网龙AI生产力联合国首秀，“AI+教育”大有可为

2025年6月6日，2025全球人工智(zhì)能技术大会（GAITC2025）专场(zhuānchǎng)活动之一的量智融合专题活动在杭州(hángzhōu)召开，活动由中国人工智能学会联合(liánhé)北京玻色(bōsè)量子(liàngzǐ)科技有限公司（以下简称“玻色量子”）、广东(guǎngdōng)纬德信息科技股份有限公司（以下简称“纬德信息”）共同举办。国务院参事、清华大学信息科学技术学院院长、北京信息科学与(yǔ)技术国家研究中心主任、中国人工智能学会理事长戴琼海作为名誉主席与杭州未来(wèilái)科技城管委会党工委委员励波现场致辞，中国科学院计算技术研究所研究员孙晓明(sūnxiǎomíng)与玻色量子创始人&CEO、粤港澳大湾区（广东）量子科学中心PI研究员文凯博士作为主席联合主持。 活动现场，戴琼海理事长、玻色(bōsè)量子(liàngzǐ)创始人&COO马寅以及国家万人计划(jìhuà)领军人才、国家科技创新人才、广州市杰出人才、纬德信息创始人尹健(yǐnjiàn)携手发布“‘CAAI-玻色’量子计算(jìsuàn)应用创新基金”，这是由中国人工智能(réngōngzhìnéng)学会与我国量子计算公司首次发起的“量子计算+AI”揭榜挂帅项目，也是量子计算首次融入人工智能生态圈的标志性起点。 上海交通大学(shànghǎijiāotōngdàxué)二级(èrjí)教授、国家(guójiā)杰青获得者熊红凯，清华大学教授、北京量子(liàngzǐ)信息科学研究院副院长龙桂鲁，中国科学院计算技术研究所研究员孙晓明、西安电子科技大学华山特聘教授、CAAI教育工委会副秘书长李阳阳、浙江大学计算机学院百人计划研究员卢丽强(lúlìqiáng)、上海交通大学助理研究员肖太龙、玻色量子研发总监高奇等出席了此次活动并发表了精彩演讲(yǎnjiǎng)。 在以“量子(liàngzǐ)(liàngzǐ)计算+AI：下一代颠覆性技术的(de)(de)融合革命”为议题的圆桌对话上，熊红凯教授、龙桂鲁教授、文凯博士围绕(wéirào)专用量子计算机、量子-经典混合AI算法、量子原生AI“玻尔兹曼(bōěrzīmàn)机”等技术的发展优势与挑战等进行了深入探讨。此次人工智能领域的众多(zhòngduō)顶尖学者与玻色量子的顶级技术专家共研“量子计算+AI”的学科交叉基础理论、算法构建、硬件设计和场景验证技术创新等工作，引起了业内外顶尖专家、优秀学者的高度关注与广泛支持。 玻色量子创始人(chuàngshǐrén)&CEO文凯博士主持 戴琼海(qiónghǎi)理事长：量子计算与AI的交汇(jiāohuì)融合，引领新一轮科技创新的浪潮 戴琼海理事长表示，非常高兴参加2025全球人工智能技术(jìshù)大会专场活动之一量质融合专题活动，共同见证“CAAI-玻色”量子计算应用创新基金的正式发布，这(zhè)将能带来不一样(yīyàng)的成果产出和人才培养。我谨(wǒjǐn)代表中国人工智能学会(xuéhuì)，也以一名科技工作者的身份(shēnfèn)对基金的设立表示祝贺，对玻色量子在推动(tuīdòng)前沿科技融合方面(fāngmiàn)的积极探索(jījítànsuǒ)给予更高的赞赏。当前的人工智能和量子计算正在分别经历深刻的变革，这两个方向都是“卡脖子”技术，二者的交汇融合，也一定能引领新一轮科技创新的浪潮，此次中国人工智能学会与玻色量子的合作走在了前列。 一方面量子计算有望突破当前AI模型训练的(de)算力瓶颈，提升算法的效率等，而在提升算法效率上，人工智能也可以(yǐ)反向赋能量子技术的发展，特别是在量子控制、误差(wùchā)校正、算法设计(shèjì)等方面，为量子系统的稳定性和可扩展性，提供了一个全新的路径。因此，量智融合是此次会议最重要的核心，不是单向技术的纵向叠加，而是在多领域、多学科的横向(héngxiàng)连接，以协同创新(chuàngxīn)非线性的增长。 为了加快推动这一前沿方面的(de)落地探索，中国人工智能学会与玻色量子(liàngzǐ)联合设立了量子计算应用创新基金，该基金支持一批具有原创性、突破性的创新工作。近年来，玻色量子在光量子计算机(jìsuànjī)研制、量子编程平台建设(jiànshè)、量子教育推广等方面取得了令人瞩目的成果和(hé)进展。玻色量子积极投入“量子计算+”生态的建设，主动与高校、科研机构建立开放(kāifàng)合作的关系，积极推动中国量子科技的发展走向应用的前列，这种(zhèzhǒng)责任感和前瞻性值得我们赞赏和充分肯定。 戴琼海理事长寄语，期待大家能够(nénggòu)在此次活动上进行深入交流，各位嘉宾能畅所欲言、深入碰撞，也希望大家能够辩论、讨论、争论，站在创新机遇为起点，汇聚各方的资源与智慧(zhìhuì)，推动中国在量子融合的技术路径上率先(shuàixiān)突破。最后，预祝量智融合专题会取得(qǔde)圆满成功！ 励波：量子计算+AI是(shì)抢占未来话语权的关键路径 杭州未来科技城管委会党工委委员励波致辞(zhìcí) 杭州未来科技城管委会党工委委员励波在致辞中表示，非常荣幸代表杭州未来科技城，与各位共同见证(jiànzhèng)人工智能(réngōngzhìnéng)与量子(liàngzǐ)科技融合发展的(de)新起点。人工智能是底座，量子科技是跃迁力(lì)，二者融合是抢占未来话语权的关键路径。杭州已构建(gòujiàn)“1+3+X”未来产业体系——以人工智能为基座，聚焦低空经济、人形机器人、类脑智能三大风口，前瞻布局量子信息(xìnxī)等“X”个前沿领域。未来，我们将重点关注(guānzhù)“量子算法加速AI训练”“神经拟态计算”等融合赛道，让更多“从0到1”的成果在此绽放。 重磅发布“CAAI-玻色(bōsè)”量子计算应用创新基金 戴琼海理事长、玻色(bōsè)量子创始人&COO马寅、纬德信息创始人&董事长(dǒngshìzhǎng)尹健等共同参与点亮仪式 会上，戴琼海理事长、玻色量子(liàngzǐ)创始人&COO马寅以及纬德信息创始人&董事长尹健共同上台参与点亮仪式，重磅发布“CAAI-玻色”量子计算(jìsuàn)应用创新基金。该基金的(de)正式发布，不仅大力推动量子计算前沿技术率先从实验室迈向AI产学研用生态圈(shēngtàiquān)，也点燃了(le)量子智能变革的燎原之火。 “CAAI-玻色”量子(liàngzǐ)计算应用创新基金由中国人工智能学会和国内量子计算领军企业(qǐyè)玻色量子共同发起(fāqǐ)，主要聚焦“场景验证、培育(péiyù)融合人才、打通转化链路”，致力于面向全国各领域(lǐngyù)学者搭建“量子计算+”的(de)产学研合作及(jí)应用研究平台。该基金为全国范围内最具创新力的学者提供了解与使用量子计算技术、探索和实现量子计算应用的机会，并通过连接跨领域学者与企业研发(yánfā)团队的产学研合作，推动量子计算新技术在(zài)各领域中的应用研究与落地，为中国量子产业的发展和创新储备人才力量(lìliàng)。此次基金共发布两项技术研究命题，持续以量子计算技术在人工智能、优化等领域的应用场景发掘作为主要研究方向。 量子计算+AI：下一代颠覆性技术的融合(rónghé)革命 孙晓明研究员：回望过去5年，人工智能(réngōngzhìnéng)技术特别是生成AI的爆发，让我们见到计算模式上有很多颠覆性的发展；未来5年，量子计算很可能从实验室走向(zǒuxiàng)应用，所以今天人工智能和量子计算的融合(rónghé)很可能是一个必然趋势。现在生成式(shēngchéngshì)AI发展很快，但是各种量子计算硬件路线尚未收敛，请问各位(gèwèi)嘉宾认为在这(zhè)一阶段人工智能和量子计算的学者可以做点什么？ 熊红凯教授：人工智能现在用到两个很基础的(de)工具，第一，用神经元叠加通用(tōngyòng)函数的逼近做近似，这个近似是通过数学的最优化方式(fāngshì)(fāngshì)表现成最优梯度传播去(qù)拟合成神经网络(wǎngluò)(wǎngluò)；第二，是大模型扩散或者生成，这是(zhèshì)在分布逼近的情况下进行采样。我们受限于(shòuxiànyú)两种途径，一种是传统方式通过比较好的模型用轻量化的方式进行优化，如果能直接用量子计算的方式优化，不用走传统的老路，可以得到一个用非常强大的算力得到全量化的模型，现在光计算和量子计算技术路线就在做这一方向的结合，但是都有(yǒu)各自的约束性，限制性，如果两方面能够结合这是最好的，一个是通用的工具能写出来，第二能够真正(zhēnzhèng)多元化写出一个EDA的工具，把传统的网络优化，网络结构搜索、网络梯度优化问题做更广义的逼近。 龙桂鲁教授：长期来看，随着量子计算机的(de)(de)(de)成熟会给AI提供算力支持(zhīchí)；短期来看，我(wǒ)们可以受到包括(bāokuò)DeepSeek在内的杭州六小龙的启发。在当前的量子计算机硬件研发阶段，我认为，以玻色量子自研的相干伊辛机为代表的专用量子计算机能提供的强大算力，对多行业的某些特定问题高效提供了算力的加速支持。而通用量子计算机的发展可能需要更长的时间。 李阳阳教授：量子计算和人工智能是双向赋能，对于人工智能现在面临的(de)算力，包括一些大量的能量消耗，其实更加渴望量子计算，大家深入研究量子计算发现它是可逆计算，它可以打破摩尔定律，包括它的可逆计算适合绿色、环保(huánbǎo)的芯片(xīnpiàn)研发。量子计算机硬件的真正出现，将为人工智能带来颠覆性改变，所以(suǒyǐ)我们研究算法的科研(kēyán)工作者，要改变研究计算机的编程思想(sīxiǎng)和方式。 文凯博士：2020年，谷歌发布了(le)可(kě)快速建立量子(liàngzǐ)机器学习模型原型的(de)开源库TensorFlow Quantum，这个框架使得创建结合人工智能(réngōngzhìnéng)机器学习和量子计算(jìsuàn)的算法和混合模型成为可能。也是最早的“量子计算+AI”计算框架。龙老师做的LCU的线路分解，在这些人工智能线路模型中也发挥了非常重要的作用。量子原生(yuánshēng)的人工智能的计算范式(fànshì)，把以前在计算机上比较难训练的场景，可以用以相干伊辛机为代表的专用量子计算机进行采样、训练、优化。通过发布“CAAI-玻色”量子计算应用创新基金，希望能进一步扩大生态发展，进一步扩大量子计算的技术优势赋能，能够更快(gèngkuài)地与人工智能的各个(gègè)场景领域(lǐngyù)相结合，我们希望通过构建“量子计算+”的生态来加速实现量子和人工智能的真正融合。 熊红凯教授：智能往何处去：大模型与信号处理(xìnhàochǔlǐ) 上海交通大(dà)学二级教授、国家杰青获得者熊红凯在现场发表了以(yǐ)“智能往何处去：大模型与信号处理”为主题(zhǔtí)的精彩演讲。熊红凯教授分别从大模型与信号处理的研究背景、基于物理信息的信号重建与生成、数学物理与信号处理的交叉研究三大方面进行了深入分享。熊红凯教授提到，相干伊辛机是利用光子(guāngzi)自旋的哈密顿量和QUBO问题的映射关系，与物理系统(xìtǒng)的自然(zìrán)演化特性，将能量(néngliàng)下降(xiàjiàng)与最优化目标结合，相比超导、离子阱等通用量子计算，具有量子比特数规模大、室温(shìwēn)稳定(wěndìng)运行、低功耗等独特(dútè)优势，而基于相干伊辛机的神经网络训练，是指利用光子自旋的哈密顿量和QUBO问题的映射关系与物理系统的自然演化特性，实现多层神经网络的训练过程。通过(tōngguò)对数据和网络参数的编、解码，神经网络训练梯度中梯度下降过程可转化为组合优化问题，进而由相干伊辛机高效解决。 龙桂鲁教授：量子(liàngzǐ)信息与人工智能 清华大学教授、北京量子(liàngzǐ)信息科学研究院副(fù)院长龙桂鲁在现场发表了以(yǐ)“量子信息与人工智能”为主题的(de)精彩演讲。龙桂鲁教授认为，量子机器学习根据现在使用的数据和方法，可以分成四大(sìdà)类：CC是(shì)经典的人工智能机器学习；CQ是数据是经典，但是方法是量子的；QC是数据是量子的，而方法是经典的；QQ是数据和方法都是量子。现在主要是可以把(bǎ)CQ用经典的机器学习助力量子，比如一些辅助攻克技术的问题。量子芯片的建模设计表征，解决量子科学的问题：纠缠度量、相变等(děng)。 孙晓明研究员：机器学习中激活函数(hánshù)的高效量子线路实现 中国科学院计算技术研究所研究员孙晓明在现场(xiànchǎng)发表了以“机器学习中激活函数(hánshù)的高效量子线路实现”为(wèi)主题的精彩演讲。孙晓明研究员认为，理论上，量子机器学习或量子神经网络的表征能力(nénglì)原则上可(kě)超越经典神经网络，这是它能在特定机器学习问题上展现优势的关键。但经典机器学习在可靠性、安全性之外的另一重要问题是可解释性。虽然现有多种(duōzhǒng)模型架构和(hé)理论解释，但在一定(yídìng)程度上大(shàngdà)模型仍常被视为一个黑盒。量子场景更为复杂——当我们将经典激活函数/单元替换为量子单元后，量子态空间维度大幅扩展，且其操作是高维空间中的广义旋转（General transformation）而非简单的线性变换(xiànxìngbiànhuàn)。 李阳阳教授(jiàoshòu)：量子计算、优化与学习 西安电子科技大学华山特聘教授(jiàoshòu)、CAAI教育工委会副秘书长李阳阳在现场发表了(le)以“量子(liàngzǐ)(liàngzǐ)计算、优化与学习”为主题的精彩演讲。李阳阳教授重点分享了基于量子进化的量子卷积神经网络结构优化、基于量子进化的量子神经网络参数优化、基于经典量子联合的量子神经网络编码、基于量子生成对抗网络的SAR图像去噪、基于量子进化神经网络架构搜索(sōusuǒ)的遥感图像目标分类、基于矩阵乘积态量子张量网络的多模态(mótài)情感分析等方面的最新研究成果。李阳阳教授提到，团队已与玻色量子在专用(zhuānyòng)量子计算方面开展(kāizhǎn)了多项合作。 卢丽强教授：当 AI 遇见量子：双向赋能的(de)实践探索 浙江大学计算机学院百人计划研究员卢丽强在现场发表了以“人工智能(réngōngzhìnéng)与量子计算的(de)交叉赋能”为主题的精彩演讲，揭示了两大领域(lǐngyù)交叉创新的前沿进展。卢丽强教授指出，AI 与量子计算的协同发展(fāzhǎn)(fāzhǎn)可借鉴GPU的成功路径 —— 从架构优化(yōuhuà)、软硬协同到生态营造：如GPU 通过引入Tensor Core实现定制优化，AlexNet 通过双通道(shuāngtōngdào)设计适配 GPU 硬件，以及CUDA 框架发展至今的生态价值。 肖太龙教授(jiàoshòu)：量子AI前沿突破：量子机器学习的探索与创新 上海交通大学助理研究员肖太龙在现场发表了(le)以“量子人工智能与(yǔ)实际应用(yìngyòng)优势”为主题(zhǔtí)的(de)精彩演讲。在计算成像领域，肖太龙教授团队(tuánduì)率先(shuàixiān)将量子机器(jīqì)学习应用于单像素成像系统，突破传统算法依赖大量标记样本的瓶颈，还通过实验验证了量子特征空间在低采样率下的信息提取优势。此外，团队还提出了“局部等效(děngxiào)维度判据”从理论上解释了量子模型的泛化能力，为量子AI的实际应用提供了关键理论支撑。尤其值得关注的是(shì)，团队将 AI 生成模型与量子物理深度结合，提出关联记忆量子玻尔兹曼机算法，依托相干伊辛机克服经典全连接玻尔兹曼机训练的负相算力瓶颈，为提升图像生成质量与生物医药建模能力开辟新路径。 高奇(gāoqí)：相干光量子计算机的人工智能赋能实践 玻色量子(liàngzǐ)研发总监高奇在现场发表了以“相干光量子计算机的人工智能赋能实践”为主题的精彩演讲。会上，高奇特别提到了玻色量子自研(zìyán)的“量子原生AI”——量子玻尔兹曼机训练方法(xùnliànfāngfǎ)。这一创新(chuàngxīn)方法巧妙(qiǎomiào)利用了伊辛模型与玻尔兹曼机在数学上的等价性，解决了经典(jīngdiǎn)玻尔兹曼机因高复杂度而无法高效训练的难点。玻色量子提出的基于(jīyú)相干光量子计算机的量子训练方法，以量子采样替代传统的Gibbs Sampling方法，大幅提升了玻尔兹曼机的训练效率，展现了“量子+AI”的深度(shēndù)融合。 未来，随着(suízhe)量子(liàngzǐ)计算与AI等前沿领域的深度融合，玻色量子将以光量子计算为引擎，联合中国人工智能学会等合作伙伴不断推进实用化量子计算的场景(chǎngjǐng)落地，引领AI行业向精准、高效的发展(fāzhǎn)范式加速迈进，加速“量子计算+ ” 生态不断实用化创新发展。 （本文来源：日照新闻网。本网转发此文章，旨在为读者提供更多信息资讯(xìnxīzīxùn)，所涉内容不构成投资、消费(xiāofèi)建议。对文章事实有疑问，请与有关方(fāng)核实或与本网联系。文章观点非本网观点，仅供读者参考。）