开辟新思路!杭州的这家量子计算公司在AI for Science领域悄然做了几千万的业务

2026年,量子计算行业最反直觉的一幕发生在杭州——

一家名叫“无问清芯”的中性原子量子计算公司,没有靠“比特数军备竞赛”刷屏,却在联想、合肥市智能机器人研究院、联汇等头部客户那里,把量超融合算法、量子化学SDK、架构感知编译与实时纠错服务,悄然做成了几千万级的签约与在手订单。

它卖的不再是“一台量子计算机”。

它卖的是——AI for Science 里那一小段“经典算力算不动、但科学问题又必须算清楚”的深算内核。

(图片来自无问清芯官方公众号)

一、AI for Science的盲区:外层是模型,内层是物理

过去三年,AI for Science是高光赛道。

AlphaFold预测结构,大模型读文献,扩散模型生成分子,智能体设计实验——表面看,科学研究的每一个环节都被AI重写了一遍。

但懂行的人都知道,AI4S有一道看不见的天花板:

预测很多,验证很少;生成很快,算清很慢。

原因藏在物理底层。

当我们想真正“算清楚”一个科学问题时,最终都要回到一件事——写出系统的哈密顿量,并求它的本征态与演化。

比如一个药物分子与靶点蛋白的结合:

· 电子的动能、电子—核吸引、电子—电子库仑排斥,全部编码进一个巨大的算符$hat{H}$

· 分子的真实基态,是$hat{H}$最低本征值对应的波函数$|psi_0 angle$

· 而波函数生活在$2^N$维的希尔伯特空间里,N是轨道数

经典计算机靠密度泛函(DFT)近似,靠力场截断相互作用,靠经验把问题压小。可一旦碰到强关联电子体系——过渡金属活性中心、FeMoco固氮酶、铜基超导、多参考态分子——近似就开始系统性失真。

AI模型可以“拟合”出好看的结构,但拟合不出电子关联的真实能量面。

这里不是AI不行,是AI的外层再聪明,也绕不开内层那道“指数维度墙”。

而无问清芯的判断是:

AI for Science的下一阶段,不是更大的模型,而是给AI配一个能直接处理哈密顿量的量子协处理器。

二、二次量子化:把“分子”翻译进量子比特的语言

要理解无问清芯在AI4S里到底干了什么,必须先讲清楚一件有点“硬”的事。

经典化学里,分子是一堆原子坐标。

量子化学里,分子是一段波函数。

而量子计算里,分子必须先经过二次量子化(second quantization)。

步骤是这样的:

1. 从坐标到算符

把电子场写成产生算符$a_i^dagger$和湮灭算符$a_i$:

$$hat{H} = sum_{ij} h_{ij} a_i^dagger a_j + frac{1}{2}sum_{ijkl} V_{ijkl} a_i^dagger a_j^dagger a_k a_l$$

第一项是单电子项(动能+核吸引),第二项是双电子库仑排斥。

2. 从费米子到量子比特

通过Jordan-Wigner或Bravyi-Kitaev变换,把反对易的费米子算符映射成量子比特上的Pauli串($X/Y/Z$张量积)。于是:

· 一个分子=一个qubit Hamiltonian

· 一个电子构型=一组量子态

· 基态能量=变分线路求极小值

3. 交给VQE跑闭环

变分量子本征求解器(VQE)准备参数化线路$|psi( heta) angle$,在量子端测量$langlepsi|hat{H}|psi angle$,经典端用优化器更新$ heta$,反复迭代直到能量收敛到化学精度(<1 kcal/mol)。

这套流程里:

· 经典端:预处理、活性空间筛选、优化器、后处理

· 量子端:强关联波函数制备、多电子纠缠态采样

· 闭环:mid-circuit测量+实时反馈+参数续传

关键前提是——线路不能断。

VQE一轮迭代要跑几千次采样;一个药物分子要做几十轮收敛;一个材料筛选要并行跑成百上千个分子。

一旦原子丢失、阵列重排、测量散射,传统“装载—运行—重装”模式会让整个AI训练循环卡死。

而这,正好撞上无问清芯的主场。

(图片来自无问清芯官方公众号)

三、计算不停机:让量子内核能“嵌进AI的日活”

按照无问清芯创始人许一力的表述,公司的硬件底座,是biMeta-QCell™双真空腔五分区架构。

它不是“更多光镊”这么简单,而是把中性原子量子计算重新定义成一套可连续自愈的系统:

· 源区:磁光阱持续供原子

· 缓冲区:亚多普勒冷却至~140μK,分拣暂存

· 计算区:跑里德堡门,执行变分线路

· 测量区:独立非破坏读出,不污染计算区相干性

· 补位区:丢失位检测后微秒级换人

物理上允许“边算边补”,只是必要前提。

真正让它跑起来的是L0-L3全栈:

· L1架构感知算法:把VQE/QAOA改写成可中断、可修复、可接续的任务形态

· L2分区时序编译器:把逻辑线路翻译成里德堡脉冲、光镊搬运、加载光窗口的精确时序,避免门脉冲互炸

· L3量超操作系统:拓扑动态重映射、QEC调度中心、多租户SLA、异常自愈

这意味着当联想的AI制药管线生成1万个候选分子,无问清芯不是“跑一次演示”,而是:

后端量子内核7×24连续服务,分子一个接一个算,原子丢了补、线路断了续、错误出了纠——AI外层完全无感。

这就是“计算不停机”在AI4S里真正的商业价值:把量子从展品变成基础设施。

四、几千万业务是怎么来的:几个标杆场景

· 联想:量超融合算法订阅,超千万元合作

联想要的不是“量子概念”,是能嵌进混合式AI基础设施的可调用量子内核。

无问清芯交付的是:

· 量子算法库(VQE、QAOA、量子核、脉冲优化)

· 混合编排平台(RESTful/WebSocket API + Python SDK)

· 企业级订阅与调用计费

落地任务包括:

· 组合优化:多节点巡检路径、资源调度,映射为QUBO/Ising,QAOA提供全局寻优增强

· 量子化学:分子基态、配体结合能,反哺AI制药与材料筛选

· 控制优化:GRAPE脉冲重算,提升门保真度

联想的价值判断很清晰:量子不替代GPU,只在“解空间巨大但问题描述紧凑”的子任务上做高维加速。

· 合肥市智能机器人研究院:具身智能的量子小脑

机器人是AI4S里最“物理”的场景。

机械臂逆运动学、多自由度协同、柔性接触建模、多机路径规划——本质都是高维约束优化+物理仿真。

更关键的是“Agent科研闭环”:

机器人做实验→数据回流→AI重新规划→量子内核后台持续算下一步策略

没有“计算不停机”,这个闭环每几分钟就崩一次。无问清芯的OS把补位、纠错、解码全藏进流水线,让具身智能真正拥有“连续思考”的能力。

五、为什么是这几类场景先跑通

在采访中,创始人许一力也讲到,我们选客户相对非常克制,一开始尽量只做“量子真有用、AI真不够”的场景:

1. AI制药

· 细胞色素P450代谢、铁/铜活性中心、强关联配体

· 经典DFT误差3–5 kcal/mol,VQE压到1–2 kcal/mol

· 生成式AI出候选,量子算结合能,闭环把先导周期从6–12个月压到4–8周

2. 新材料与能源

· 室温超导、固态电池、催化、高熵合金

· 电子关联+指数组合空间

· 哈密顿量模拟交给量子,成分搜索交给QAOA+主动学习

3. 具身智能与机器人

· 逆运动学、柔顺控制、多机协同

· 高维约束优化,经典易陷局部最优

4. 工业视觉与多模态

· 高反光、微特征、小样本

· 量子核把特征空间拉到希尔伯特域

5. 金融与组合决策

· 投组权重、路径规划、风险边界

· Ising模型+QAOA

这些场景的共同特征:

问题可以用AI描述,但不能只用AI求解;需要把“物理系统的哈密顿量”或“解空间的组合结构”真正算进去。

六、一个更长的故事:AI for Science的“内核替换”

回头看,AI for Science或许会经历三代:

第一代:AI拟合科学

用神经网络逼近物理规律,快,但不具备第一性原理的可解释性。

第二代:AI生成科学

生成分子、生成晶体、生成实验方案,但验证环节仍是瓶颈。

第三代:AI+量子内核

外层Agent规划,中层经典大模型,内层量子算哈密顿量、解组合约束、做实时纠错。

按照许一力讲的,或许无问清芯押的就是第三代。

它的独特位置在于:

· 不抢GPU的活(经典预处理交给HPC)

· 只接管“希尔伯特空间里的那一步”——二次量子化、变分求解、里德堡脉冲、实时解码

用公司自己的话讲:

“我们不是量子版的英伟达,我们是AI for Science的量子协处理器。”

七、为什么这件事能长成万亿叙事

AI for Science的市场,不是量子计算设备的市场,而是“科研与产业研发效率重构”的市场:

· 全球新药研发每年烧掉两千亿美金,周期十年

· 新材料从实验室到产线平均5–8年

· 能源、催化、电池、半导体的突破,全卡在“算不清”

· 具身智能要真正进工厂,必须拥有物理仿真的量子级精度

这些领域的研发支出加起来是万亿级。

无问清芯几千万级订单的意义在于:

它证明了“量子计算≠未来故事”,而是今天就能进客户ERP、进AI管线、进机器人控制回路的可采购品。