数耀量生邱迪聪：量子计算，让具身智能大脑突破天花板 | 物理 AI 50人

接入量子计算后，仅用1/5训练轮次，模型成功率均值最高提升33%，配套GPU成本下降30倍。

作者丨郑浩钧

编辑丨李雨晨

在北京玻色量子计算中心的实验室里，靠墙摆着一台形似大型冰柜的机器。

邱迪聪带着我们走上前，隔着恒温恒湿的玻璃幕墙向里指了指：“这就是真机，1000 量子比特的量子计算机。”

作为“数耀量生”的联合创始人兼 CTO，这位曾参与过 NASA 火星车项目、带队量产过 L4 级无人车的技术狂人，如今正试图把量子计算机和GPU搭成一套混合架构，再接到具身智能的大脑上，去优化模型训练、执行的全环节。为此，他联合创立数耀量生——一家由玻色量子战略孵化的Quantum for Physical AI公司。

在对照实验中，数耀量生将具身智能头部开源模型π0.5中间某一部分做基于真机的“量子化改造”， 便实现只训练1%比例的参数，就能让数十个任务的成功率均值从93.7%提升到98.7%，训练轮次与配套的GPU成本也下降近30倍，在复杂的双臂长程任务上单任务成功率最高提升达到33%。

“如果有一天，这个大柜子（量子计算机）能缩小到一个背包大小，塞进机器人的身体里，那机器人的执行效率、精度、成功率，都会是今天没法想象的。”他说。

但这些都只是结果，要理解邱迪聪为什么会押注量子计算，还得把时间拨回十几年前。

初中时，邱迪聪就会摆弄各种机器人零件，高中又和几位伙伴一起参加青少年RoboCup和小车比赛。到了本科，他在中山大学读软件工程专业，跟着一位西班牙外教做智能人形机器人项目，还当上了机器人社社长。

本科毕业，他进了大疆做软件算法。但工作一段时间后，邱迪聪越来越确定大疆的核心是无人机，而他想要的，是能在地上走、能用双手干活的机器人。“在无人机领域，我的学习和成长已经接近饱和，再留下去就是重复劳动。”于是邱迪聪辞职前往卡内基梅隆大学（CMU）。

在CMU，邱迪聪的第一位导师是Christopher G. Atkeson，二十年如一日地坚持研究如何让机器人做家务，和邱迪聪的志向无比契合。那几年，邱迪聪跟着组里的日本博士后Akihiko Yamaguchi泡实验室，研究双臂灵巧操作，把强化学习和基于模型的优化捏在一起，起了个名字叫“混合模型学习”，增加强化学习的跨任务泛化性。在他看来，基于模型和基于强化学习两条路，没有谁先进谁落后，“无论黑猫白猫，能抓到老鼠的就是好猫”。

临近毕业时，邱迪聪进入NASA JPL参与火星车项目，负责火星车“看懂世界”的能力。

那时Mars Rover（火星车）的智能几乎为零，基本都以光照明暗等低维度特征作为判断依据，最多识别出“有石头、有沙子”，根本判断不了不同视觉内容的具体含义以及逻辑关系。邱迪聪做的，是把多模态AI装进火星车的大脑中，让火星车自己理解看到的东西，判断不同物体之间的关系。比如知道一块黑石头压在白沙上，和一层白沙盖在黑石头上，代表的是两种截然不同的地质演化。有了这层理解，地球上的科学家就能直接跟火星车“说人话”，比如说“找有高科学价值的某种地貌特征”，火星车自己就能在火星上筛选沿途拍摄到的地外星球地理景象，再把最有价值的数据优先传回来。

这是人类最早把AI用于全自动化地外探索的项目之一，拿了NASA 2021年度的技术亮点奖。

2018年从CMU毕业时，邱迪聪把目光投向自动驾驶，因为他认为当时自动驾驶是唯一一个真正把机器人和AI结合在一起、又有大量资金支持能落地的行业。当时，他拿到了英伟达自动驾驶的offer，但最后选择去MIT认知科学实验室孵化的自动驾驶公司iSee。

他与iSee的接触其实很早。2017年10月，在另一位导师William “Red” Whittaker（CMU机器人研究所的创始元老）的DARPA城市挑战赛夺冠十周年活动上，邱迪聪就和iSee创始人赵一彪聊得很投机，也顺势加入iSee实习。

不过，让他最终下决心的，是一个问题。他分别问了双方：你们做自动驾驶，目的是什么？英伟达的回答是，把芯片用上去，让车在路上跑起来；iSee的回答是，希望把人类的认知能力放进机器人的大脑中，让机器人拥有Humanistic AI的思维方式，未来不只能应用于自动驾驶。

显然，iSee的答案更吸引邱迪聪，他认为“从车和AI机器人的角度出发，最后会得出完全不一样的方式和答案”，于是最终去了iSee。

在iSee待了近三年，2021年回国后，邱迪聪在国内的自动驾驶公司带领数十人的团队做了城市道路级自动驾驶，把无人小巴Robobus量产了几百台，还从零带着团队研发了数吨重的L4清扫车——从早八点到晚八点、几十公里清扫路线完全无接管，自动加水、自动充电、自动倒垃圾。

2022年底，邱迪聪察觉到自然语言模型开始长出泛化能力，预判机器人行业3年左右就会爆发，所以去了香港科技大学（广州）读AI和机器人的博士，先学习沉淀。结果行业爆发得比预想的还快，于是他在2023年中自己下场，创立雅可比机器人。

雅可比的核心，是“零样本认知”，他们自研的大模型，能直接看懂商品的样貌和包装上的字，自动化理解更新的商品，不再需要预先人工标注。

为什么选择商超场景？当时邱迪聪和团队，按四个方面筛选了上百个场景。首先要有技术门槛，但门槛不能高到拖垮公司；市场需求要够普遍，不做只能用在几百个岗位上的技术；宣传上要贴近C端，让普罗大众看得见摸得着；还要有巨大的数据价值。

商超场景正好四方面都合适——操作就是拿和放，但物品认知门槛极高、市场空间大，同时贴近C端用户，积累的商品数据也能沿用到物流、餐饮、家庭等多种场景。

但做着做着，邱迪聪撞上了一堵墙，那是整个具身智能行业，甚至整个物理AI行业都要面对的墙——数据瓶颈、计算和学习范式瓶颈。

而在半年多前，他发现量子计算可以跨越这堵墙，又通过真机实验完成了验证，于是决定全力投入，在9月1日联合创立了数耀量生。

10月，AI科技评论在数耀量生北京办公室见到了邱迪聪，进行了一次近3小时的深度对话，他主要回答了三个问题：

1、物理AI和具身智能大脑瓶颈在哪，为什么堆数据和算力都救不了？

2、量子计算凭什么能突破这些瓶颈？

3、Physical AI量子大脑怎么接进机器人，效果有多好？

01

物理AI和具身智能大脑，

瓶颈在数据、计算和学习范式

▎AI科技评论：之前几年你一直在做具身智能大脑，为什么现在转到量子计算？

邱迪聪：其实没有“转”，都是同一件事。我之前做的核心，一直是零样本认知、空间认知的具身智能大脑，但做着做着，我发现整个行业一直无法解决数据瓶颈和计算瓶颈。

这两个问题，如果没人解决，大家只能在原来的框架里打转——数据不够就多采，模型不行就加大。而量子计算就能解决这两个问题。

其实在对照实验结果出来之前，我心里也没底。担心的有两点：一是现在的量子比特数这么低，表征能力够不够用；二是这套方法到底能不能真的work。毕竟量子计算机的比特数，跟GPU完全不是一个量级。

▎AI科技评论：数据和计算具体有什么问题？

邱迪聪：先说数据。

真实数据太贵了，噪声又大，每个人采数据都有自己的bias（偏好）。

有人喜欢这样拿，有人习惯那样抓，有人快有人慢，这些偏好全混进数据里。模型最后学的，是一个被平均过、被噪声污染过的“四不像”。这样的数据既不像任何一个具体的老师，也永远到不了那个真正的全局最优，特别在遇到多峰和长程任务的时候，效果甚至比来自同一个数据采集员的带有bias的数据还要糟糕。

你想想那个场景：为了教机器人拿个杯子，一个真人戴着设备，一次一次地示范，机器在旁边一遍一遍地记。数据是采回来了，但里面掺着每个人的习惯、甚至情绪，这些都是噪声，都会被模型原封不动学进去。

而且一个VLA任务要训好，大家通常得采2000到5000条数据，甚至更多，这个成本很高。

用仿真数据呢？仿真永远有sim-to-real gap，因为仿真世界的运行规律，跟真实世界不一样。从数学定义的角度而言，sim-to-real gap 的本质，是仿真世界的环境状态转移概率分布，与真实物理世界的环境状态转移概率分布不一致。在真实物理世界中，虽然从理论上说，一瓶水掉到桌上，由于量子隧穿效应，它有一定的概率直接穿过桌面，但这个概率小到宇宙毁灭都碰不上一次，可在模拟器里，你可能会见到十次。

所以很多人说“数据不够”，只说对了四分之一。大家只盯着量，100小时不够就1000小时。但数据的价值，其实是四个维度乘在一起的：多样性、规模、质量，还有物理真实性。任何一个维度是零，乘积就是零。

什么叫多样性？同样是拿一瓶水，但是面前有一个花盆挡住了，从花盆左边绕过去拿，还是从右边绕过去拿，就是不同的模态（modality），不同模态的覆盖程度就构成了多样性。规模，是在同一个模态下，用更多数据把它填满。质量，指数据本身不能乱采。物理真实性，意味着不能完全依赖仿真数据，因为仿真天生带gap，数据做得再多也补不上。

这四个维度，任何一个有短板，都会卡死模型的上限。

再说计算。现在所有具身智能模型，训练都用随机梯度下降。它本质上是在一片起伏的山坡上，在当前位置画一个小范围，看看往哪边走。但这个游走是带有随机性的，从数学期望上整体会变得更加好，但实际上走的每一步可能变好也可能变坏，训练效率会来回波动。

更要命的是，这中间藏着一条隐形天花板。0到100条数据，模型成功率均值提升很快；单成功率均值想从80%到90%，得再堆2000条数据；想再往上，5000条数据只能换来93%、94%的成功率。这是一个幂律效应，越堆越不划算。

为什么会有这条线？

我先举个例子，比如拿一瓶水，理论上在物理世界里存在一种最优雅、能耗最低、效率最高的拿法，而且对不同的机器人，这个最优解都不一样。可人在现实世界里操作采集，永远采不到这个“神级操作”，因为人的手会抖，而且是在遥操作机器人，而非自己的身躯，即便你采得再标准，也难免会出现很多不自然的行为，也做不出真正的最优解。所以数据质量的天花板，本质上是人的操作水平设定的。而量子计算要做的，恰恰是突破人的上限。

我们拿π0.5做基线，这是现在具身智能里的开源SOTA（state-of-the-art）模型之一。用它在8张A100/H800上训6到8万轮，成功率均值停在93.7%。8万轮之后再训，成功率上不去了，就在那上下浮动。因为当下大多数的VLA模型本质是在进行“模仿学习”，它们把所有数据按质量加权取平均——例如有三个95分和七个50分的示范数据样本，模型学出来的就是（3×95＋7×50)÷10这样的一个均值分数，这就是隐形天花板。

而且现在的数据采集流程，基本都是先定好任务再让人去采，数据样本达到某个定好的标准就认为是成功轨迹并留下，低于标准就扔。这样就导致了整个数据集的质量分布是一个黑箱——虽然都是成功数据，但分不清哪条数据是90分的成功，哪条数据是60分的成功，模型只能把这些“成功”轨迹中潜在的抖动、噪声全学进去。

▎AI科技评论：强化学习不是能解决这个问题吗？

邱迪聪：强化学习能解决，但它没法在真实世界里做，因为它要一直试错。我之前做自动驾驶，最经典的例子就是：可能需要出“100万次事故”，机器才能学会开车。这个成本，谁也承受不了。虽然这个例子比较极端，但是它的本质其实是在说强化学习在真实世界里做，成本会非常的昂贵。

邱迪聪

02

量子计算如何突破瓶颈

▎AI科技评论：这些问题，行业现在是怎么应对的？

邱迪聪：主流就三条路，但每一条都不够好。

第一条，堆数据。既然模型不够好，就采更多数据。但这解决不了本质问题——人的操作本身就有bias、有抖动、有噪声。你采100万条，成功率可能还是上不去，天花板还在那。

更要命的是成本。一条高质量真机数据，成本不低；要覆盖一个任务的所有模态，得几万条打底。可这些钱砸下去，换来的只是从93%爬到94%，边际收益低得可怜。

第二条，仿真加强化学习。你在仿真里做强化学习，成功率能飙得很高，一些榜单就是这么刷出来的。但那个飙升的真实意义没那么高，因为仿真和真实世界的分布不一样。你在仿真里敢让机器人试错一万次，真实世界你敢吗？

这就是sim-to-real的残酷之处。仿真里练出来的高手，一进真实世界就露馅，因为仿真背后的物理规律，跟真实世界是有区别的。在仿真里，你可以让机械手抓一千次杯子都不掉，但真实世界里的摩擦力、光照、重量分布都不一样，很难成功一千次。

第三条，加大模型。模型越大，理论上找到好解的概率越高。但模型大了，随机梯度下降的局部最优解、梯度鞍部和随机游走效应这些问题还是绕不开，而且训练的速度会降低、训练的成本会上涨。

这三条路，本质上都还在GPU那套经典框架里打转。

这里头还有个更深层的数学问题。机器学习里有个比较反直觉的常识：模型越大，反而越容易找到更优解，因为高维空间里有更多“维度管道”可以通行，当训练过程在某个维度掉到局部最优处，可以通过其它的维度“绕出去”。反过来，模型一小，就容易被卡在某个坑里爬不出来，学不到东西。这就是为什么大家明知小模型省算力，却不敢往小里做。

可量子的做法不一样，它每一轮迭代都是全局概率最优解，根本不需要靠初始点的随机选择去“碰运气”。所以哪怕量子比特数不高、模型小好几个数量级，它也可能装得下任务需要的所有可能性。

另外，模型对于任务的表达能力也是一个值得探讨的问题。现在基本上所有的生成式模型，都是沿着同一个范式去做的，包括VLA模型、世界模型、AIGC、甚至是多模态大模型基模。

它们都是把多模态输入encode（编码）成潜空间的向量表示；经过多层Transformers，把输入潜空间变换到输出潜空间；然后再把输出潜空间对应的向量通过decoder（解码器）翻译成目标输出显空间的表达（例如机器人的运动、世界模型输出的下一帧预测）。但是这种直接解码潜空间的方法没有一个相对好的外延性和泛化性，所以大家一般都会让Transformer输出高斯分布噪声分布的参数，再根据概率密度采样，把采样结果作为decoder的输入。

但这样子做的话，会有一些问题。

高斯分布是一个单峰分布，越靠中间的地方概率越高，越靠两边的概率越低，这个是由它的数学结构所决定的。像前面提到的拿杯子的例子，机器人可以从左边绕过花盆去拿，也可以从右边绕过去拿。但当我们分别采集左边和右边一半一半的示范轨迹，再去拟合一个高斯分布之后，它最高概率的位置不是在左边或者右边，而是在中间。这就意味着机器人从这个概率上进行行为采样，得到的结果既不是往左边拿，也不是往右边拿，而是一手直接扎进中间这个花盆上。

也有人想到了折中的办法：既然单峰表达不了多种模式，那就多接几个输出头，每个头输出一个高斯分布，再把概率分布叠加和归一化。虽然这在一定程度上缓解了多峰性缺失的问题，但本质还是单峰的拼接，到底要预设几个峰，真实任务里有几种好做法，事先谁也不知道。

▎AI科技评论：所以你觉得，问题出在方法本身？

邱迪聪：对。今天我们遇到的瓶颈，根本问题不在数据量，也不在模型大小，而在“怎么找到最优解”这件事本身。高斯分布是单峰的，随机梯度下降是局部的，这两个东西决定了，你在这个框架里怎么做，都只能得到一个平均的结果，而且很难突破数据质量本身的天花板。

▎AI科技评论：量子计算怎么解决这些问题？

邱迪聪：核心四个字——全局最优。

这里得先解释一句，量子计算的具体实现分好几种。大家最常说的是“通用量子计算机”，想用量子计算机干现在电脑干的任何事，但那还在实验室里，可能还要好多年才能大规模商用。

虽然我们的算法可以在通用量子计算机上运行，但为了更快地实际落地和商业化，我们目前用的是已经可以规模商业化的“专用量子计算机”，它可以用于求解伊辛模型以及等价的数学问题，不追求什么都能算，而我们的算子能够很好地转化成伊辛模型的等价问题。

回到刚才提到的多峰性表达能力缺失的问题，到底有没有一种天然数学结构能够表示任意的多峰连续分布，而且尽量不损失峰性表达能力呢？

有的，这个就是我们在用的玻尔兹曼能量景观分布，它没有任何的数学结构导致的分布形状约束，可以很好地拟合任意的母分布。而且只需要把这整个空间里面能量最低的点给找出来，并作为采样结果输入到decoder解码成机器人的动作，就能得到针对某个任务的最佳操作。

这个方法听起来非常好，而且玻尔兹曼机在课本里也存在很久了，但为什么一直没有人使用呢？这是因为在经典计算中通过GPU或CPU找出一个玻尔兹曼能量景观空间的最优解，本质上是个NP-hard的问题，需要对这个空间中所有维度的状态组合进行遍历。

以1000维度的玻尔兹曼机举例，即使它的每维度都是只有0和1的最简单的二值变量，所有组合加起来就有2的1000次方种，用经典计算来暴力枚举完全不可行，而通过量子计算机方案，就能直接找出全局概率最优解，目前这种方案已经应用在生物合成、分子筛选等领域。

直观地比喻，我们可以把机器人所有可能的动作，想象成一片“山脉”地形，动作越好，位置越低。传统的随机梯度下降是在“山脉”的局部探索，而我们用的量子计算方法，更像是直接把整片“山脉”读出来，然后直接找到代表最好做法的那些个点。这是量子计算带来的全局最优性，比“算出很多种可能性”更进一步。

这里的“全局”是字面意义的全局。传统优化每一次只能基于眼前的一小撮数据算下一步，是一种“走一步看一步”；量子计算是把整个解空间当作一个物理系统，让所有可能性同时参与运算，自然演化到一个全局的结果。

过去最常用的方法是高斯分布，一条中间鼓起来的单峰曲线。它简单好算，任务只有一种做法时刚好够用。但好的做法往往不止一种：走出房间，左门右门都对；抓杯子，可以握把手，也可以从上面抓。单峰分布只能取个平均，落在中间，可能会撞到房间的墙，也可能抓杯子抓了个空。

而通过量子玻尔兹曼机进行动作规划时，不预设最优解数量。“山脉”地形长成什么样，由数据决定。有几种好做法，就长出几个低点，谁也不会被平均掉。

03

把量子计算塞进具身智能

▎AI科技评论：具体怎么把量子计算机接到具身智能模型上？

邱迪聪：你不能把整个大模型塞进量子计算机，那样又贵又不现实。我们的做法分两步。

第一步，神经压缩。用一个编码器，把原本高维的真实数据，压缩到一个信息密度极高的低维潜空间。第二步，在这个潜空间里训练量子玻尔兹曼机，得到一个能量景观——能量越低的地方，效果越好。

这个能量景观，是用真实世界的少量数据“锚定”出来的。它跟真实世界的分布是无偏的，数据越多越接近真实，中间没有sim-to-real gap。然后我们把所有最低点都找出来，每个最低点就是一种最优操作，再解码回动作。

这套流程跑起来，理想状态下是真机直连：量子计算机算出来的结果，直接丢给机器人去执行。我们做实验验证的时候，就是通过内网直连真机，让量子大脑输出的动作落到机器人身上。

▎AI科技评论：效果怎么样？

邱迪聪：还是拿π0.5做对比。刚才我说过π0.5在8张A100/H800上训6到8万轮，成功率均值只有93.7%，再训也上不去。我们把中间的部分过程进行量子化，只训了12000轮，成功率均值直接到98.7%，最好的时候能到99.5%以上。

邱迪聪在2026人工智能开放计算大会上

而且我们只训练了1%的参数，其余全冻结。训练轮次少了，激活参数少了，配套的GPU也便宜了，整体成本下降了30倍。

这个实验是在LIBERO这个经典数据集上做的，效果提升还不是最大的，因为数据集本身简单。越难的任务，量子的优势反而越明显。我们后面还试了更复杂的RoboTwin，提升效果更好。

▎AI科技评论：除了拔高天花板，还有别的价值吗？

邱迪聪：有，我们还能通过受控分布来增强模型的鲁棒性。

之前说的能量景观是一套天然的量化评分体系，最低点是100分，越往上越差。我可以在能量空间里“横着切一刀”，比如切到50分的平面，在这一层上采样，得到的全是50分左右的轨迹。

这些轨迹本身不是最优，但把它给模型，模型就有了方向性——不仅知道这是成功的操作，还知道这是90分还是60分的成功。这相当于在物理世界里做强化学习，模型的鲁棒性会好很多。

这对VLA这类操作模型尤其关键。如果你只喂给它100分的示范，在解空间里就只有一座独木桥，一旦偏离模型就发疯。而给它50分、60分、90分的轨迹，等于告诉它：你现在的状态有多好，往哪个方向走会更好。

反过来，我也可以把你现有的操作丢回这个能量空间里，看看它落在哪一层——是90分还是60分，一目了然。等于说，这个空间同时是一套打分器，一边能生成更好的轨迹，一边能给已有轨迹标分，方向和程度都有了。

还要说明一下，量子玻尔兹曼机只是我们所有算子中的一个，是我们拿出来给大家讲的最经典、最好理解的那一个。背后还有一堆没有公开的成果，很多都是还没申请专利的东西。

总之，我们团队做的，是一整套从数据锚定到能量空间再到量子采样的方法论，玻尔兹曼机只是其中一环。

04

要做物理AI的CUDA

▎AI科技评论：这件事听起来门槛很高，你们的优势在哪？

邱迪聪：首先我们有专门为我们所用的量子计算机，这一条就挡掉了一堆人。其次，光有量子计算机还不够，还得线下直连真机。如果通过公有云去调用量子计算机需要排队，训练速度太慢，无法满足我们快速验证和混合计算的工程优化需求。

慢到什么程度？一次训练要12000轮，每一轮里都要调用量子计算机好几次。如果每次调用卡个十秒，你乘一下就知道，训一次可能要磨好几个月。所以必须线下直连真机，这也是为什么这个实验别人复刻不了。

另外，我们现在还跟战略孵化方玻色量子一起，优化量子计算机底座本身，做量算存一体化的混合架构，让量子计算机真正面向物理AI的海量数据和高效迭代场景去定向优化。

因为现成的量子计算机什么都能做，但没有一台是面向物理AI这种大模型定向优化过的。我们往这个方向一优化，效能还能再提升两三个数量级。这就是“量算存一体化”的意思——计算、存储、量子三者协同，而不是把量子计算当外挂。

我可以说我们是全世界第一个提出这种技术方案的。现在量子计算机刚刚走到真正能商用的节点，具身智能又恰好卡在瓶颈上，两个时间窗刚好对上。早一步没有能用的量子计算机，晚一步就没了先机。

我绕了十几年，把该踩的坑都踩了一遍。从机器人硬件到AI，从强化学习到自动驾驶，从火星车到清扫车，从创业到落地。这些东西串起来，才让我能看见量子计算和具身智能之间那条路。

▎AI科技评论：这个项目的定位，是做一个更强的具身智能公司吗？

邱迪聪：不是，我们不做机器人，也不跟任何具身智能公司竞争。我们做的是底层方法，有点像物理AI领域的CUDA。

我们的方法，理论上能服务所有生成式模型。现在先切具身智能，是因为这里的痛点最痛，效果也最明显。下一步是世界模型，再下一步，可能是更通用的生成式模型。

▎AI科技评论：这个项目具体怎么落地呢？

邱迪聪：我们想做成一个平台化的产品。头部客户可以私有化部署或采用混合架构方案，但面对更海量的、下沉的具身智能初创公司，不可能每家都派一个人去服务。所以要把能力标准化、平台化，让客户把任务和少量数据丢上来，平台直接帮他们迭代模型，甚至未来接到他们的真机上，做持续的自我进化。

05

采访里，邱迪聪反复讲同一件事：今天具身智能的天花板，取决于人。而人的手会抖，人的习惯会偏，人打的标签分不清九十分和六十分的差别。机器拼命模仿，最后学的，是人的上限。那个“理论上存在、却从没有人做出来过”的最优解，一直悬在数据够不着的地方。

量子计算要做的，是第一次让机器有机会突破这个天花板。它不再靠堆更多数据去逼近人，而是直接去够物理世界里那些真正的最优点，机器不必再把人的上限，当成自己的上限。

绕了十几年，邱迪聪做的始终是同一件事——让机器真正拥有自己的脑子。火星车、清扫车、商超机器人，那些看似绕远的选择，最后都汇到了一台目前还很笨重的量子计算机上。

至于这台机器什么时候能从半间房，缩成一个背包，没有人知道。但有些答案，本来就是要经历过千山万水，才会在合适的时候浮现。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。