超越 GPU 的想像：量子運算能帶 AI 起飛嗎？

近年來，人工智慧技術進步神速，從語言處理到圖像生成、各類的應用範圍越來越廣，同時也徹底改變了我們的生活和工作方式。然而，AI 的快速發展也帶來了對計算能力前所未有的需求、傳統硬體的效能提升已趨緩，摩爾定律帶來的晶體管密度紅利逐漸觸頂，處理器頻率受限於功耗與散熱瓶頸，就連 GPU 的成長速度也明顯放慢。AI 對算力的需求呈指數式暴增，到了難以持續的地步。

於是，大家開始把目光轉向量子電腦，期待它能突破傳統運算極限，為 AI 帶來飛躍性成長。

AI 的現況與算力瓶頸

許多人已經讓 AI 融入他們的工作：例如 OpenAI 的 ChatGPT 協助分析與文書、或是像有些人會使用 Cursor 或是 Claude 協助撰寫程式、還有無數的 AI 應用可以生成圖片或影片互動。這些技術的背後核心是大型語言模型（LLM）、以大量資料為基礎訓練而成。以 OpenAI 的 GPT-3 為例，訓練過程估計需要執行 3.14×10²³ 次浮點運算，是人類史上最複雜的計算任務之一（只是之一，以後只會更恐怖）。這種驚人算力需求讓科技公司不得不投入巨資在雲端 GPU 和 TPU 上，有些新創公司甚至花費超過八成經費在運算資源。

即便有像 DeepSeek 這種節省資源的 AI，算力瓶頸仍在──DeepSeek 這類技術，通常是透過演算法最佳化或模型壓縮降低算力需求。比方說，它可能用稀疏化（sparsity）讓模型只啟動部分參數，或者用知識蒸餾（knowledge distillation）把大模型的知識「濃縮」到小模型裡。根據 DeepSeek 官方說法，他們的模型能在保證性能的情況下，把計算成本降到傳統模型的幾分之一。

舉例來說，DeepSeek 就像把一台吃油超跑改成了省油小車，確實能在一定程度上緩解算力壓力。假設原本訓練一個大模型需要 1,000 萬美元的雲端算力，DeepSeek 的技術可能把成本砍到 300 萬美元，還能保持八成以上的準確度。這種節省算法對中小企業或研究團隊來說是福音，因為他們不用砸大錢也能玩 AI。但問題在於，這只是「減輕」瓶頸，不是「解決」瓶頸。為什麼呢？因為 AI 應用的野心和複雜度也在同步成長。

AI 的應用場景越來越廣，從聊天機器人到自動駕駛，再到醫療診斷，每個領域都想把模型做得更強、更精準。以自動駕駛為例，特斯拉的 AI 系統得即時處理攝影機、雷達傳來的大量資料，還要預測路況，算力需求輕易就超過一般雲端伺服器的負擔。即便 DeepSeek 能把模型壓縮，這些應用還是需要處理更多資料、更複雜的運算，省下的算力很快又被新需求吃掉。

另外一方面，傳統硬體的效能成長正在趨緩。摩爾定律帶來的晶體管密度提升已接近極限，處理器頻率受功耗與散熱限制，連 GPU 的效能成長也開始趨緩。研究顯示，為了提高 AI 模型的準確度，往往只能靠增加算力和擴大模型規模來實現，這導致 AI 對計算資源的需求呈指數式暴增，已到難以承受的地步。雖然硬體加速和演算法優化能稍微緩解壓力，但 AI 發展正面臨前所未有的算力瓶頸。於是，量子電腦被視為潛在解方，期望其突破傳統運算限制，為 AI 開闢新天地。

▲ 量子 AI 市場主要是以研發為主，沒有商業應用。（Source：artsmart）

量子電腦如何為 AI 加持

量子電腦與傳統電腦的運作方式截然不同。傳統電腦用位元（bit）表示 0 或 1，量子電腦則用量子位元（qubit），能透過疊加（superposition）同時處於 0 和 1 的狀態。例如，兩個量子位元可同時處理四種狀態組合，三個則是八種，n 個量子位元能表示 2ⁿ 種狀態，這種指數級擴張賦予量子電腦強大的並行計算潛力。此外，量子糾纏（entanglement）讓多個量子位元的狀態緊密相連，測量其一會立即影響其他量子，增強了協同運算能力。

這種特性對 AI 有何幫助？Google 量子 AI 實驗室創辦人 Hartmut Neven 曾說：「先進 AI 將從量子運算中大幅受益。」以訓練大型語言模型為例，這類任務需要龐大時間和算力，量子電腦的並行處理能力可能將訓練時間從數週縮至數天。此外，AI 主要依賴找出模式並辨識，而能同時處理多種可能性的量子運算，或許能提升圖像、語音識別的準確度。生成式 AI 也有望因量子助力處理更多資料，生成更逼真的內容。在決策場景中，例如藥物研發或氣候建模，量子電腦能同時測試無數變數，幫助科學家更快找到最佳解。

例如 2019 年，Google 的 53 量子位元「Sycamore」處理器在 200 秒內完成傳統超級電腦需 1 萬年的任務。雖然這與 AI 無直接關聯，但展示了量子運算的潛力。2022 年，維也納大學團隊用光子量子處理器加速強化學習，讓機器人更快學會走迷宮，證明量子疊加能提升學習效率。

當前進展與初步成果

由於大型容錯量子電腦尚未臨近，各方多預測短期內最可行的模式是「混合量子經典計算」，即將大部分深度學習的訓練與資料處理交由 GPU / CPU 完成，只有小部分最耗算力或最能發揮量子優勢的子任務交由量子處理器（QPU）加速。Google、IBM 亦在研發量子軟硬體協同架構，如 TensorFlow Quantum 或 Qiskit Runtime，讓開發者調用雲端量子資源。Nvidia GTC Quantum Day 也特別提到，市場期待未來 GPU 與 QPU 共同承擔深度神經網路或強化學習的運算──儘管目前的量子位元規模只有幾十至數百個，但若能針對組合優化、線性代數等環節實現加速，各類包括醫療、金融、物流、國防應用都可能搶先受益。

醫療方面，量子模擬可大幅加速分子與蛋白質交互作用的分析，有助新藥研發與疾病機理理解。「維也納大學」的研究團隊在 2022 年曾用光子量子處理器測試量子強化學習，讓機器人同時探索多條路徑，更快學會迷宮走法，被視為量子疊加有助於複雜決策的證明。金融市場關注量子電腦能以指數方式優化蒙地卡羅模擬、投資組合配置、期權定價與詐騙偵測。美國與歐洲多家金融機構正在評估量子近似最佳化演算法（QAOA）的可行性，若能大規模部署，將重新定義高維度交易環境的風險管理流程。

波音的量子感測器試驗展現超精準導航潛力、量子模擬可能將新藥開發週期從 15 年縮至五年；金融領域，量子蒙地卡羅演算法能快速評估市場情境、提升風險管理效率。這些進展顯示量子 AI 運算正在進行更多測試，雖然許多應用都已經現有的 AI 能處理的問題，但量子 AI 可以加速或將這些應用變得更強大。Google 的 Willow 計畫在量子位元技術與錯誤修正取得進展，全球量子技術投資 2023 年已超過 300 億美元，且十年內加速成長。

產業應用的可行性：醫療、金融、能源與軍事

軍事與國防，量子加密與量子解密為關鍵。量子技術若能破解現今廣泛使用的 RSA 或 ECC 加密，勢將造成全球通訊與網路金融體系的重大衝擊。據「Quantum Apocalypse Is Coming. Be Very Afraid」一文所述，人們將 Q-Day 定義為量子電腦能即刻破解既有加密系統的那一天，而這在地緣政治層面將引發嚴重後果。若某個國家率先完成可用於軍事情報分析或密碼破解的量子裝置，恐造成世界秩序洗牌。美中雙方皆積極布局量子通訊衛星與量子感測器，美國更有《國家量子倡議法案》提供大筆資金，也對中國量子企業祭出投資限制措施。歐洲與日本等地亦透過政府計畫推動量子研究。

一旦有人建成可以運行 Shor 演算法（可破解 RSA 加密的演算法）的大型量子電腦，絕大部分的傳統加密方式都可能遭到破解。無論是網銀交易、敏感軍事報告、甚至私密訊息、虛擬貨幣錢包都可輕鬆破解。最恐怖的是，當破解方式一旦確立，不見得會以劇烈的全球大恐慌呈現，更可能以在暗處以潛伏的方式、進行資料竊取與關鍵基礎設施的定向攻擊，也可能一舉釋出龐大資料造成全面恐慌。這種威脅促使像美國國家標準技術研究院（NIST）等機構致力推動「後量子加密演算法」標準化，包含利用高維度晶格或其他量子難解問題為新加密基礎。若企業與政府無法及時換用抗量子密碼，將面臨龐大風險。

也有陰謀論說，許多國家級單位或許早就在祕密蒐集大量加密資料，等待量子電腦成熟後再集中破解，導致資訊安全出現「現在攔截、未來解密」的嚴峻局面。美國海軍戰爭學院前教授 Chris Demchak 的分析就指出，一旦對手能即時破解軍事通訊，可能在潛艇部署、衛星監控、飛彈配置等核心領域掌握致命優勢。甚至連比特幣區塊鏈也可能一夕崩潰，因為現行的橢圓曲線加密遭量子電腦攻破後，惡意分子可盜領持有者的加密資產。

挑戰與現實限制

量子 AI 要飛躍性成長並不容易，硬體是最大瓶頸。一般電腦資料是用 0 和 1 位元存儲，位元很穩定，弄錯機率很低。但量子電腦是疊加態量子位元（qubit），它們很特別，能同時是 0 和 1，還能跟其他量子位元糾纏。問題是，量子位元超級敏感，外界一點小干擾，比如溫度變化、磁場抖動、甚至旁邊有個電子亂跑，都可能讓資料失去原本的狀態不準確，就叫「去相干」（decoherence），導致運算結果錯得亂七八糟，所以需要「糾錯」救場，糾錯就是用好幾個量子位元「保護」一個重要量子位元，資訊分散出去，這樣就算有幾個壞掉，還能用剩下的拼回來。

這種技術叫「量子誤差修正碼」（quantum error-correcting code）。比如有名的「Shor 碼」，是用九個量子位元保護一個，讓錯誤率降至可接受範圍。但這也有代價，多了「備份」，量子電腦需要的量子位元數量就得多好幾倍，控制起來也更麻煩。

目前量子處理器僅有數十到數百個量子位元，且屬「噪聲中等規模量子」（NISQ）裝置，未能實現糾錯。專家估計，實用AI應用需上百萬個穩定量子位元，但打造如此規模的設備在物理和工程極為困難──量子位元極脆弱，需在接近絕對零度的環境下運作，擴展性受限。Google 的 Julian Kelly 預估五年內可能有初步應用，IBM 計劃 2029 年前推出數百個糾錯量子位元系統，但多數學者認為大規模應用還需十年以上。

▲ Google 的量子 AI 實驗室。

飛躍的希望還是炒作多於現實？

量子電腦的問題除了技術，還有實現難度與瓶頸：NVIDIA 2025 GTC 宣布要蓋量子運算研究室，顯示業界對量子運算信心滿滿，Quantum Day 讓股票如 D-Wave Quantum 活動期間上漲 9.4%；不少大企業的量子實驗、論文、強化學習成果都能為量子 AI 的可行性背書。技術成熟會大幅縮短訓練模型的時間、各大 AI 應用領域也將有顯著進步。

但當前量子 AI 相關研究多為實驗室展示、缺乏商用應用，且硬體穩定性不足以支撐大規模 AI 模型，且加密破解風險也令人擔憂，Wired 報導指出，Shor 演算法若實現，可能讓 RSA 加密崩潰，衝擊金融與隱私安全。有預估 2035 年之前，會有三分之一機率讓量子電腦有重大突破，但現階段看來的量子 AI 難以有立即的可行性發展。

不過量子研究的確是全球重點項目，中國以舉國體制投入、美國透過國家量子倡議法參與，企業如 Google、IBM、微軟等大公司也積極布局。歐盟也有持續投入數億歐元的量子旗艦計畫。未來隨著量子位元規模提升、得以在特定領域實現糾錯時，少數領域可能率先應用量子 AI。但要全面改變 AI 格局的時間還難以預測，在此之前，量子位元結合傳統硬體的運算方式可能成為過渡方案。

（首圖來源：shutterstock）