量子计算：打破算力瓶颈的新范式
量子是对参与相互作用，并呈现量子力学效应的物理系统的抽象描述。量子并非特指某一类粒子；在不同物理实现与应用场景下，电子、光子、原子都可被作为“量子”来定义与操控。根据世界经济论坛对量子技术的常见划分，量子科技以量子力学基本原理为理论基础，主要覆盖量子计算、量子通信和量子传感三大方向，其中量子计算通常被认为是产业化空间与资本投入最为集中的赛道，2024 年占据 63%的产业规模。 量子计算通过量子的叠加、纠缠等特性实现对特定问题的并行计算。量子计算可缓解经典计算在组合优化、复杂系统模拟等场景中的效率瓶颈，在金融交易、生物医药、化工材料等方面具备产业价值。量子通信依托量子纠缠、量子密钥分发、后量子密码学等技术体系，面向高安全等级场景提供以物理机制与密码体制共同支撑的安全通信能力，主要服务国防、政务与金融等关键基础领域。量子传感可提供高精密度、灵敏度和稳定性的传感测量，在军事应用、航空交通与深空探测等场景中价值突出。
量子计算正经历从理论奠基到逐渐落地的快速发展。回顾全球量子计算的发展历程，过往总体可以分为三大阶段：1）理论奠基阶段：量子计算源于 1981 年理查德・费曼首次提出用量子系统模拟量子现象的设想，随着不断的理论探索与数学模型构建，包括戴维・多伊奇的“通用量子计算机”概念、Shor 算法、Grover 算法的相继提出，奠定了量子计算的理论基石。2）起步探索阶段：该阶段不断有机构突破量子比特的实现方式，多种技术路径逐步成型，标志性事件包括 IBM 成功运行 Shor 算法以及推出云端量子计算平台、D-Wave 推出首款商用量子退火机、发布量子比特超导原型机 Sycamore。3）技术突破阶段：2020 年后，量子计算进入多技术路线并行发展和实用化探索的新阶段，中科大团队实现“九章”光量子计算原型机，并在此后陆续推出“九章二号”“九章三号”；Google 也于 2024 年发布了 105 量子比特的超导芯片“Willow”，进一步提升了量子系统的规模和性能。
在 AI 时代的驱动下，算力结构的重心正逐渐从训练端转向推理端。训练端是聚焦于模型的研发与迭代环节，通过向模型输入海量数据，依托高性能算力集群持续优化模型参数、修正算法偏差；推理端则聚焦于模型的应用环节，利用训练好的模型接收输入数据并快速输出预测结果。推理算力的核心需求是低延迟、高吞吐量、高性价比，随着大模型逐渐成熟，算力结构重心正逐渐向推理端迁移。从国内数据看，2023 年训练端算力占比为 59%，该数据到 2024 年已降至 35%，到 2028 年预计将降至 27%，而推理端的算力市场规模有望从 2024 年的 175 亿元攀升至 2028 年的2931.2 亿元，CAGR 达 102.25%。
从需求侧看，算力缺口的形成往往并非线性。当下大模型处理的任务日益复杂，从推理端吞吐量与时延这两个核心指标出发，长上下文、多模态、工具调用与多步推理的综合使用会显著抬升单任务 Token 调用量；为在既定体验目标下维持同等吞吐与低时延，通常需要配置更多算力硬件并叠加更高效的推理算法，以持续外推大模型服务的性能边界；而当算力供给增速难以同步需求扩张时，在相同算力配置下任务复杂度继续提升、叠加 Agentic AI 等新调用模式带来的多轮交互与更长生成链路，将使 Token 吞吐压力与尾延迟问题进一步突出，从而倒逼所需算力相对 Token 调用规模呈倍数放大。在此背景下，英伟达 CEO 黄仁勋在 2025 年 GTC 期间提到“Agentic AI 与推理将使计算需求提升 100 倍”，判断未来 3-5 年推理端有望成为算力需求的核心增量来源之一。量子计算基于其在特定任务上的优势，有望在供给侧提供新的效用曲线，对现有计算基础设施在并行处理能力、延迟响应速度等维度形成补充。
量子计算源于量子的叠加、纠缠两大特性。量子计算在计算范式上与经典计算存在本质不同：1）计算单元：量子计算利用量子比特进行计算，利用量子叠加特性可同时处于 0 和 1 的叠加态；经典计算基于冯诺依曼架构采用二进制比特，每个比特只能处于 0 或 1 的确定状态；2）数据处理：量子计算通过叠加特性实现并行计算，n 个量子比特可同时处理 2ⁿ种可能性，大幅提高运算效率，而经典计算按逻辑门规则对信息进行处理，单次计算只能处理 1 次任务；3）算力性能：量子计算依托叠加态赋予的并行计算能力与量子纠缠构建的强关联特性，算力随量子比特数量的增长呈指数级扩容，在特定复杂问题中存在指数级加速效果，而经典计算的算力提升与晶体管密度、频率呈现近似线性正相关关系，边际收益受制于能效与互连瓶颈，体现出量子优越性。
经典算力受摩尔定律和功耗限制陷入发展瓶颈。AI 时代算力需求爆发，经典计算机依赖晶体管微型化实现算力提升，随着摩尔定律逐步放缓，晶体管尺寸微缩难度加大，先进制造工艺发展受阻，导致算力供给增长乏力；与此同时，由于计算密度的急剧提升，电子元器件的发热密度也越来越高，带来高成本和低能源利用效率，尤其是 AI 时代下，GPU 需同时处理更多数据信息以提升计算效能，例如英伟达Blackwell B200 单颗芯片的 TDP 达 1000W；模组层面，由一颗 Grace CPU 和两颗Blackwell GPU 组成的 GB200 模组 TDP 高达 2700W。高功耗密度下，过高的温度会降低芯片内部的电子迁移率，最终以降频的形式体现为算力损失，从而抬升规模化部署门槛。
报告全文可扫描下方图片二维码进入星球社群查阅下载
（报告来源：东北证券。本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
