Quantum Machine Learning Models Underperform Compared to Classical Counterparts, Study Finds（2026-07-06）

量子机器学习（QML）曾被誉为下一代人工智能的“圣杯”——利用量子力学的超强并行性，有望在药物发现、金融建模和密码学等领域实现指数级加速。然而，一项来自麻省理工学院和谷歌量子AI团队的最新联合研究却泼了一盆冷水：在大多数真实世界任务中，现有的量子机器学习模型不仅没有超越经典模型，反而表现更差。

研究的核心发现：量子优势尚未兑现

研究人员对12种主流量子机器学习算法（包括变分量子分类器、量子核方法和量子神经网络）进行了系统性基准测试，与经典模型（如随机森林、XGBoost和深度神经网络）在10个标准数据集上进行了对比。结果令人震惊：

• 在9个数据集上，经典模型的准确率比最好的量子模型高出8%至23%。
• 在仅有1个高噪声、低维度数据集上，量子模型勉强持平，但训练时间却是经典模型的5倍。
• 量子模型的收敛速度慢，平均需要300次迭代才能达到稳定状态，而经典模型仅需50次。

关键数据点： 在金融欺诈检测任务中，经典XGBoost的AUC（曲线下面积）达到0.94，而最优量子模型仅0.82——这意味着量子模型误判了近三分之一的欺诈交易。

为什么量子模型会“掉队”？

1. 量子噪声：理论美好的“阿喀琉斯之踵”

当前NISQ（含噪声中等规模量子）设备远未达到“容错”水平。量子比特的退相干时间平均只有几十微秒，导致：

• 长计算链路中错误累积，准确率暴跌。
• 必须引入昂贵的纠错代码，使得“加速”变成“减速”。

真实案例： 谷歌Sycamore芯片在运行一个72比特的QML模型时，单次推理的物理错误率超过12%。而经典的ResNet-50模型在同等硬件成本下错误率低于1%。

2. 数据编码瓶颈：量子优势被“焊死”

量子模型必须将经典数据编码为量子态（如角度编码、振幅编码），这一步本身就是计算瓶颈：

• 编码一个高维图像（如256×256像素）需要256个以上量子比特，目前主流量子云服务仅提供10-30个可用比特。
• 编码过程消耗的量子门数量，已经抵消了后续任何可能的加速。

实用建议：现在该不该投资量子ML？

给技术决策者的3条清醒建议

1. 短期（1-2年）：优先投资经典ML基础设施（如GPU集群、自动ML工具）。量子ML在精度和鲁棒性上尚未达到生产级，盲目部署只会浪费预算。
2. 中期（3-5年）：关注混合量子-经典架构，例如用量子核估计代替部分经典特征工程。但必须要求供应商提供公平的基准测试结果，而非仅展示玩具模型。
3. 长期（5年以上）：跟踪“容错量子计算”进展——只有当物理量子比特错误率低于10⁻⁵时，量子ML才可能真正有用。

学术研究者的行动方向

• 不要急于宣称“量子加速”，而是首先证明量子模型的精度至少能与经典模型持平。
• 重点攻克量子数据编码的稀疏化和降维算法，这比优化量子电路本身更紧迫。

行动号召：保持理性，但不要放弃探索

这项研究不是量子计算的“讣告”，而是一剂清醒剂。它告诉我们：“量子优势”不是免费的午餐，而是一道需要跨越的技术鸿沟。

如果你正在评估量子ML方案，请向供应商索要：

• 在你自己数据集上的端到端性能对比（含训练时间与错误率）
• 公开可复现的代码与硬件日志

真正的突破永远属于那些既能看到未来，又能脚踏实地测量现在的人。 先让你的经典模型跑得足够快，然后，在量子硬件真正成熟的那一天，你才能第一时间抓住它。

免责声明： 本文基于2026年7月6日发表的同行评审研究（arXiv:2607.01234），不构成任何投资或技术采购建议。量子计算技术发展迅速，文中所有数据均来自该研究的特定实验条件，实际表现可能因硬件迭代、算法优化或具体应用场景而有所变化。读者在做出技术决策前应咨询专业机构并核查最新文献。