九个原子组建量子处理器，打败AI神经网络牛员外

这听起来像一个悖论，但它发生在真实的实验室里。

2026年4月，发表于《物理评论快报》的一项研究揭示了一个令人震惊的结果：中国科学技术大学彭新华教授和李兆凯副研究员领导的团队，用仅由九个相互作用原子自旋构成的量子处理器，在真实天气预报任务中的预测精度，超越了拥有数千个节点的经典神经网络。这是迄今为止实验室层面最有力的"实用量子优势"证明之一。

量子系统凭什么赢这里先要厘清一个关键概念：这个实验用的量子方法，并非我们通常想象的那种"运行复杂量子电路"的路径。

研究团队另辟蹊径，采用了一种名为"量子储层计算"的框架。这种方法的核心逻辑，是把量子系统本身的自然演化动力学当作计算资源来使用，而不是精心设计一层层的量子逻辑门电路。

类比一下就容易理解：就像人脑不需要提前"编程"每一个神经连接，就能处理语言和图像，量子储层计算利用的是量子系统固有的复杂行为，让系统"自然地"处理输入的信号，再从输出端读取有用的信息。这里的"储层"，就是那九个相互纠缠的原子自旋。

量子储层计算示意图。图片来源：arXiv (2026)。DOI：10.48550/arxiv.2508.12383

更聪明的地方在于，研究人员连通常被视为量子计算"天敌"的耗散效应也一并驯服了。在传统量子计算中，量子系统与环境的相互作用导致信息流失，是需要极力克服的干扰源。但在这套框架里，耗散被重新理解为一种调节系统记忆深度的可控工具，让量子系统的"遗忘速度"恰好适配不同长度的时间序列预测任务。

从基准测试到真实天气，两轮比拼的结果实验分两个阶段展开。

第一阶段，研究团队在学界广泛使用的时间序列预测标准测试集NARMA上对这套系统进行评估。结果显示，九自旋量子储层计算机在已报道的实验量子方法中性能最优，与此前基于量子电路的实现相比，预测误差降低了一到两个数量级，直接刷新了量子机器学习在这类标准任务上的实验纪录。

第二阶段，研究团队将目光转向更具挑战性的真实场景：多日气温变化预报。这是一个极度非线性的混沌系统，即便是现代气象模型也难以保证多日以上的精度。实验结果表明，九自旋量子系统能够准确捕捉数日内的温度变化趋势，而与拥有数千个节点的经典回声态网络（Echo

State Network）相比，这个由九个原子构成的量子处理器在多日预测精度上实现了反超。

这个对比数字值得反复咂摸一下：九个量子自旋，对阵数千个经典节点，赢了。

实验装置和读出方案示意图。图片来源：arXiv (2026)。DOI：10.48550/arxiv.2508.12383

当然，研究团队和学界对此保持了应有的审慎态度。量子储层计算的优势并非无条件的，它在处理高度非线性、需要长时记忆的时间序列任务时尤为突出，但在线性任务或需要精确符号推理的场景下，经典方法未必落下风。这项研究的意义，更多在于它明确划定了一个"量子实用优势可能存在的真实场景区间"，而不是宣布量子计算全面碾压经典计算。

从更宏观的视角看，这项成果出现的时间节点颇为微妙。当前的量子计算硬件处于业界所称的"含噪声中型量子"（NISQ）时代，量子比特数量有限、噪声水平较高，距离"完全容错量子计算机"的理想目标仍有相当距离。正是在这个背景下，量子储层计算这类"利用现有硬件固有特性"而非"与噪声对抗"的方法，显示出特别的现实价值。

它给出的思路是：不必等待完美的量子机器，当下不完美的量子系统，已经足以在某些真实问题上提前兑现承诺。

九个原子的胜利，或许是量子计算走出实验室的第一声真正意义上的发令枪。