霸權 vs 有用的優勢
有兩個說法經常被混為一談，我們先把它們說清楚。量子霸權指的是量子電腦在*某項*任務上的速度超過了任何經典電腦所能達到的速度——哪怕這項任務是人為造出來、毫無用處的。這是一個物理學上的里程碑：證明硬體能夠進入一個經典機器難以跟上的領域。有用的量子優勢則是一個高得多的門檻：在解決人們真正想解決的問題上，比最好的經典方法更快、更便宜或更好。前者在一項人為設計的任務上可以說已經得到了證明。後者在任何實際問題上都還沒有被清楚地實現，而這道鴻溝正是本指南要講的全部故事。
打個比方：想像有一台機器，能以一種獨特而古怪、沒有任何人或電腦能預測或複現的方式洗一副牌。這確實很難，也確實新奇——但沒有人需要那種特定的洗牌結果。證明你*能*做到這件無法模仿的事，就是霸權。做一件銀行、化學家或物流規劃師願意為之買單的事，才是優勢。這是兩種不同的主張，而把它們混為一談，正是量子新聞誤導你的最常見方式。
那些採樣實驗
那些上了頭條的演示都是採樣實驗。這個想法很巧妙：構造一個由隨機閘組成的量子線路，運行它，然後測量輸出。由於量子位元的振幅以一種複雜的方式發生干涉，所測得的位元串分布對經典電腦來說極難複現。你並不是在要求這台機器算出一個有用的答案——你是在要求它從一個由量子硬體本身所定義的分布中產生樣本。整件事的關鍵在於：人們相信，用經典方法模擬那個分布所需的時間長到不切實際。
谷歌 2019 年的 Sycamore 實驗用了 53 個超導量子位元，宣稱一項經典超級電腦要花上數千年的任務，它大約 200 秒就完成了。後來，光子實驗（九章）和規模更大的超導實驗，用一項相關的、叫做玻色採樣的任務做出了類似的宣稱。這些都是在真實的 NISQ 時代硬體上完成的、嚴謹的真實實驗——這些機器有雜訊，沒有糾錯。最後這一點很重要：這些結果依賴於雜訊的*具體細節*，而不是一次乾淨的、容錯的計算。
它們證明了什麼、又沒證明什麼
它們真正展示的是：一台可程式化的量子裝置能夠被驅動進入一個其行為難以用經典方法模仿的領域，並且在這個領域裡，計算的量子本質——許多量子位元之間的疊加與干涉——確實在發揮實質性的作用。這是一個有意義的工程與物理結果。它是一個證據，說明把這些機器擴大規模是值得去追求的。
它們沒有展示的是：任何有用的計算、任何Shor式的對密碼學的威脅，甚至連一道永久的經典-量子鴻溝也算不上。來自經典陣營的反擊既猛烈又有效。在 Sycamore 之後，改進的經典演算法、對大規模算力的巧妙運用（以及張量網路方法）大幅削減了估算出的模擬時間——在某些分析中，從數千年降到了幾天甚至更短。誠實的總結是：這是一個*移動的靶子*——每一個量子宣稱都會招來一次經典反攻，而那條邊界一直在移動。
有用的優勢可能最先出現在哪裡
如果人為設計的採樣沒什麼用，那麼*真正的*優勢可能出現在哪裡？最可信的早期候選是量子模擬——用一個可控的量子系統去研究另一個量子系統，比如分子和材料。這正是量子計算最初的設想，也恰好發揮了這類機器的天然強項：在經典電腦上模擬量子化學，正是那種規模一上去就難以承受的問題。諸如 VQE 和 QAOA 這樣的近期方法，試圖從今天這些有雜訊的硬體中榨取價值，不過到目前為止，它們還沒有決定性地擊敗最好的經典方法。
對於另外那些常被引用的「應用場景」，要當心。Grover 演算法對於無結構搜尋只能帶來二次加速（大致是 √N 而不是 N）——理論上有幫助，但很容易被運行一台量子電腦的額外開銷抵消掉，所以它很少是穩贏的一手。那種戲劇性的*指數級*加速，只侷限於像透過 Shor 演算法做因數分解這樣的特殊結構化問題，而這些都需要尚不存在的、大規模的容錯機器。你將看到的大多數關於最佳化和機器學習的「量子優勢」宣稱，要麼是推測性的，要麼尚未得到證明。
一份懷疑者的核對清單
要給一條量子優勢的標題做壓力測試，你並不需要一個物理學學位。你只需要問幾個尖銳的問題。重點不在於憤世嫉俗——量子計算是真實的，也在不斷進步——而在於把一個真正的結果和行銷話術區分開來，把一個人為設計的基準測試和任何人真正會遇到的問題區分開來。
- 這項任務是有用的，還是人為造出來的？把一個隨機線路採樣得更快，不等於解決了一個有人願意為之買單的問題。問一問：到底回答了什麼真實的問題？
- 它是在和什麼作比較？這個宣稱應該是在*好的*經典硬體上擊敗了*已知最好的*經典演算法——而不是去比一個故意挑得很慢、顯得低能的基準。
- 是二次加速還是指數級加速？一個 √N（二次）加速常常會被額外開銷吃掉。只有結構化的、指數級的加速（Shor 式的）才明顯具有變革性——而它們需要我們尚未擁有的硬體。
- 它需要容錯嗎——而他們有嗎？如果這個宣稱悄悄地假定了大量經過糾錯的邏輯量子位元，那它就是一個關於未來的預測，而不是從今天的 NISQ 機器上得出的結果。
- 它扛過經典陣營的反擊了嗎？一個「經典上不可能」的結果是一場賭注。查一查：在那之後，改進的經典演算法是否已經把差距追平了——它們經常會。