从 Ising 解码器到 ChemGraph：一张 2026 「量子×AI」开源生态地图

如果说 2024 年是「谁家量子比特多」的算力竞赛，2025 年是「谁先实现纠错阈值之下」的硬件竞赛，那 2026 年 H2 把这一切翻了一层——当量子硬件碰到 0.1% 错误率的天花板，再往前一步就不是物理学家的事了，是 AI 模型的事。

NVIDIA 在 GTC 2026 上把这件事摊到了台面上：开源 AI 模型家族 Ising 的校准模型把芯片调试周期从「天」压到「小时」，解码模型比 pyMatching 快 2.5×、准 3×。Q-CTRL Fire Opal 走的是同一方向：作为 Qiskit Function 接入 IBM Quantum Platform，30 shots 就能让结果达到 99% 置信，而默认 Qiskit Runtime 需要 170,000 shots。Google 的 AlphaQubit 用 Transformer 做 Willow 芯片的解码器，把错误率压到 0.143%。

这三家，三个不同技术栈，但都在做同一件事：把 AI 变成量子硬件的控制平面。

一张四象限矩阵

把目前能搜到的 18 个活跃项目摊开，可以分成四个象限：

象限 I · AI for Quantum（NVIDIA Ising / Q-CTRL Fire Opal / Google AlphaQubit）——核心是「AI 模型替人类调试硬件」，Apache-2.0 协议，模型权重直接给，绑定 GPU。

象限 II · Quantum for AI 框架（PennyLane / Qiskit ML / TFQ / Cirq / Classiq）——核心是「让量子电路成为 ML 训练的一层」。PennyLane 是 JAX/Autograd 友好的，Qiskit ML 跟 IBM 硬件紧耦合，TFQ 已经半死不活，Cirq 偏底层，Classiq 1.0 开始内嵌 AI 助手并支持 Claude Code。

象限 III · AI 自动生成量子电路（ADAPT-GQE / Vista / DreamQAS）——这是 2026 上半年最热的学术子方向。三个项目都在 4-7 月之间跑通：ADAPT-GQE 用 Transformer + RL 把电路生成时间缩短一个数量级，并首次把 AI 生成的量子化学电路实跑在 Quantinuum Helios-1 上；Vista 用 Qwen3-4B + GRPO + 四阶段验证让 OpenQASM 3.0 生成 Pass@10 达到 100%；DreamQAS 用模型化 RL 把真实 VQE 调用减少 10.6×。

象限 IV · AI Agent + 量子 SDK（Classiq + Claude Code / ChemGraph / LiTENexus / Quoptuna / DREAMVFIA）——这是 H2 真正的隐藏主线。Argonne 国家实验室在 2026-07-19 开源了 ChemGraph（LangGraph + ASE + MCP server，让化学家用自然语言跑 DFT 工作流）；浙大 CADD 实验室在 2026-05-22 把 LiTENexus 开源（量子化学驱动的端到端 AI 药物发现）；社区团队 Qentora 在 2026-07-06 推出 Quoptuna，把 20+ QML 模型统一到 PennyLane 之上。

底层基础设施（横跨四象限）：CUDA-Q 0.15.x（Apache-2.0）、cuQuantum v25.11（cuStateVec + cuTensorNet，被 Cirq / Qiskit / PennyLane 调用）、QuEra 的 Bloqade Circuit + Shuttle + Tsim（中性原子专用 + Non-Clifford 模拟）、Amazon Braket（多硬件统一 SDK）。

三个非直觉的判断

第一，「AI for Quantum」才是 2026 的真主线。三家头部公司同方向推进，意味着量子硬件已经进入「没有 AI 调试就寸步难行」的阶段。从基础设施到应用层，凡是 2025-2026 立项的新量子硬件团队，默认要带 AI 工具栈，否则招不到做实时解码的工程师。

第二，TFQ 已死，Cirq 半死。Google 把战略重心压在 Willow 硬件层，TFQ 的维护节奏明显放缓——新项目不要再基于 TFQ 起步了。

第三，「AI Agent + 量子 SDK」是 H2 隐藏主线。Classiq × Anthropic、ChemGraph、LiTENexus 三个方向殊途同归：把 LLM 当作量子 SDK 的「自然语言前端」。谁先把端到端 agent 跑通，谁就吃下 2027 年的开发者心智。

一个护城河测试

NVIDIA Ising 有一个反直觉的设计：模型开源 Apache-2.0，但解码器依赖 NVQLink 低延迟互连才能在解码窗口内把测量数据喂到 GPU。换句话说，模型免费，平台绑定。这跟 NVIDIA 在 Nemotron / Cosmos / GR00T 上的打法完全一致。

12 个月内值得盯一个关键测试：IonQ / Quantinuum / IBM 这些非 NVIDIA 系硬件团队，能不能在「不绑定 NVIDIA 平台」的前提下复现 2.5× 解码加速？如果能，NVIDIA 的「AI 控制平面」叙事就只是阶段性领先；如果不能，NVIDIA 的护城河就从 GPU 顺延到量子，整个行业的「量子操作系统」将跑在 CUDA 之上。

何时该自己动手

如果你是 ML 工程师想试水：pip install pennylane torch 一行起步，default.qubit 模拟器在 25-30 qubit 内表现稳定。

如果你的工作需要跑真实硬件：Classiq 或 Qiskit ML，配 Q-CTRL Fire Opal 作为「性能放大器」。

如果你在做药物 / 材料方向：先看 LiTENexus 或 ChemGraph 这类 agent 框架，避开从量子线路手写。

如果你的研究方向是 AI 生成电路：盯 12-18 个月——三个独立团队在 2 个月内先后跑通了 RL / Transformer 路线，距离工业可用大概还要 12-18 个月。