2026年8月3日至5日，深圳举行的第五届CCF量子计算大会暨第五届大湾区量子科学论坛，吸引了2400多名参会者，200余位院士和专家在学术环节分享量子计算、AI及融合计算进展。23 大会以“量与智相融合，量超智共融算”为主题，传递出的并不是一份已经正式公布的国家计划，而是一套颇具政策含义的技术路线：把量子计算、超级计算和人工智能视为同一智能计算体系的不同组成部分。

“量超智”到底指什么？

“量超智”可以理解为量子计算、超级计算与人工智能的协同发展。它的重点不在于单独建设量子计算机，而在于让三类计算能力彼此补位：

• AI帮助量子计算变得更可用，改善硬件、控制和算法效率；
• 超级计算机承担大规模模拟与AI for Science任务，支撑材料、物理和生命科学研究；
• 未来具备容错能力的量子计算机成为新计算层，处理经典计算难以解决的特定科学问题。

因此，这一思路更像一张计算基础设施蓝图，而不是一项只围绕量子芯片展开的工程。大会相关报道显示，会议同时讨论了基础研究、关键技术、产业落地、标准建设和政企资本对接，三天内安排了近30场系列活动。23

AI如何帮助量子计算跨过实用化门槛

中国科学院院士项涛将当前物理量子比特约1%的错误率，与密码破解等应用所需的低得多的错误水平进行了对比，并把AI视为缩小这一差距的重要工具。1

按照大会介绍的思路，AI可以参与量子计算的多个环节：

1. 芯片校准与芯片设计：从实验数据中识别误差和器件特征，辅助优化硬件参数；
2. 量子纠错与解码：提高错误识别和纠正的效率；
3. 量子电路编译：把算法更有效地映射到实际量子硬件上；
4. 测量与控制：改善量子系统运行过程中的实时控制；
5. 变分量子算法优化：加速参数搜索，并缓解训练过程中可能出现的“ barren gradient”（梯度消失或梯度过小）问题。1

这意味着AI在量子计算中的角色并不只是提供一个应用层接口。它也可能成为量子芯片、量子软件和实验控制系统的基础工具，帮助研究人员更快地发现问题、调整系统并迭代算法。

从量子项目转向综合算力基础设施

中国科学院院士薛其坤强调，AI、超级计算与量子计算的深度融合正在改变量子材料研究和量子算法迭代。1 这一判断把“量子计算”的讨论从单台设备扩展到了国家算力体系：量子设备需要经典计算支持，AI需要高性能计算处理数据和模拟，而科学发现又需要把不同类型的计算资源组合起来。

中国工程院院士高文提出由鹏城实验室牵头建设相关基础，目标包括10G级计算、10P级网络和10GW级清洁能源的协同配置，为国家实验室提供一体化资源。1 这些指标在大会语境中代表的并非简单的硬件堆叠，而是计算、网络和能源同时规划的基础设施思路。

这也是“量超智”最具战略意味的部分：如果算力被视为支撑科研、产业和安全能力的基础资源，那么竞争对象就不再是一台量子计算机，而是能够持续供给计算、数据、能源、人才和应用场景的完整系统。

超级计算机是AI for Science的现实底座

中国工程院院士郑纬民把当代领先超级计算机视为“巨大的AI计算机”，尤其强调其在科学研究中的作用；在这一架构上，量子计算可以成为下一层计算能力。1

这为“量超智”提供了一个相对务实的时间顺序：量子计算的长期潜力很大，但超级计算和AI for Science已经能够在近期承担材料发现、蛋白质结构预测等科学任务。1 研究机构因此可以先利用成熟的经典高性能计算和机器学习基础设施推进科研，再逐步把适合的问题交给量子系统处理。

这种分层架构也减少了“等待通用量子计算机成熟后再开展应用”的依赖。量子计算仍处在持续攻克错误率、纠错和规模化挑战的阶段，而AI与超级计算能够先为算法开发、实验校准和科学数据处理提供支持。

材料发现展示了AI与量子科学的结合方式

大会上介绍的一项材料发现流程，将量子多体理论中的“σ键金属化”原理与AI筛选结合起来，从超过200万种材料的数据库中找出了31个高温超导候选物，其中18个此前未被预测。1

这一案例的意义在于，它展示的不是“AI替代物理学”，而是理论原则与大规模计算的结合：物理学提供筛选方向，AI负责在庞大候选空间中寻找符合条件的材料，超级计算则承担数据处理和验证所需的计算工作。

中国科学院院士龚新国进一步提出，AI可以通过自然语言定义问题和调用相应“技能”，降低材料计算、设计与合成对少数专业计算人员的依赖。1 如果这一模式成熟，材料科学的研究入口可能从编写复杂计算流程，逐渐转向提出问题、组合工具和验证结果。

与美国量子科研计划的对照

高文还将中国的综合布局与美国能源部在2026年推出的Quantum Genesis计划作比较。美国能源部公开材料显示，该计划目标之一是推动科学上具有实际意义、具备容错能力的量子计算机，并协调联邦政府、国家实验室和产业界的相关投入。

大会释放的观点是，中国需要形成与之相匹配的系统性努力，而不应只在单项量子硬件指标上竞争。不同国家的计划目标、组织方式和投资范围并不完全相同，因此，双方可以比较的是战略方向和基础设施组织方式，而不是简单宣称某一方已经取得全面领先。

这是不是一份正式的中国国家蓝图？

严格来说，不能这样表述。现有材料显示，“量超智”是大会主题和与会院士、专家提出的战略判断与建设建议，并非大会现场发布的一份正式国家规划。123

不过，它确实勾勒出一条清晰的政策讨论路径：

• 以AI改进量子硬件、软件和算法；
• 以超级计算承载近期的AI for Science应用；
• 以量子计算作为未来处理特定复杂问题的新层；
• 将计算、网络、清洁能源和国家实验室资源纳入一体化基础设施；
• 通过产学研用和产业资本协作，把实验室成果推向规模化应用。237

所以，这场深圳大会最值得关注的结论，不是量子计算已经进入全面实用阶段，而是中国量子科技的竞争叙事正在从“谁拥有更强的量子设备”，转向“谁能把量子、AI、超级计算和科研基础设施组织成更高效的系统”。

2026年8月3日至5日，深圳举行的第五届CCF量子计算大会暨第五届大湾区量子科学论坛，吸引了2400多名参会者，200余位院士和专家在学术环节分享量子计算、AI及融合计算进展。23 大会以“量与智相融合，量超智共融算”为主题，传递出的并不是一份已经正式公布的国家计划，而是一套颇具政策含义的技术路线：把量子计算、超级计算和人工智能视为同一智能计算体系的不同组成部分。

“量超智”到底指什么？

“量超智”可以理解为量子计算、超级计算与人工智能的协同发展。它的重点不在于单独建设量子计算机，而在于让三类计算能力彼此补位：

• AI帮助量子计算变得更可用，改善硬件、控制和算法效率；
• 超级计算机承担大规模模拟与AI for Science任务，支撑材料、物理和生命科学研究；
• 未来具备容错能力的量子计算机成为新计算层，处理经典计算难以解决的特定科学问题。

因此，这一思路更像一张计算基础设施蓝图，而不是一项只围绕量子芯片展开的工程。大会相关报道显示，会议同时讨论了基础研究、关键技术、产业落地、标准建设和政企资本对接，三天内安排了近30场系列活动。23

AI如何帮助量子计算跨过实用化门槛

中国科学院院士项涛将当前物理量子比特约1%的错误率，与密码破解等应用所需的低得多的错误水平进行了对比，并把AI视为缩小这一差距的重要工具。1

按照大会介绍的思路，AI可以参与量子计算的多个环节：

1. 芯片校准与芯片设计：从实验数据中识别误差和器件特征，辅助优化硬件参数；
2. 量子纠错与解码：提高错误识别和纠正的效率；
3. 量子电路编译：把算法更有效地映射到实际量子硬件上；
4. 测量与控制：改善量子系统运行过程中的实时控制；
5. 变分量子算法优化：加速参数搜索，并缓解训练过程中可能出现的“ barren gradient”（梯度消失或梯度过小）问题。1

这意味着AI在量子计算中的角色并不只是提供一个应用层接口。它也可能成为量子芯片、量子软件和实验控制系统的基础工具，帮助研究人员更快地发现问题、调整系统并迭代算法。

从量子项目转向综合算力基础设施

中国科学院院士薛其坤强调，AI、超级计算与量子计算的深度融合正在改变量子材料研究和量子算法迭代。1 这一判断把“量子计算”的讨论从单台设备扩展到了国家算力体系：量子设备需要经典计算支持，AI需要高性能计算处理数据和模拟，而科学发现又需要把不同类型的计算资源组合起来。

中国工程院院士高文提出由鹏城实验室牵头建设相关基础，目标包括10G级计算、10P级网络和10GW级清洁能源的协同配置，为国家实验室提供一体化资源。1 这些指标在大会语境中代表的并非简单的硬件堆叠，而是计算、网络和能源同时规划的基础设施思路。

这也是“量超智”最具战略意味的部分：如果算力被视为支撑科研、产业和安全能力的基础资源，那么竞争对象就不再是一台量子计算机，而是能够持续供给计算、数据、能源、人才和应用场景的完整系统。

超级计算机是AI for Science的现实底座

中国工程院院士郑纬民把当代领先超级计算机视为“巨大的AI计算机”，尤其强调其在科学研究中的作用；在这一架构上，量子计算可以成为下一层计算能力。1

这为“量超智”提供了一个相对务实的时间顺序：量子计算的长期潜力很大，但超级计算和AI for Science已经能够在近期承担材料发现、蛋白质结构预测等科学任务。1 研究机构因此可以先利用成熟的经典高性能计算和机器学习基础设施推进科研，再逐步把适合的问题交给量子系统处理。

这种分层架构也减少了“等待通用量子计算机成熟后再开展应用”的依赖。量子计算仍处在持续攻克错误率、纠错和规模化挑战的阶段，而AI与超级计算能够先为算法开发、实验校准和科学数据处理提供支持。

材料发现展示了AI与量子科学的结合方式

大会上介绍的一项材料发现流程，将量子多体理论中的“σ键金属化”原理与AI筛选结合起来，从超过200万种材料的数据库中找出了31个高温超导候选物，其中18个此前未被预测。1

这一案例的意义在于，它展示的不是“AI替代物理学”，而是理论原则与大规模计算的结合：物理学提供筛选方向，AI负责在庞大候选空间中寻找符合条件的材料，超级计算则承担数据处理和验证所需的计算工作。

中国科学院院士龚新国进一步提出，AI可以通过自然语言定义问题和调用相应“技能”，降低材料计算、设计与合成对少数专业计算人员的依赖。1 如果这一模式成熟，材料科学的研究入口可能从编写复杂计算流程，逐渐转向提出问题、组合工具和验证结果。

与美国量子科研计划的对照

高文还将中国的综合布局与美国能源部在2026年推出的Quantum Genesis计划作比较。美国能源部公开材料显示，该计划目标之一是推动科学上具有实际意义、具备容错能力的量子计算机，并协调联邦政府、国家实验室和产业界的相关投入。

大会释放的观点是，中国需要形成与之相匹配的系统性努力，而不应只在单项量子硬件指标上竞争。不同国家的计划目标、组织方式和投资范围并不完全相同，因此，双方可以比较的是战略方向和基础设施组织方式，而不是简单宣称某一方已经取得全面领先。

这是不是一份正式的中国国家蓝图？

严格来说，不能这样表述。现有材料显示，“量超智”是大会主题和与会院士、专家提出的战略判断与建设建议，并非大会现场发布的一份正式国家规划。123

不过，它确实勾勒出一条清晰的政策讨论路径：

• 以AI改进量子硬件、软件和算法；
• 以超级计算承载近期的AI for Science应用；
• 以量子计算作为未来处理特定复杂问题的新层；
• 将计算、网络、清洁能源和国家实验室资源纳入一体化基础设施；
• 通过产学研用和产业资本协作，把实验室成果推向规模化应用。237

所以，这场深圳大会最值得关注的结论，不是量子计算已经进入全面实用阶段，而是中国量子科技的竞争叙事正在从“谁拥有更强的量子设备”，转向“谁能把量子、AI、超级计算和科研基础设施组织成更高效的系统”。