当深度学习在 2022–2023 年前后进入主流时，它把一整套全新的词汇拖入了日常对话。突然之间，每个人都在谈论 tokens、hallucinations、context windows、fine-tuning 和 prompt engineering——这些术语在十年前几乎不存在于普通开发者的词汇表中。新一代"AI 工程师"应运而生，GPU 时间成了珍贵的商品，"推理成本"也成了工程预算中的一个条目。
量子计算正走在一条相似的轨迹上。它处于曲线的更早期，但拐点正在到来——伴随而来的是一套新术语，它们将从研究论文走进职位描述、创业路演和 Stack Overflow 问答之中。其中一些术语已经存在于量子社区里。大多数在圈外还鲜为人知。而所有这些术语都值得现在就学习，趁其他人还没开始。
以下是量子计算世界中 16 个有望走向主流的术语。
1. QPU（Quantum Processing Unit，量子处理单元）
AI 对应概念：GPU
"你有 GPU 权限吗？"成了 ML 团队中的一个标准问题。"你有 QPU 权限吗？"将会成为它在量子领域的对应版本。
QPU 是执行量子电路的硬件芯片。IBM 把他们的系统称为量子计算机，NVIDIA 拥有用于 GPU 加速仿真的 CUDA-Q，而 IonQ 的离子阱系统则是当今可用的保真度最高的 QPU。正如"GPU 时间"成了工程师争抢的资源一样，QPU 时间——即量子硬件上的实际执行周期——将会成为一种高价、可调度的资源。
这个术语已经出现在云服务的定价页面上（AWS Braket、Azure Quantum）。五年之内，它将出现在职位描述里。
2. Shot Budget（发射次数预算）
AI 对应概念：Token budget / context window
当你运行一个量子电路时，你得到的不是单一答案——而是通过多次运行电路采样得到的一个概率分布。每一次运行称为一个 shot。运行 1,000 次的电路比运行 100 次的同一电路消耗更多的 QPU 时间。
"shot budget"——即你能负担得起的执行次数——将随着 QPU 访问规模的扩大而成为一个实实在在的优化问题。正如开发者学会精简 prompt 以控制在 token 限制之内一样，量子开发者也将学会设计电路，以最少的 shot budget 提取出最大的信号。
"我们让 VQE 在 200 次 shot 内就收敛了，而不是 2,000 次——这把我们的 QPU 成本削减了 90%。"
这在诸如 VQE 和 QAOA 这样的变分算法中已经是一个真实存在的问题，因为 shot 噪声会直接影响结果质量。
3. Quantum Advantage（量子优势）
AI 对应概念：10 倍加速、"超越人类"
"quantum advantage"（量子优势）指的是量子计算机在某个具体的、真实世界的问题上，比任何经典计算机都更快或更好地求解的那一刻。它相当于 AI 基准测试中的"超越人类的表现"在量子领域的对应版本。
IBM 在 2023 年引入了相关术语 quantum utility（量子实用性），用来描述那些复杂到无法经典仿真、但又切实有用的电路——这是通向完整量子优势的一个更加务实的先导概念。随着硬件成熟，可以预期这两个术语都会出现在新闻稿、融资公告和监管讨论中。
这个区别很重要：量子优势是问题 + 硬件组合的一种属性，而不是关于量子计算机"更好"的笼统论断。理解这一点，将把有见地的量子讨论与炒作区分开来。
4. Quantum Utility（量子实用性）
AI 对应概念："生产级 AI" 与研究演示的对比
与量子优势密切相关，quantum utility（量子实用性）具体指的是：一个量子电路能产生对真实应用有用的结果，即便对该电路的经典仿真在原则上仍然可行，但实际操作起来并不现实。
IBM 在 2023 年发表于 Nature 的一篇论文中首次使用了这个术语，该论文证明了在其 Eagle 处理器上运行的某些量子电路所产生的结果，是经典仿真无法轻易验证的。相比完整的量子优势，这是一个更可实现、更近期的里程碑——也是我们在未来几年最有可能听到的那一个。
5. Transpilation（转译）
AI 对应概念：模型编译 / 量化
在一个量子电路能够在真实硬件上运行之前，它必须经过转译（transpiled）——从抽象操作转换为硬件的原生门集合，并重新路由量子比特操作以满足物理连接性约束。这类似于深度学习模型必须针对特定芯片架构进行编译和优化。
from qiskit.compiler import transpile
# Circuit written in abstract gates
transpiled = transpile(circuit, backend=real_qpu, optimization_level=3)
随着量子计算走向生产环境，"转译开销"（transpilation overhead）和"转译深度"（transpilation depth）将成为标准的工程考量——就像今天的推理延迟和模型量化一样。
6. Coherence Time（相干时间，T1 / T2）
AI 对应概念：Context window / 内存限制
量子比特不会永远保持量子态。它会衰减——通过一个称为退相干（decoherence）的过程，在环境噪声中失去其叠加态。T1 时间（能量弛豫）和 T2 时间（相位相干）衡量了量子比特能保持可用状态多长时间。
这相当于量子领域的 context window：它定义了在量子比特退化为经典噪声之前，你能执行的最大电路深度。IBM 的超导量子比特的 T2 时间约为 100–300 微秒。IonQ 的离子阱量子比特的 T2 时间超过一秒——这正是它们的电路可以深得多的原因。
"我们的电路对这个后端来说太深了——最后一个门还没执行完，我们就会撞上 T2。"
开发者将学会像预算内存那样去预算相干时间。
7. Decoherence Budget（退相干预算）
AI 对应概念：延迟预算 / 计算预算
这是 T1/T2 的一个自然延伸：decoherence budget（退相干预算）是指在误差累积到失去可用性之前，一个电路可用于完成计算的总"相干时间"。更长的电路会消耗更多的退相干预算。
随着量子应用变得更加复杂，架构师将设计出保持在退相干预算之内的系统——在电路深度与结果保真度之间做权衡，类似于今天的后端工程师在响应延迟与计算成本之间做权衡。
8. Circuit Fidelity（电路保真度）
AI 对应概念：模型准确率 / F1 分数
Fidelity（保真度）衡量的是电路实际产生的量子态与理想理论态之间的接近程度。保真度为 99% 的电路是出色的。而 90% 的电路对于精密应用可能就毫无用处。
保真度会随着每施加一个门（每个门都有错误率）以及电路深度的增加（更长的电路退相干更严重）而下降。它将成为 QPU 结果的首要质量指标——相当于量子领域中模型在基准测试上的准确率。
9. Physical vs. Logical Qubit（物理量子比特与逻辑量子比特）
AI 对应概念：原始参数量与有效模型容量的对比
一个正在走向主流的最重要区别：physical qubit（物理量子比特）是真实的硬件量子比特（有噪声、易出错）。logical qubit（逻辑量子比特）则是一个经过纠错的量子比特，编码在许多物理量子比特之上——可靠，但代价高昂。
如今最好的硬件（IBM、IonQ）都在用物理量子比特运行。完全容错的量子计算需要逻辑量子比特。目前的估计是，对于表面码纠错，其比例为每个逻辑量子比特需要 1,000–10,000 个物理量子比特。
当你听到"IBM 拥有 1,000 个量子比特"时，那指的是物理量子比特。一台能够针对 RSA-2048 运行 Shor 算法的容错计算机将需要数百万个物理量子比特。
理解这个区别，对于把量子硬件的营销宣传与技术现实区分开来至关重要。
10. Quantum-Safe / Post-Quantum Cryptography（抗量子 / 后量子密码学）
AI 对应概念："抗 AI"（不太贴切）→ 实际上更接近"算法领域的 GDPR"
这个术语已经在走出研究世界。Post-quantum cryptography（后量子密码学，PQC）指的是被设计用来抵御量子计算机攻击的经典密码算法。威胁在于：Shor 算法能够分解支撑 RSA 的大素数，从而攻破当今大多数公钥加密。
NIST 在 2024 年敲定了其首批后量子密码学标准（CRYSTALS-Kyber、CRYSTALS-Dilithium）。"Quantum-safe"（抗量子）将在五年之内成为一个认证与合规术语——出现在安全审计、采购要求和云服务商文档中。
大多数组织都应该防范的攻击途径是："harvest now, decrypt later"（先收集，后解密）——攻击者如今收集加密数据，意图在量子计算机能力足够强大时再将其解密。
11. Hybrid Algorithm / Quantum-Classical Hybrid（混合算法 / 量子-经典混合）
AI 对应概念："AI 辅助"工作流、CPU+GPU 异构计算
几乎所有近期的量子应用都是混合式的：一个经典优化器反复调用一个量子电路，把经典计算机难以处理的部分（态制备、干涉）交给量子硬件，而由经典计算机处理优化循环。
VQE 和 QAOA 是典型的混合算法。随着量子编程框架的成熟，"混合工作流编排"——管理经典计算与量子计算之间的交接——将成为一个标准的软件工程问题。可以预期，围绕它会涌现出各种工具、框架和职位头衔。
12. Variational Circuit（变分电路，Parameterized Quantum Circuit）
AI 对应概念：神经网络（可训练权重）
一个变分电路（variational circuit）或参数化量子电路（parameterized quantum circuit，PQC）是一个带有可调旋转角度的量子电路——本质上就是一个量子神经网络层。这些参数由一个经典优化器进行调整，以最小化某个代价函数。
VQE 使用变分电路作为能量估计器。QAOA 则用它来编码优化问题。随着量子机器学习的发展，"训练一个量子电路"将变得像"训练一个神经网络"一样自然。
13. Quantum Volume（量子体积，QV）
AI 对应概念：FLOPS、基准测试分数（MLPerf）
Quantum Volume（量子体积）是 IBM 引入的一个单一数值基准，它整体性地刻画了 QPU 的性能——同时兼顾量子比特数量、门保真度、连接性以及最大可执行电路深度。
一台 QV 为 128（= 2^7，等价于 7 量子比特电路）的 QPU 优于一台 QV 为 64 的 QPU，即便后者拥有更多的原始量子比特。它是量子世界的"MLPerf 分数"——一个厂商会用来做宣传、开发者会用来比较硬件的数字。
14. Quantum Job / Quantum Queue（量子作业 / 量子队列）
AI 对应概念：批量推理作业、GPU 队列
当你把一个电路提交给真实的 QPU 时，你提交的是一个进入量子队列（quantum queue）的量子作业（quantum job）——量子队列是一个管理共享硬件访问的调度系统。IBM Quantum 免费层的作业常常要在队列中排在付费层客户后面等待数分钟乃至数小时。
"作业吞吐量"、"队列深度"和"作业优先级"将成为量子基础设施团队的运维指标——在本质上与今天管理 GPU 集群作业队列如出一辙。
15. Error Mitigation vs. Error Correction（错误缓解与错误纠正）
AI 对应概念：正则化（缓解）与硬件 ECC（纠正）
这个区别很重要，而且一旦量子走向主流，它将被不断地误用。
Error correction（错误纠正）——用冗余来编码逻辑量子比特，从而能够检测并修复错误。需要约 1,000:1 的物理量子比特对逻辑量子比特的开销。目前尚无法大规模实现。
Error mitigation（错误缓解）——一种经典的后处理技术，在不进行物理纠正的情况下，从统计上降低噪声的影响。零噪声外推、概率性错误抵消、测量错误缓解。现已可用，运行在 NISQ 硬件上。
当某个厂商声称他们的 QPU"能处理错误"时，一定要问清楚他们指的是哪一种。
16. Quantum Developer / Quantum Engineer（量子开发者 / 量子工程师）
AI 对应概念：ML Engineer、AI Engineer、Prompt Engineer
或许是最具影响力的新术语：quantum developer（量子开发者）。正如"AI 工程师"这一角色在 2023 年前后成型——既区别于传统软件工程，也区别于 ML 研究——"量子开发者"这一角色也正围绕着一套特定的技能组合逐渐成形：
- 用 Qiskit、Cirq 或 HLQuantum 等框架编写电路
- 理解硬件约束（连接性、噪声、相干性）
- 设计混合的经典-量子工作流
- 解读概率性结果和保真度指标
像 HLQuantum 这样的工具——它们提供了一个横跨所有后端的统一 API——正在加速这一进程，让开发者无需深入掌握每个 SDK 的种种特性就能编写可移植的量子代码。2028 年的"量子开发者"很可能会像今天的 Web 开发者使用框架那样去使用一个抽象层，而不是为每个后端编写原始电路。
规律
纵观这 16 个术语，一种规律浮现出来。每一次重大的平台变革都会催生：
- 一个新的计算单位——GPU → QPU，tokens → shots
- 一个新的资源约束——VRAM、context window → 相干时间、shot budget
- 一个新的质量指标——准确率、F1 → 保真度、量子体积
- 一个新的编译步骤——模型量化 → 转译
- 一种新的混合架构——CPU+GPU → 经典+量子
- 一个新的安全面——对抗性 ML → 后量子密码学
- 一个新的职位头衔——ML 工程师 → 量子工程师
量子计算的词汇不仅仅是行话——它直接对应着真实的工程约束、真实的权衡和真实的机遇。在主流浪潮到来之前就学会它，与早期的云工程师在大多数开发者之前就开始关注"延迟"和"吞吐量"时所下的那一注是同一种赌注。
最好的开始时机是五年前。第二好的时机就是现在——趁硬件还能免费访问、学习曲线还处于最低点的时候。
从这里开始： 免费运行你的第一个量子电路 →