍，具体取决于测试配置。Nemotron 模型则实现了约 14 倍至 86 倍的提升。随着问题规模扩大，这些区间也随之上升，因为 ADAPT-VQE 的迭代搜索变得更加昂贵。

论文称，较小模型将生成时间缩短了三到四个数量级。这是一项可观成果，但需要使用正确的比较基准。该比较涉及的是电路构建，而非药物建模、降解预测、制剂测试或满足监管要求的完整过程。

模型同样受益于被转移到离线阶段的工作。ADAPT-VQE 首先生成训练电路，生成式模型再从中学习。这与其他 AI 系统类似：在吸收昂贵的训练计算后，能够快速给出答案。

这种权衡对企业采购者至关重要。当研究人员需要解决大量相关构型，并能够分摊训练成本时，训练好的模型会更具吸引力。如果每个分子都需要单独的数据集和另一轮专门训练，其吸引力就会下降。

丙咪嗪实验聚焦于同一分子的多个构象。构象是由化学键旋转形成的不同三维排列。在这些相关结构之间学习很有用，但其范围比在彼此无关的药物分子之间泛化要窄得多。

研究人员将数据集划分为训练、验证和测试组。他们在训练时未见过的构象上评估模型，并为每个测试案例生成 16 个候选结果。能量最低的候选结果成为该构象的报告结果。

这一选择过程对于实验系统而言是合理的，但也意味着模型并未产出一个得到保证的单一答案。它生成一批候选结果，然后依靠能量计算识别最佳候选。任何生产级评估都应纳入这部分评分成本和候选失败率。

这一成果仍改变了技术讨论的方向。电路综合是真实存在的瓶颈，尤其是在迭代方法必须针对每种分子几何构型重新开始时。将这一搜索转化为学习式生成，为研究人员提供了一条迈向可复用自动化的合理路径。

Google News 的曝光可以帮助更多读者发现这一成果，但也可能助长一种误导性解读：量子 AI 已开始加速药物发现本身。现有证据支持的说法更为有限：AI 为选定的量子化学问题加速了一项前置计算任务。

GenQAI 用学习式电路生成取代反复搜索

核心进展在于，从每次都从头解决电路设计问题，转向学习可在相关分子构型之间复用的模式。

ADAPT-VQE 从一个简单的试探态和一个算符池开始。它评估哪个算符最能降低估计能量，加入该算符，并优化电路参数。它不断重复这一循环，直到结果达到预设阈值。

这种方法会让电路适应每个问题。它能够生成比固定设计更浅的电路，这一点很重要，因为当前量子处理器会随着电路变长而累积误差。其弱点在于，每次迭代都需要反复进行梯度评估和全局重新优化。

成本会随着算符数量、电路深度和分子构型数量增加而上升。论文称，在所研究的设定中，该方法在大约 15 个量子比特之后变得难以承受。因此，丙咪嗪的 12 至 16 个量子比特活性空间恰好处于这一新兴瓶颈的范围内。

ADAPT-GQE 改变了这一顺序。它将 ADAPT-VQE 用作高质量示例的生成器，而不是最终的电路设计引擎。一个 transformer 学习分子信息与基态制备所需算符序列之间的关系。

在推理时，模型通过一次自回归过程生成完整电路。它避免了反复的梯度计算、逐步算符选择，以及针对每种几何构型的全局重新优化。该模型实际上是在预测它此前观察过的搜索过程的结果。

较大的 Nemotron 实现采用了经过调整、适应电路语言的预训练通用模型。较小的 Gemma 实现则从为该领域训练的紧凑架构起步。两者的对比结果表明，模型规模本身并不能决定电路生成速度。

对于报告中的配置，Nemotron 在 12 个量子比特时的生成耗时为 164.0 秒，在 14 个量子比特时为 293.3 秒，在 16 个量子比特时为 563.9 秒。较小模型实现了更高的相对加速，并支持额外的强化学习实验。

强化学习让较小模型能够超越简单模仿。系统生成电路、评估其能量、保留更优候选，并将这些结果用于进一步训练。在部分测试中，这一过程产生的电路准确性与 ADAPT-VQE 训练参考结果相当或更高。

这并不意味着模型找到了精确的分子基态。准确性取决于所选择的活性空间、参考方法、能量阈值和模拟条件。论文区分了相对于 ADAPT-VQE 示例的表现，以及相对于最佳可用基态参考的准确性。

这种方法之所以重要，是因为分子建模往往涉及一系列彼此相关的问题。药物稳定性研究可能需要考察多种构象、几何结构、反应中间体或环境条件。若要针对每一种版本重复进行成本高昂的电路搜索，量子模拟的实际价值就会大打折扣。

可复用的生成器改变了这一成本结构。只要它能够学习可迁移的结构，研究人员就可以在训练阶段投入更多计算资源，并降低后续每个电路的边际成本。这与支撑基础模型的经济逻辑相同，只是被应用于一种高度受限的科学语言。

该框架还揭示了“用于量子计算的 AI”与“用于 AI 的量子计算”之间的重要区别。这项实验主要利用经典 AI 改进量子编程。其训练数据来自加速的经典模拟，而非直接来自量子处理器。

Quantinuum 描绘了一个更长期的反馈循环：量子机器为 AI 生成有价值的数据，而 AI 随后引导进一步的量子计算。当前测试仅实现了这一愿景的早期部分。GPU 和经典算法仍提供了大部分学习信号。

NVIDIA 的角色因此具有重要战略意义。CUDA-Q 为混合 CPU、GPU 和量子工作流提供了一层编程接口。即使研究人员协调使用多种处理器，NVIDIA 也无需依赖某一种量子硬件架构便可占据主导地位。

Quantinuum 的 NVIDIA presentation 将 GenQAI 纳入更广泛的混合计算战略。该公司还讨论了 AI 辅助电路优化、量子机器学习，以及将 Helios 与 NVIDIA 系统连接的集成方案。

对制药团队而言，关键问题不在于模型能否生成语法有效的量子代码，而在于该生成器能否在扩展至更大的活性空间、不同分子以及重复的生产级工作负载时，仍保持化学准确性。

这一门槛仍在前方。不过，这一机制为攻克某项具体限制提供了明确路径，而不是等待所有硬件限制自行消失。

量子硬件结果是现实检验

研究人员成功运行了生成的电路，但其自身结论指出，硬件准确性尚不足以用于化学应用。

Helios-1 是一台囚禁离子量子处理器。囚禁离子系统将量子信息储存在由电磁场和激光控制的带电原子中。它们以高保真操作和灵活连接性著称，尽管执行速度和扩展性面临不同的工程挑战。

更广泛的 Helios 平台被记录为一个拥有 98 个量子比特的系统，具备全连接能力，并在已报告的组件测试中实现了低于千分之一的平均双量子比特门非保真度。这些硬件指标值得关注，但组件保真度并不会自动保证化学结果准确。

一个化学电路结合了大量量子门、测量、变换和近似。微小误差会在整个计算过程中累积。真正相关的问题是，最终的能量估计是否落在足以支持化学决策的容差范围内。

在这项实验中，答案是否定的。研究人员表示，硬件演示缺乏满足化学应用要求的准确性。他们将其描述为生成电路可在现有设备上执行的证明，以及用于误差缓解和纠错的测试平台。

这句话应当决定人们如何解读该发现。运行电路是一项系统集成里程碑；产出可信的分子结果则是一项应用里程碑，而此次合作尚未跨越后者。

这种差异在制药研发中尤为重要，因为微小的能量误差就可能改变对反应路径、分子稳定性或优选构象的预测。一个在结构上看似正确、却无法达到所需能量容差的计算，不能用于指导高风险的化学决策。

测试还使用了缩减的活性空间，而非 imipramine 的完整表征。活性空间方法在计算化学中很常见，但它们会将部分电子效应排除在显式量子计算之外。扩展该方法既需要能力更强的硬件，也需要更可靠的误差控制。

噪声并非唯一限制。模型还必须能够泛化到其训练数据未涵盖的构象和活性空间。论文将跨分子泛化列为未来工作，而非已被证明的能力。

这对 Quantinuum 的主张构成了主要压力。Helios 必须提升到足以将可执行的 AI 生成电路转化为具有化学意义的测量结果。否则，生成层可能只是为硬件仍无法准确完成的计算提供了更高效的前端。

NVIDIA 面临类似检验。其混合平台可以减少编排摩擦并加速模拟，但只有当量子组件贡献了 GPU 和经典化学软件无法提供的能力时，集成式技术栈才会创造工业价值。

Pfizer 的参与为这项研究提供了相关的工业目标和专业知识。其科学家可以帮助界定有意义的分子、降解问题和验证阈值。但参与并不意味着 Pfizer 已将 GenQAI 用于常规开发，或将其接入药物管线。

该公司多年来一直在探索计算化学。在早期的一个分子建模项目中，Pfizer 曾介绍利用 AI、云计算和量子物理方法，将部分晶体结构预测工作从数月缩短至数天。

这段历史提供了有用的比较。经典加速方法已在制药建模中带来实际收益。GenQAI 最终必须在准确性、时间、成本，或原本难以处理的计算可及性方面，胜过或补充这些既有方法。

仅仅证明一个量子工作流比另一个量子工作流更快还不够。研究人员需要将其与针对同一科学问题的最佳经典方法进行比较。他们还需要进行端到端核算，纳入训练数据、模型训练、候选方案评分、硬件排队和误差缓解。

当 Google News 的叙事跳过这些基准时，便会带来风险。读者可能看到三家大型公司，便推断量子辅助药物设计已经进入生产阶段。论文实际记录的则是一项经过严格边界限定的系统实验。

这种限制并未抹去软件成果。它界定了下一项实验必须证明什么。

制药研发是测试对象，尚非受益方

GenQAI 具有合理的制药应用场景，但其当前价值在于研究自动化，而非更优的候选药物或更短的开发周期。

选择 imipramine 的部分原因在于，其构象灵活性带来了具有挑战性的电子结构问题。它还与强制降解和货架期研究相关，在这些研究中，科学家会考察活性成分在压力条件下如何发生变化。

药物开发人员使用降解研究来识别可能的降解产物并理解稳定性。实验室压力测试仍然居于核心地位，因为制剂、储存条件、辅料和反应路径带来的现实复杂性，无法由分子模型完全复现。

计算方法可以补充这些实验。它们或可帮助研究人员确定路径优先级、解释反应，或选择哪些条件值得在实验室中进一步验证。可靠的量子计算最终或许能够处理令某些经典近似方法承压的电子关联问题。

GenQAI 的工作距离这一成果仍有多个层级。它为缩减版电子结构计算自动准备电路。生成的电路仍需要准确执行、能量估计、化学解释和实验验证。

这一技术栈解释了为何“用于制药研发”应被理解为目标领域，而非已衡量的商业结果。该实验使用了一种药物分子，并纳入了 Pfizer 的研究人员，但并未报告实验室实验数量、开发成本或候选药物淘汰率的下降。

论文还聚焦于基态制备。制药建模所需的不仅是基态能量。团队可能还需要激发态、反应势垒、溶剂效应、温度效应、分子间相互作用和不确定性估计。

未来模型需要支持不同的分子种类，而不只是单一分子的不同构型。它们还需要能够在不断变化的活性空间和化学结构之间保持一致的表征。作者明确指出，这是艰难的下一步。

不过，这种方法仍可能作为研究工具在更近期产生价值。科学家可以借此探索生成模型如何表征量子程序、强化学习如何改善电路质量，以及硬件误差会在集成工作流的何处出现。

它也可能帮助更高效地测试量子处理器。能够快速生成问题特定电路的模型，可让研究人员在无需每次重新运行高成本经典优化的情况下评估众多配置。这在商业化化学应用可行之前，就可支持基准测试。

竞争对手也在推进相关的混合路径。IBM 已围绕经典与量子编排制定以量子为中心的超级计算计划。Google Quantum AI 继续开发纠错硬件和量子算法。IonQ 及其他囚禁离子公司则将化学与优化、网络等方向一并作为目标。

经典领域的专业厂商带来了更直接的竞争压力。Schrödinger、XtalPi、云平台、基于 GPU 的模拟软件包，以及 AI 优先的药物发现公司，已经能够在无需量子处理器的情况下支持分子研究。

这些系统构成了实际基准。制药买方会比较科学可信度、工作流集成、吞吐量、可复现性和总体运营负担。量子处理单元的存在无法弥补这些维度上较弱的表现。

因此，GenQAI 最强的主张并非“量子取代经典化学”，而是经典系统和量子系统可以分工，同时 AI 降低将化学问题转换为可执行量子程序的成本。

这是一个站得住脚的方向。但成功条件同样严苛。每增加一层，都必须证明自己相对于由经典模拟和 GPU 加速组成的更简单技术栈具有合理性。

Pfizer 的参与有助于施加这种约束。领域专家了解哪些近似是可接受的、哪些分子具有代表性，以及哪些输出会影响实际开发决策。他们的持续参与会比公告中一次性的 logo 更重要。

研究人员也应公布不成功的案例。泛化失败、硬件误差分布，以及让生成器失效的分子，比另一个有利的平均结果更能揭示成熟度。科学用户需要了解边界，而不只是峰值加速比。

当前结果给出了一个早期边界。模型生成的电路可以在选定的 imipramine 构型上接近有用的模拟参考值。真实硬件输出仍低于化学应用所需的准确性。

GenQAI Google News 周期后值得关注的事项

下一阶段应以跨分子迁移能力、达到化学级标准的硬件精度，以及与经典工作流的端到端对比来评判。

第一个信号是能否泛化到丙咪嗪以外的分子。一个有价值的后续实验，应在多个分子家族上训练模型，然后为训练中未出现过、且在化学结构上存在差异的分子生成准确电路。

这一结果将加强“ADAPT-GQE 学到了可复用的化学结构”的论断。再进行一项针对单一分子的构象研究，虽能提升人们对现有方法的信心，却无法解决其工业适用范围尚不明确的问题。

研究人员应报告每种新分子所需的新训练数据量。如果每个目标都需要大量 ADAPT-VQE 数据集，那么成本高昂的搜索工作只是被提前到了工作流的更早阶段。只有当新增一种分子的成本下降时，迁移学习才具有真正意义。

第二个信号是在硬件上实现化学级精度。Quantinuum 及其合作伙伴需要证明，Helios、误差缓解或早期纠错能够缩小无噪声模拟与实测能量之间的差距。

这项验证应包含明确的误差容限，并与公认的参考计算结果进行比较。它还应报告不同电路、设备运行及分子构型之间的可重复性，而不是只突出一次有利的执行结果。

达到化学精度的结果将显著增强这一混合工作流的可信度。若持续展示兼容性，却不能提升最终精度，则会确认硬件仍是制约因素。

第三个信号是与领先经典方法进行端到端基准测试。此类研究应计入参考数据生成、模型训练、推理、候选项评分、量子执行、误差缓解和验证等环节。

衡量指标不应只有速度。准确性、计算资源消耗、研究人员投入时间、可重复性，以及最终化学决策的价值，都应纳入比较。

有利的基准测试将说明量子硬件在哪些环节真正带来贡献，而不只是参与其中。即使结果不利，也仍能澄清 GenQAI 是否可作为电路设计或科研自动化工具创造价值。

读者也应留意后续公告中使用的措辞。“在硬件上执行”和“达到化学精度”描述的是不同里程碑。“具有药学相关性的分子”并不意味着“已用于药物发现”，而“经验证的框架”也不等于“经验证的制药结果”。

现有证据支持一个严肃但有限的结论。Quantinuum、NVIDIA 和 Pfizer 展示了生成式模型能够减少一个困难的电路构建瓶颈，并生成可在 Helios 上执行的指令。他们的论文也明确记录了尚未解决的硬件精度问题。

即使其在 Google News 上的热度消退，这一研究仍值得持续关注。最有价值的下一步，不是再提出一项关于量子药物发现的宏大承诺，而是开展跨分子、达到化学精度的端到端测试，让科研团队能够将 GenQAI 与他们已信赖的工具进行比较。

对于开发者和企业研究负责人而言，眼下的行动很直接：跟踪基准测试，审视每项加速包含哪些环节，并追问量子处理器是否改变了科学结论。只有当这些答案超越电路生成，进入可重复的化学研究阶段，该框架才会成为工业工具。