优化的梦想
优化无处不在：为送货卡车规划路线、安排航班、调配投资组合、折叠蛋白质、布局芯片。在每一种情形里，你都是在一个极其庞大的候选答案空间中，寻找那个代价最小（或收益最大）的答案。可能性的数量往往会爆炸式增长——对 *n* 个选择，它可以像 2 的 *n* 次方那样增长——所以暴力穷举毫无希望，连聪明的经典方法在最棘手的实例上也会力不从心。
人们很容易抱有这样的期望：量子计算机能够一次性扫过每一个选项，然后把最好的那个交还给你。事实并非如此。量子机器持有许多候选答案的叠加态，但一次测量只会返回其中一个，其概率由该答案的振幅决定。唯一的取胜之道，是把计算安排成让干涉把振幅推*向*好答案、推*离*坏答案——而即便做到了这一点，也不保证你就能胜过一个强大的经典求解器。
QAOA
QAOA——量子近似优化算法（Quantum Approximate Optimization Algorithm）——是门模型阵营里最受瞩目的方法。首先，你把问题改写成一个能量函数（一个“代价哈密顿量”），它的最低能量态就编码着最优答案。然后，你搭建一个浅层线路，交替施加两类层：一个为好答案打上相位标记的“代价”层，以及一个把振幅四处散布、好让干涉发挥作用的“混合”层。这种成对的层重复的次数，称为深度 *p*。
每一层都带有可调的角度。QAOA 是一种混合算法：量子计算机负责制备状态并对其测量，以估计代价；而一个*经典*优化器则调整这些角度以降低代价，两者来回循环。它是 VQE 的近亲——两者都是变分的，都依赖一个经典循环，都旨在容忍当今硬件的噪声、而非与之硬碰硬。在每一轮里，你每次测量（shot）仍然只得到一个比特串，所以你要采样许多次，并保留其中最好的。
这套理论确实诱人：随着深度 *p* 增加，QAOA 原则上可以逼近最优解，而在无限深度下，它又与退火背后的思想相通。问题出在实践上。在 NISQ 机器上，更深的线路意味着更多的门、更多的噪声、更严重的退相干，与此同时经典的角度调优也变得更难，并可能困在糟糕的局部极小值里。实践中，QAOA 已经在一些小问题上跑过，但相对优秀经典优化器的一个明确、可扩展的胜绩尚未被展示出来。
量子退火与 D-Wave
量子退火走的是另一条路。它不去搭建门线路，而是使用模拟式的专用硬件——其中最著名的来自 D-Wave——让系统在物理上自行沉降到一个低能量态。你让系统从一个容易准备的基态出发，再缓慢地把它演化成编码你问题的那个哈密顿量；只要走得足够慢、足够温和，系统就倾向于始终停留在接近最低能量处，最终落在接近最优答案的地方。这类问题通常以 QUBO 或 Ising 形式表达。
D-Wave 的机器号称拥有数千个量子比特，听起来比门模型芯片要大得多。但这并不是同一标准下的对比。退火机不是通用的——它们跑不了 Shor 算法，也跑不了一般线路——而且受限于稀疏的连通性（所以真实问题必须经过“嵌入”，往往每个逻辑变量都要耗费许多个物理量子比特），还受限于噪声。它们是直直瞄准这一件事的专用机器。
未经证明的优势：一个警示
这就是整个话题最诚实的内核。对于优化，没有任何证明表明量子方法相对最优经典算法能给出渐近加速——这与 Shor 算法不同，后者在一个*有结构*的问题（因数分解）上拥有明确的指数级优势。优化要混乱得多：这些问题没有结构，或只有松散的结构，而经典求解器极其优秀，又经过了数十年的打磨。
对你会听到的两种说法要小心。第一，量子硬件并不“同时尝试所有答案再挑出最好的”——你只测量一次，得到一个样本。第二，连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级加速（大致是搜索空间的平方根），并非指数级，而在实践中，噪声和额外开销很容易就抹掉一个仅仅是平方级的优势。QAOA 和退火甚至连一个有保证的平方级加速都谈不上——它们的好处是经验性的、因情形而异的。
它可能在哪里见效
这一切并不意味着这个领域没有希望——它意味着我们应当说得具体些。诚实的期望落在那些小众问题上：它们的结构恰好契合量子动力学，哪怕只是一个不大、但经过充分验证的加速也会很有价值；又或者，量子采样器能快速给出异常优秀的*近似*解。研究者们正在探查投资组合优化、某些排程与物流实例，以及那些天然就能映射成 Ising 形式、带有物理味道的问题。
记住更大的图景也会有帮助。普遍预期中，最清晰的近期量子回报是模拟量子系统——化学与材料——而非一般的优化，因为大自然本就是量子的，这些问题天生契合。优化或许终究能找到属于它的一隅，但那大概会是一个需要容错、时间跨度更长的故事，而不是 NISQ 时代的一记稳赢扣篮。