图灵量子金贤敏三连签：光量子计算离产业化还有多远

产业化能不能真正落地，成了光量子计算眼下要过的新关口。

摩尔定律带来的红利快用完了，AI、新药研发、新材料探索对算力的胃口却还在涨。继续靠堆 GPU 换算力，这条路越来越不划算，存算一体、Chiplet、光互连都在找新的算力增量，量子计算因此被看好，光量子路线更是长期被行业拿出来讨论。它在实验室里刷出过惊人的量子优越性纪录，可工程化走到哪一步、产业化时间表怎么排，业界一直盯着。

光量子计算到底是下一代算力的破局钥匙，还是一场还没经过产业化检验的技术革命？

2026 年 10 月 14 日的深圳湾芯展上，图灵量子创始人、上海交大无锡光子芯片研究院院长金贤敏带着团队一天之内落了三个动作：光子芯片产业合作签约、先进智算联盟扩容，还有粤港澳大湾区量超智融合算力中心共建签约。

这一串产业布局，给了一个跳出纸面参数的观察角度：量子计算要对付的对手早就不只是物理，芯片工程、产业链生态、商业落地这些大考已经开考。

量子计算的对手，早就不只是物理指标

量子计算进入大众视野，不是这一两年才有的事。摩尔定律见顶，算力供需的矛盾越来越突出，量子计算的价值又被摆到聚光灯下。

数耀量生 CTO 邱迪生拿传统深度学习和量子计算的求解逻辑做过一个形象的对比：深度学习常用的随机梯度下降，好比在局部点位附近小范围试探，一点点摸出迭代方向，这属于局部搜索，很容易来回震荡；量子计算则能一次把整个解空间的地形扫完，直接找到最优解。他把这个核心差别叫作“量子全局最优性”。

图灵量子首席科学家金贤敏的看法是，量子计算能被长期关注，靠的不是某一项单点应用，它是继牛顿力学体系之后，能系统性带动整个科学发展的底层基础方向。

早在上世纪四五十年代，晶体管、激光器、核能这些成果就完成了第一波量子技术的产业化应用。到了现在，人类对量子体系、物质微观体系的操控能力上了一个台阶，再加上 AI 算力需求爆发，量子计算才被推到产业发展的关键窗口。

行业里那个老疑问还在：超导、离子阱、光量子、中性原子，几条量子技术路线同台竞争，谁能走到商业化的终点？

看眼下的行业进展，这么多技术路径里，公开实验中同时满足“可制造、可扩展、已演示量子优越性”这三条的，主要是光量子和超导两条路线。

超导路线起步早。2025年，中国科学技术大学团队做出105比特超导量子计算原型机“祖冲之三号”，在量子随机线路采样任务上比当时最快的超算快15个数量级，刷新了超导体系的量子计算优越性纪录。

离子阱路线则是门保真度最高、相干时间长，可系统扩展慢，现在停在高精度模拟和原理演示阶段；中性原子路线阵列规模扩展潜力大，门保真度和速度还在追，工程化成熟度偏低。

光量子路线在特定问题上算力优势更明显。2026年，“九章四号”可编程光量子原型机首次操纵和探测3050个光子，高斯玻色采样任务上比全球最快超算快10⁵⁴倍，建立了国际最强的量子计算优越性。

更关键的是，光量子路线正从“实验室装置”变成“可制造平台”。PsiQuantum发布的Omega光子芯片组，由格罗方德45纳米产线批量制造，单量子比特态制备与测量保真度达99.98%，芯片间互联保真度99.72%，还计划在澳大利亚和美国建数据中心级量子计算中心。图灵量子的TuringQ Gen3则把技术重点放在大规模片上集成、空时复用扩展，以及量子算力和经典计算体系的融合上。

环境稳定成落地最为关键的突破点

量子计算不缺“性能故事”。各家机器在特定任务上早就展示过量子优越性，超导路线也在不停刷新比特数纪录。可产业客户真正在意的不是实验室峰值，而是机器能不能在客户现场稳定跑起来。

这也是行业为什么正从比拼物理比特转向交付逻辑比特。中金公司在2026年的分析里指出，量子计算还处在从含噪声中等规模量子时代向容错量子计算演进的早期阶段，物理比特数量、门保真度、纠错阈值和系统稳定性仍是关键的不确定因素。

各条技术路线都还没突破规模化与容错这两大核心瓶颈，量子软件、算法和工程化能力也得继续补课。说白了，量子计算要真进产业，必须迈过从能演示到能稳定运行这道坎。

而在这场光电交替里，图灵量子手里的牌格外引人注意。

“我们的机器对环境没有要求。”金贤敏说。从第二代 TuringQ Gen2开始，图灵量子的光量子计算机都采用标准 IDC 机柜形态，可以在室温下运行。对产业客户来说，不用为它单独建特殊的运行环境，能像一台服务器那样直接进现有数据中心。

2026 年 9 月，图灵量子推出第三代大规模芯片级可扩展光量子计算机TuringQ Gen3。跟前两代比，TuringQ Gen3做到了全芯片化架构，基于高速可编程薄膜铌酸锂光量子芯片，走空时复用架构。其中高斯玻色采样计算单元叫“致远3号”。官方口径是单芯片万光子级、百万模式数，在设定的损耗边界内实现芯片级量子优越性。

怎么做到的，就牵扯到光量子芯片里另一个关键概念——光损耗。电子芯片制造看制程，光量子芯片里损耗却是很重要的指标，损耗率太高不只是“信号变弱”，还可能直接让光子丢失、干涉失效，计算跟着出错。芯片规模越大、光路越长，光子经过的器件越多，损耗就一层层叠加，所以把整条链路的损耗压下来，是光量子芯片能不能走向大规模化的关键。

团队将薄膜铌酸锂光量子芯片的光子线路传输损耗压到 0.03 dB/cm，关键单器件插入损耗控制在 0.1 dB 以下，光纤—芯片单端耦合损耗为 0.9 dB/facet，晶圆级量子光源光谱纯度突破 99%。从光子产生、芯片内传输、经过器件到进出芯片，每一步的损耗都被大幅压低，信号纯净度也足够，更大规模、更稳定的光量子计算由此有了基础。

参数背后是一条真正跑起来的工程链条。金贤敏牵头推动下，上海交大无锡光子芯片研究院建成国内首条光子芯片中试线，形成“设计—制造—测试—反馈—再迭代”的晶圆级工艺闭环，芯片迭代周期缩短到 2 至 3 周。说白了，这不是在实验室里搭一台样机，而是用半导体工程的办法持续压损耗、提一致性、扩规模。

金贤敏的产业化底气，不只来自纸面参数，更来自逐渐清晰的商业化路径。他把光量子计算比作一把“锤子”，产业化的关键是找到能真正发挥其优势的“钉子”。图灵量子眼下围绕整机交付、算力服务和量子智算中心建设探索多元商业模式：提供光量子计算设备，开放量子算力服务，推动量子算力与现有智算基础设施融合，从技术研发到产业应用的商业闭环正逐步打通，生物医药、金融等领域已有应用合作落地。

判断一条光量子路线是否诚实，标准或许就在这里：论文发了多少、演示跑得多快都不算数，关键是有没有人愿意在它上面持续付费。

一台机器撑不起一个产业，路得先修。

湾芯展期间的三项产业动作摆在眼前，问题值得深究：一家量子计算公司，为什么同时介入上游材料、下游软件工具、行业联盟标准，还要投入算力中心建设。

金贤敏的说法很直接：做出可用的量子硬件，不等于完成产业化。量子算力要产生商业价值，得能被调度平台识别，能面向行业用户开放调用；只靠硬件单点突破跑不通完整闭环，上下游配套体系必须同步跟上。

天通股份负责材料，Luceda 出设计软件工具，上海交大无锡光子芯片研究院承担制造落地——光子芯片的产业协作大致就是这么分工。设备、材料、软件、应用几方谈了很久才把合作定下来，要的就是把光子芯片上下游的生态一起补起来。

产业层面的协同探索，还体现在先进智算联盟 FAIC 的推进上。这个联盟2022 年由图灵量子、沐曦股份、优刻得、脑虎科技四家共同发起，赛道横跨量子计算、算力芯片、算力中心建设、脑机接口，上海市及市经信委此前也对它表示过认可。

金贤敏坦言，今年轮值主席由图灵量子担任，联盟内部需要就方向做一次抉择，结果选了扩容这条路，傅利叶智能这类具身智能企业被拉了进来，成员从最初四家增至数十家。他的判断是，少数几家机构抱团很难把产业规模撬起来，只有更多不同领域的主体参与，新型算力芯片迭代、智算中心落地、算力赋能行业应用才有规模化发展的基础。

另一边，粤港澳量超智融合算力中心瞄准的是量子算力实际部署与调用的现实难题。该项目由图灵量子联合亚洲算力、智城算网共同推进，对标海外已经批量落地的量子‑经典混合算力中心。

金贤敏提到，同类算力节点在欧美已经建成几十到上百个，国内尚无成型的标杆。这个项目并非纸面上的框架意向，建设计划已经敲定，核心是把 QPU、CPU、GPU 之间的联调做出来，让量子算力真正进入平台调度体系。英伟达此前已推出 GPU 对接量子计算机的量超融合方案，行业趋势已经摆在那里。

把这一系列动作放在一起，图灵量子的产业逻辑就清晰了。光量子计算不能停留在硬件能力演示阶段。

量子算力要接入智算中心，变成可被调度的标准算力单元，供行业客户取用。联盟和算力中心实际起的作用，是削平不同技术主体之间的适配门槛，让量子算力不再停留在实验室演示，转而成为能采购、能真正投入业务的产业资源。

剩下的，还是工程化的事。

外界常拿“狼来了”来看光量子计算，其实是把科学突破和产业成熟之间的时间差混为一谈。光量子如今已走出单纯的原理验证：既有足以震动行业的量子优越性成果，也做出了常温机柜化整机、中试工艺闭环，有了付费产业客户，甚至开始布局量超智融合算力中心，试着把量子算力做成智算体系里可调度的标准单元。

可是参数漂亮不等于产业打赢。这条赛道仍被现实条件卡着：高性能光子材料和关键器件能不能稳定供应、晶圆级制造良率、复杂系统里的损耗控制，还有大规模量子纠错与容错计算能力，都得继续啃。行业的主战场已经换了地方——从发论文、刷光子数纪录，转到产线良率、系统长期稳定性、软件生态和客户付费意愿上。

物理层面的挑战并没有就此结束。恰恰相反，大规模光量子计算还需要在光源、损耗、探测、量子纠错和系统架构等方面持续攻关，科学突破与工程化能力得同步向前。

量子计算未必会很快颠覆现有算力，但也绝非虚妄的故事。

技术的狼没有立刻扑到产业面前，但它确实已经走出了实验室，只是还要翻越制造、工程和应用的高山，才会真正抵达商用的旷野。

产业化的距离，最终要看产线、系统和客户一起给出答案。