先备导航：你需要 046（HHL 与编码陷阱）、014/015（账本）、020（角度语言）、032（内积黑箱）。
下一篇预告：048《什么时候真的有用：量子机器学习 II》。

给数据编码的三种姿势：量子机器学习 I

搬过家的人都懂：**决定搬家效率的，一半是车，一半是装车的方式。**一人一件随身拎（轻快但运得少）；整柜集装箱（装得多但得等吊机）；边做饭边下料（不占库房但要一直在灶前）。

"量子机器学习"这栋大厦的地基，恰好也是一件装车活：经典数据怎么装进量子账本。上一篇 HHL 的陷阱一已经揭过底——数据装载能把指数加速整段吃掉。本篇把"装车"的三种主流姿势摆开，各算各的租金；看懂它们，你就有了判断"量子机器学习"新闻真伪的第一把尺子。

为什么装车是命门

先把账摆平。一个数据点若有 N 个特征（一张图片的 N 个像素、一个客户的 N 个指标），想让它"住进"量子机器，只能变成一个 n 比特的量子态。而 n 比特的账本有 2^n 个振幅格——量子机器的诱惑全在这里：理论上，n 个比特装得下 N=2^n 个特征。

但诱惑的背面是两笔固定支出：装进去（态制备——把经典数字写进振幅，046 篇的 qRAM 难题）与取出来（测量只许采样——016 篇的铁律）。三种姿势，就是对这两笔支出的三种取舍。

姿势一：角度编码——一人一件随身拎

最朴素的装法：一个特征配一个比特，特征值变成那根线上的旋转角度（020 篇的角度语言，如数兑现）——数据 0.37 就把某比特的门拧 0.37 个角度。N 个特征用 n=N 个比特，几层浅门装完。

• 租金：装载便宜（浅电路、抗噪声）、取数朴素；
• 代价：账本没变大——n 个比特只装 n 个特征，2^n 的指数空间根本没用上。

它是今天真机上量子机器学习论文的默认装法：轻装上阵，但"指数容量"这份量子诱饵没有兑现。这不是笨，是权衡：浅电路在含噪机器上是刚需（030 篇的 NISQ 现实）。

姿势二：振幅编码——集装箱，等吊机

激进的装法：N 个特征直接写成 n=log₂N 个比特的振幅分布——1000 个特征，只需 10 个比特。指数压缩，账本用满。

• 租金：空间指数级省；
• 代价：装卸要吊机——把任意经典向量制备成振幅态，正是 046 篇那个"装载 O(N) 吃掉加速"的命门；没有实用化的量子内存（qRAM），集装箱只能停在码头。

HHL 用的就是它。定理世界与工程世界的分水岭，往往就是这一道装卸工序。

姿势三：数据重上传——边做饭边放料

第三种最有"厨艺相"：不先把数据装完再加工，而是把数据"夹"进电路的每一层——第 1 层门就着数据转，第 2 层再就着转，层层入味。每层的门都轻微不同（因为料不同），层层叠出丰富的干涉图案。

• 租金：装载便宜（每次只"放一点料"，浅门）、表达力意外地强——理论证明，哪怕只用一个比特，反复上传也足以表达一大类函数；
• 代价：电路层数随精度涨（深度换表达力——含噪机器上照旧要跟退相干赛跑），且"哪里强"的理论地图还在绘制中。

它是近四年量子机器学习实验里最活跃的姿势——"轻装载+强表达"的中间路线。

租金总表与一个关键洞见

三个姿势摆完，本篇的关键洞见可以立牌了：

量子机器学习的"量子性"，一大半住在编码里。

一个 QML 模型有没有可能赢过经典，第一判据不是电路多花哨（电路再怪，浅层结构常能被经典模拟——048 篇的主戏），而是：数据进了账本的哪个房间。用角度编码，数据只占 n 格，经典模拟器轻松跟跑（030 篇的 2^n 天花板根本没被踩到）；用振幅编码，才算真正站进了经典进不去的指数空间——然后立刻撞上吊机难题。进退之间，就是当前量子机器学习的全部战场。

把类比拆掉

装车类比借了哪里：

• 不像之一：集装箱装的是实体，可以开箱点货；振幅编码装的是"住进干涉结构的数"——取回只许采样（046 陷阱一），"压缩"不是无损打包，是换了信息的存在方式。
• 不像之二：装车方式与目的地无关；编码方式与"下游想干什么"深度绑定——要采样估计（HHL 式）选振幅编码，要训练分类器（浅电路）选角度/重上传。没有最好的姿势，只有对得上任务的姿势。

带走的行李

1. 三种装法三种租金：角度编码（一人一件：装载浅、容量没用满）、振幅编码（集装箱：指数容量、装卸等吊机）、数据重上传（边做边放料：轻装载+表达力，深度换精度）。
2. 编码决定量子性：模型赢不赢，第一判据是"数据进了哪个房间"——账本没踩到 2^n 空间的，经典模拟器都跟得上。
3. 与 046 对账：振幅编码对应 HHL 的定理世界（qRAM 悬空），角度/重上传对应 NISQ 实验世界（浅电路）——两条战线各有各的天花板。

下一站的钩子：姿势摆完了，该问那个最扎心的问题了：**这些模型什么时候真的有用？**有一类结果给整个领域泼过冷水：不少"量子神经网络"被证明可以整台搬进经典计算机里模拟——去量子化。它不是丑闻，是最有价值的教训。048《什么时候真的有用：量子机器学习 II》。

#量子计算 #从硬币到纠错 #量子机器学习 #数据编码