误差降 40 倍:量子计算最难的一环被搬上芯片
Google 的量子团队又交了一份作业。这次的重点不是比特数又多出多少,而是量子计算里一项公认难啃的技术,第一次真正搬到芯片上跑通了。
按 Google Quantum AI 的说法,他们周四公布的一项叫「魔法态培养」(magic state cultivation)的技术,在 Willow 处理器上把误差降低了约 40 倍,做出来的魔法态保真度达到 99.99%,论文发表在 Science 上。
魔法态听起来玄乎,其实就是量子计算机运行有用程序时必须要消耗的一次性资源。它造得贵不贵,直接决定量子计算机能不能从实验室走到真正干活的那一天,也决定它离破解 RSA-2048 那类加密还有多远。下面把这件事拆开说:魔法态到底是什么、为什么这么贵、误差降 40 倍意味着什么、和链上常被讨论的 Quant销毁机制在思路上有什么相通与不同,以及它离现实还有多远。
魔法态是什么?为什么它能卡住整个行业?
量子计算机靠量子比特跑计算。量子比特能同时处在 0 和 1 的叠加态,所以它可以在很多种答案里并行地找。但它也脆得离谱,一点热量或者电噪声就能把一个量子比特翻过去,让整段计算作废。行业这些年一直在死磕误差更正,思路是把一条信息摊到很多个量子比特上,这样出错能被发现、也能改回来。
误差更正护得住简单操作,护不住难操作
麻烦在于,误差更正只对相对简单的操作好使。一个真正有用的程序还需要一类更难的操作,而这类操作没法用同样的方式直接保护。机器得先「造」出魔法态,靠它们去支撑这些操作。
魔法态是一次性的,用完就没了
魔法态的性质有点像一次性燃料:每执行一次就消耗掉一个,接着得再造一个。据 Google 的说法,有估算认为制造魔法态的开销能占到一台量子计算机全部能力的 95%,留给真正计算的余量少得可怜。
误差降 40 倍是什么概念?
过去应对魔法态太脏的办法,是 2004 年物理学家 Sergei Bravyi 和 Alexei Kitaev 提出的「魔法态蒸馏」:把一大堆噪声很大的魔法态反复提纯,最后留下少数几个干净的。这招管用,代价是要专门划出一大片量子比特去建「工厂」,这些比特只能干这件事,不干别的。
2024 年,Google 的研究人员提出了一条更省的路子,也就是这次的魔法态培养。它不像工厂,更像一个筛子:把一个粗糙的魔法态注入芯片上一小块区域,跑一串检查,只要侦测到瑕疵就把这次尝试丢掉,活下来的继续养。他们当时的论文甚至写到,今后可能再也不需要蒸馏。这次是这条路子第一次在真芯片上验证,而不是停留在理论和模拟里。
Google 给出的结果是:在 Willow 上,这套流程相对未经培养的状态把误差降了约 40 倍,做出的 T 态有 99.99% 的逻辑保真度。代价也摆在明面上,大约只有 8% 的尝试能通过全部检查,等于十次里有九次以上是被丢掉的。
魔法态和 Quant销毁机制像在哪?
链上资产领域常讨论「销毁机制」,比如经常被提到的 Quant销毁机制、COMP销毁机制这类话题,核心逻辑是把一部分资源永久移出流通,让剩下的那部分显得更干净、更稀缺。魔法态培养在某个层面上确实和它像:都是靠丢掉大部分、只留少数合格品来换质量。
但两者的目的完全不是一回事。销毁机制处理的是已经存在的资产,动作方向是减少总量;魔法态是运算过程中被消耗的一次性资源,动作方向是造出足够干净的资源来用。一个是在公开账本上做减法,一个是在芯片里做过滤。把它们放在一起看,反而更容易记住一个结论:魔法态不是资产,它更像耗材。
和 RSA-2048 加密有什么关系?
魔法态培养是 Google 那个「RSA-2048 可能被少数噪声量子比特击破」估算背后的技巧之一。2025 年 Gidney 给出的估算是不到 1 million 个带噪声的量子比特就够了,而他 2019 年的估算是 20 million 个。在这次实验之前,培养这条路只存在于理论和计算机模拟中。
500,000 个物理量子比特这个估算从哪来
到了 3 月,Google Quantum AI 与以太坊基金会研究员 Justin Drake、斯坦福密码学家 Dan Boneh 合作的一份白皮书,把击破比特币所依赖的椭圆曲线加密——那套防止别人从你的公开地址推出私钥的数学——的成本,估算为不到 500,000 个物理量子比特。再往前,去年 10 月的量子回声实验,是第一次在真实硬件上验证的量子加速。
现在还差多远?
眼下没人能靠这个掏空钱包。这次实验最多只用了 Willow 全部 105 个量子比特里的 54 个。论文自己也写明,真要分解一个 RSA-2048 密钥,需要的魔法态差错率大概得在 one in 10 billion 这个量级,用原文的说法是 roughly a million times cleaner,比 Google 这次拿到的结果还要干净得多。差距是实打实的。
下一步 Google 打算怎么走?
Google 说,接下来的一步是把培养放到更大规模上去跑。
为什么降硬件噪声的收益是「立方级」的
团队给出的推算挺有意思:如果 Willow 的底层硬件噪声减半,魔法态的误差能降到大约 two in 100,000。原因是这套流程里的误差,会随芯片噪声水平的立方缩小——噪声降一半,误差掉下去的幅度远不止一半。这也是为什么在硬件层面抠噪声,性价比比想象中高。
结语:魔法态从论文走进了芯片
这次实验最实在的价值,是把一个纸上技巧变成了芯片上跑得通的流程,它没有让量子计算机明天就能破解什么,但把制造一次性资源的成本往下压了一截。
本文基于公开媒体报道整理,仅作信息参考,不构成任何投资依据,内容以原文为准。