IBM 证明：浅层量子电路在两个问题上胜过 LLM
2026-09-15 IBM Research highlight 一篇 arXiv 论文（2026-08-04）：在构造的功能性与采样问题上，浅层量子电路可证明优于受限 LLM。这是理论优势，不是硬件实测。
大模型无处不在，但它在计算上真的"强"吗？2026 年 9 月，IBM Research 重点介绍了一篇 arXiv 论文：研究者构造了两个问题，证明浅层量子电路在这两个问题上，对所受分析的"受限 LLM"拥有可证明的优势。
第一个是功能性问题：迭代索引函数。把它想象成"书背后的索引指向另一本书的索引，再指向下一本……问这条链最终落在哪"。论文证明，decoder-only transformer 要解它，宽度必须随输入规模以幂次增长；而一个接近常量深度、再加一个经典 AND 门的量子电路，就能搞定。
图1：同一问题，两类架构的资源需求随规模分化
第二个是采样问题：让系统按某个目标概率分布生成输出（这正是扩散语言模型干的事）。论文对受限的常轮扩散语言模型给出分离，说明某些分布它无法在常量距离内采样到。
两个结果都是无条件的——不依赖某个未证明的复杂性假设，因此比"跑个基准见差距"硬得多。但必须冷静：这不是说今天的量子计算机已经打败了 GPT。论文本身强调结论是理论性的；当前 LLM 跑在极其成熟、规模庞大的硬件上，而量子侧仍受噪声和规模限制。它的真正价值，是为"量子在哪类问题上可能占优"立下了一块形式化的路标，而不是给谁发了张胜利证书。
关联推荐
- 扩散语言模型来了 — 论文中采样问题的对手方
- AI 从头写病毒基因组：Evo 2 — AI 在生命科学里的另一类"生成"
评论 (0)
正文划词可点「问萝卜特」——自动发评论并由 AI 回复
加载评论中…