为何量子微调是AI电力危机的可扩展解决方案

# IonQ | 为什么量子微调是AI能源危机的可扩展解决方案 来源：https://www.ionq.com/blog/why-quantum-fine-tuning-is-the-scalable-answer-to-ais-power-crisis AI的快速增长已经给全球电网和企业利润带来压力。未来的部署将需要在控制能源消耗和成本方面做出调整。一个潜在的解决方案在于离子阱量子系统，该系统在不牺牲精度的前提下展现出令人印象深刻的能效。 传统的AI计算效率衡量指标侧重于速度，即每秒浮点运算次数（FLOPS）。另一种指标——能量到解决方案（ETS），则更真实地反映了AI基础设施和部署的实际成本。 在提交给IEEE量子周会议的新研究（预印本可见于 https://arxiv.org/abs/2605.02798）中，IonQ的Knitter等人（2026）与QuantumBasel及量子计算与量子相干中心的研究人员合作，优先测量了IonQ离子阱硬件的ETS，而非理论上的原始FLOPs。他们证明了存在一个交叉点，在该点量子驱动的计算比经典计算机模拟在能量上更有利。虽然具体的量子比特交叉点因实验设置而异，但此类交叉点的存在本身就充满希望，标志着可持续、量子增强的企业AI基础设施的开端。 本简报分析了量子微调（即使用量子而非经典算法对预训练语言模型进行微调）如何帮助解决AI能源消耗问题。通过利用离子阱系统原生高门保真度和全连接特性，量子微调为实现量子实用价值提供了一座实用的近期桥梁。 ### **AI的碳墙问题** 作为生成式AI的基石，训练和运行大型语言模型（LLM）消耗大量能源。GPU和CPU到目前为止可能还能胜任，但下一代工作负载无法仅依靠硅基硬件可持续扩展，很可能会遭遇“碳墙”瓶颈。 因此，所有人的目光都投向量子硬件，将其作为AI领域中的（非碳）算力补充，适用于极其复杂的计算工作负载。 在该研究中，IonQ研究人员表明，行业无需等待十年才出现完全容错系统。相反，量子微调可以作为通往完全容错的实用近期桥梁。它依赖于误差缓解技术，这些技术与编译器协同设计，因此针对IonQ的硬件架构量身定制，以减轻运行噪声并从现有量子硬件中提取显著效用。 ### **优先考虑能量到解决方案（ETS）而非FLOPS** 传统的碳基计算主要优先考虑速度，但随着企业因AI密集型工作负载的能源成本而感到价格冲击，这种关注点可能正在演变。ETS指标衡量能源消耗，更全面地反映了企业对AI的成本，很可能将主导未来十年的相关基础设施投资。 在该研究中，IonQ研究人员在IonQ Forte（https://www.ionq.com/quantum-systems/forte）——一个36量子比特的离子阱系统——上进行了量子运行。为了精确测量ETS，团队利用系统的电气监控和日志记录功能来测量功耗和总耗时。利用这些参数，他们计算了所有提交作业消耗的能量（以焦耳为单位）。研究人员没有依赖理论估算，而是获得了在量子工作负载期间连续收集的精确物理测量值。 量子运行还带来了额外优势：依赖于实际的IonQ Forte硬件而非模拟。 这一点很重要，因为当由GPU和CPU组成的经典硅基计算机模拟量子等效物时，它必须考虑希尔伯特空间的大小（大致定义为系统的所有可能状态）。希尔伯特空间相对于量子比特数量呈指数级增长，而GPU和CPU远远不够用，因为即使只有50个量子比特，也需要映射接近千万亿个振幅。 正如IonQ研究人员所做的那样，直接在离子阱系统的硬件层实现框架，在大多数情况下使用了离子阱系统，只有在目前无法使用真实硬件时才使用模拟器。 ### **混合处理流水线架构** IonQ研究人员使用了一个预训练的句子转换器模型，来演示在混合AI基础设施中离子阱量子计算机可以执行哪些机器学习任务。 他们将特征提取、从神经网络解码语义含义等任务路由到CPU和GPU的经典计算。为复杂分类或优化任务创建的嵌入向量则传递给量子处理单元（QPU），后者生成决策得分并回传给经典系统。 实际上，混合流水线依赖于经典基础模型进行初始特征提取，而QPU捕捉经典模型可能错过的相关性。 为了提高量子计算的精度，IonQ研究人员使用专门的非线性滤波技术消除了硬件噪声。他们以25种不同方式执行每个逻辑量子电路；每个版本执行相同的计算，但以不同的方式映射到量子比特上。然后，滤波技术评估并过滤掉25个不同答案中可能与硬件噪声相关的尖峰。滤波器对那些仅在少数计算中表现突出的结果赋予较低的权重。滤波的前提是：底层信号在所有电路变体中很可能表现突出，而硬件特定噪声更可能仅在少数变体中表现突出。这为在重建真实信号时保留或丢弃哪些读数提供了标准。 最终结果是，即使在扩展到噪声更大的量子比特区域时，相比纯经典计算模型，误差也降低了24%。 ### **线性与指数缩放悖论** 由于ETS是关键指标，IonQ研究人员比较了经典计算模拟和Forte企业处理器上量子运行的能量需求。他们发现，在Forte上，能耗随量子比特数量线性增长。然而，在GPU上进行的经典模拟中，同一指标呈指数增长。 这种显著差异是因为模拟必须实际将量子比特的每个振幅和状态转录到GPU上，而不是使用实际的物理硬件。 关键的效能交叉分析预测，在34量子比特时，生产工作负载将达到明确的能量盈亏平衡点。虽然该数字取决于硬件和工作负载，但作为一般规则，在近期规模下，在量子处理器上执行工作负载比经典模拟计算更加节能。这是我们能够缩小量子硬件与经典模拟之间差距的地方。 虽然量子比特数量增加带来的噪声增加通常是一个问题，但研究人员对Forte企业处理器使用了滤波技术来应对这一挑战。该硬件在18量子比特下实现了99.1%的门保真度基准，证明了含噪声中等规模量子（NISQ）系统已准备好用于直接的生产级任务。 我们的经验硬件测量表明，量子增强的微调不仅匹配经典基线，更打破了功率与性能之间的传统权衡。正如Futurum集团CEO Daniel Newman在对此研究的分析（https://futurumgroup.com/insights/quantum-fine-tuning-and-the-energy-case-for-quantum-in-ai/）中指出的那样，我们的数据确立了一个明确的“能量盈亏平衡”阈值，大约在34量子比特。超过这一点，IonQ离子阱架构的线性能量缩放将超越经典模拟的指数能量曲线。在一个越来越以瓦特衡量智能的市场中，这种第三方验证证明准确性和能效终于可以朝同一方向前进。 ### **优化总拥有成本** 鉴于这些进展，一项有效的企业战略可能是通过量子加速数据中心来利用QPU。编排软件可以指导分层工作负载：CPU负责编排和业务逻辑，GPU负责基础模型和推理。QPU最适合专门的优化和分类工作负载，如供应链规划、投资组合优化，以及分子模拟、材料发现和化学反应建模等高级科学计算问题。 在数据中心能源消耗似乎永无止境且相关成本不断上升的时期，企业越来越难以忽视AI基础设施的总拥有成本（TCO）。采用量子微调有助于实现ESG目标，同时控制AI部署费用。 随着时间的推移，预计数据中心将朝着将QPU集成到其现有CPU和GPU技术栈的方向发展。最终针对AI工作负载和能效进行优化的架构，将包含集成的量子加速高性能计算节点。 ### **硬件与应用同步发展** 正如IonQ研究所展示的，企业无需等待完全容错的量子计算机。通过将硬件驱动的纠错与软件驱动的误差缓解相结合，量子微调使得从今天的离子阱量子计算机中提取量子实用价值成为可能。 关键在于同步硬件改进（如量子比特数量和门保真度）与软件微调，以最大化最终用户的解决方案质量。下一代量子比特的推出将需要这种同步，以便即使在量子计算机经历含噪声中等规模阶段时，也能从中提取最大效用。 随着量子微调的优势稳固确立，企业甚至可以利用今天的量子硬件来提升计算效率。受到AI部署能源成本上升困扰的企业，或许可以立即将QPU添加到其技术栈中，从而在全球数据中心能源危机（预计到2027年将阻碍传统经典竞争对手）中保持领先。