最佳化的夢想
最佳化無處不在：為送貨卡車規劃路線、安排航班、調配投資組合、摺疊蛋白質、佈局晶片。在每一種情形裡，你都是在一個極其龐大的候選答案空間中，尋找那個代價最小（或收益最大）的答案。可能性的數量往往會爆炸式增長——對 *n* 個選擇，它可以像 2 的 *n* 次方那樣增長——所以暴力窮舉毫無希望，連聰明的古典方法在最棘手的實例上也會力不從心。
人們很容易抱有這樣的期望：量子計算機能夠一次性掃過每一個選項，然後把最好的那個交還給你。事實並非如此。量子機器持有許多候選答案的疊加態，但一次測量只會返回其中一個，其機率由該答案的振幅決定。唯一的取勝之道，是把計算安排成讓干涉把振幅推*向*好答案、推*離*壞答案——而即便做到了這一點，也不保證你就能勝過一個強大的古典求解器。
QAOA
QAOA——量子近似最佳化演算法（Quantum Approximate Optimization Algorithm）——是閘模型陣營裡最受矚目的方法。首先，你把問題改寫成一個能量函數（一個「代價漢米頓量」），它的最低能量態就編碼著最優答案。然後，你搭建一個淺層線路，交替施加兩類層：一個為好答案打上相位標記的「代價」層，以及一個把振幅四處散佈、好讓干涉發揮作用的「混合」層。這種成對的層重複的次數，稱為深度 *p*。
每一層都帶有可調的角度。QAOA 是一種混合演算法：量子計算機負責製備狀態並對其測量，以估計代價；而一個*古典*最佳化器則調整這些角度以降低代價，兩者來回循環。它是 VQE 的近親——兩者都是變分的，都依賴一個古典循環，都旨在容忍當今硬體的雜訊、而非與之硬碰硬。在每一輪裡，你每次測量（shot）仍然只得到一個位元串，所以你要取樣許多次，並保留其中最好的。
這套理論確實誘人：隨著深度 *p* 增加，QAOA 原則上可以逼近最優解，而在無限深度下，它又與退火背後的思想相通。問題出在實踐上。在 NISQ 機器上，更深的線路意味著更多的閘、更多的雜訊、更嚴重的去相干，與此同時古典的角度調優也變得更難，並可能困在糟糕的局部極小值裡。實踐中，QAOA 已經在一些小問題上跑過，但相對優秀古典最佳化器的一個明確、可擴展的勝績尚未被展示出來。
量子退火與 D-Wave
量子退火走的是另一條路。它不去搭建閘線路，而是使用類比式的專用硬體——其中最著名的來自 D-Wave——讓系統在物理上自行沉降到一個低能量態。你讓系統從一個容易準備的基態出發，再緩慢地把它演化成編碼你問題的那個漢米頓量；只要走得足夠慢、足夠溫和，系統就傾向於始終停留在接近最低能量處，最終落在接近最優答案的地方。這類問題通常以 QUBO 或 Ising 形式表達。
D-Wave 的機器號稱擁有數千個量子位元，聽起來比閘模型晶片要大得多。但這並不是同一標準下的對比。退火機不是通用的——它們跑不了 Shor 演算法，也跑不了一般線路——而且受限於稀疏的連通性（所以真實問題必須經過「嵌入」，往往每個邏輯變數都要耗費許多個物理量子位元），還受限於雜訊。它們是直直瞄準這一件事的專用機器。
未經證明的優勢：一個警示
這就是整個話題最誠實的內核。對於最佳化，沒有任何證明表明量子方法相對最優古典演算法能給出漸近加速——這與 Shor 演算法不同，後者在一個*有結構*的問題（因數分解）上擁有明確的指數級優勢。最佳化要混亂得多：這些問題沒有結構，或只有鬆散的結構，而古典求解器極其優秀，又經過了數十年的打磨。
對你會聽到的兩種說法要小心。第一，量子硬體並不「同時嘗試所有答案再挑出最好的」——你只測量一次，得到一個樣本。第二，連那些著名的量子加速也是有上限的：Grover 式的振幅放大只是平方級加速（大致是搜尋空間的平方根），並非指數級，而在實踐中，雜訊和額外開銷很容易就抹掉一個僅僅是平方級的優勢。QAOA 和退火甚至連一個有保證的平方級加速都談不上——它們的好處是經驗性的、因情形而異的。
它可能在哪裡見效
這一切並不意味著這個領域沒有希望——它意味著我們應當說得具體些。誠實的期望落在那些小眾問題上：它們的結構恰好契合量子動力學，哪怕只是一個不大、但經過充分驗證的加速也會很有價值；又或者，量子取樣器能快速給出異常優秀的*近似*解。研究者們正在探查投資組合最佳化、某些排程與物流實例，以及那些天然就能映射成 Ising 形式、帶有物理味道的問題。
記住更大的圖景也會有幫助。普遍預期中，最清晰的近期量子回報是模擬量子系統——化學與材料——而非一般的最佳化，因為大自然本就是量子的，這些問題天生契合。最佳化或許終究能找到屬於它的一隅，但那大概會是一個需要容錯、時間跨度更長的故事，而不是 NISQ 時代的一記穩贏灌籃。