IBM Research 证明量子电路在两个问题上优于大型语言模型

IBM Research 于 2026 年 9 月 15 日，发布了一篇报道，证明浅层量子电路与大型语言模型之间存在无条件的理论分离：一个功能性问题和一个采样问题，在这些问题上浅层量子电路对 LLMs 拥有可证明的优势。

文章署名列出 Srinivasan Arunachalam、Arkopal Dutt、Hari Krovi、Rik Sengupta 和 Ryan Mandelbaum。文中介绍了题为 “Separating quantum circuits from classical LLMs,” 的论文，作者为 Arunachalam、Dutt、Krovi 和 Sengupta，该论文于 2026 年 8 月 4 日 在 arXiv 上发布，全文 60 页，包含六幅图。摘要将这项工作定位为在大型语言模型时代开启量子优势研究的起点。作者将结果描述为理论性的，而非立刻可用的，指出现代 LLMs 背后成熟的大规模硬件与当前易出错的量子计算机之间的差距。

从 2018 年到大型语言模型的研究路线

该工作延续了对浅层量子电路的研究路线，其中电路深度在增加量子比特数量时保持不变。IBM 研究员 Sergey Bravyi、David Gosset 和 Robert König 于 2018 年在《Science》上发表的成果显示，某种常深度量子电路模型能够解决特定的搜索问题，而任何相当的常深度经典电路都无法解决。此后，研究人员不断强化这种分离，使其针对日益强大的经典计算模型保持优势，而量子方面仍保持浅层，正如文章所述。

鉴于大型语言模型在计算任务中的普遍存在，作者针对两类基本问题寻求分离。功能性问题涉及计算函数值，为给定输入返回正确输出，例如在提示下获取特定信息。采样问题涉及根据期望的概率分布生成输出，例如在提示下生成新的文本或图像。

功能性分离与采样分离各一

功能性分离：迭代索引函数

在功能性案例中，论文聚焦于仅解码器的 Transformer，这种架构是许多知名大型语言模型的基础，包括 GPT、Claude 和 Llama。Transformer 将原始输入进行分词，将词元嵌入为向量序列，并在多个层中反复重新加权这些向量，使用学习得到的参数和称为注意力的缩放点积机制。仅解码器模型会在收到提示后顺序生成新词元。

早期关于 Transformer 的复杂性研究已将迭代索引函数识别为需要大量计算资源的问题。文章用一个例子说明：一本书背面的索引条目指向第二本书的索引条目，后者又指向第三本书的条目，依此类推；该问题询问在经过多本连续的书籍后，这条引用链最终指向何处。

对早期结果的改编提供了下界，表明解决迭代索引问题需要 Transformer 拥有足够大的计算资源。作者随后展示，该问题可由近乎常深度、并额外加入单个经典 AND 门的量子电路解决，且该深度无法真正保持常数。摘要指出，该函数可在 O(log log n) 深度的 QNC^0 电路中计算，随后再加上单个经典 AND 门，而任何常深度的仅解码器 Transformer 若要计算该函数，其宽度必须达到 n^Ω(1)。

采样分离：奇偶性与扩散语言模型

第二项结果涉及分布式问题，其最知名的例子出现在由扩散模型（如 DALL·E 和 Stable Diffusion）处理的图像生成中。论文研究了扩散语言模型，这类模型通过向文本添加随机噪声并学习逐步消除噪声进行训练；在测试时，它们从噪声开始，迭代地去除噪声，直至输出达到期望的形式。

这里的经典问题——奇偶采样——与 Bravyi 及其合作者在 2018 年用于比较量子与经典浅层电路的问题类似。给定一串 0 和 1，奇偶性判断该串中 1 的数量是偶数还是奇数。常深度量子电路可以利用纠缠和干涉来预测未知字符串的奇偶性，从而高效地采样出具有指定奇偶性的字符串。

先前的研究已经展示了扩散语言模型在解决该抽样问题的一个变体时的局限性，但这些结果并未涵盖配备了链式思考（chain-of-thought）的模型，即模型生成并处理中间标记的能力，而早期研究普遍发现该能力显著提升了模型的性能。作者证明，即使为扩散语言模型提供一定程度的链式思考，它仍然无法高效匹配浅层量子电路产生的分布。摘要还指出，存在一种可由常深度 QNC^0 电路抽样的分布，任何使用浅层调度和去噪的常轮次扩散语言模型，即使允许亚线性链式思考以及输出标记的修订和重新掩码，也无法在常数距离内抽样该分布。

局限性与下一步方向

作者将这项工作描述为严格的理论研究，包含数学证明。他们承认当前的量子计算机在能力上受限且易受噪声和错误影响，而 传统 LLM 能够使用大规模的最先进计算硬件。该研究未确定量子系统在所研究的特定问题上超越 LLM 的确切规模；作者仅指出，从渐近角度来看，当两者直接比较时，量子电路将优于 LLM。

作者表示，他们希望这些洞见能够为制定比较量子系统与 LLM 在这些困难问题上的具体基准铺平道路。他们列出的未解问题包括：哪些问题能够将浅层量子电路与比 LLM 更强大的模型区分开来，以及受限较少的量子电路如何进行比较。他们声明的长期目标是绘制出全局通用量子计算与经典计算之间无条件分离的完整全景图，这一目标他们描述为仍有很长的路要走。

与此同时，作者写道，这项工作应当激励量子计算算法和应用的开发，因为某些问题超出了所研究的 LLM 架构的能力范围，但即使是容错量子计算的有限模型也仍能处理。作者还提出，量子计算最终可能会增强经典人工智能系统，使其能够承担原本需要大幅更多计算资源的任务，并表示对全面实现的混合量子-经典计算的未来持乐观态度。