什么时候真的有用：量子机器学习 II

先备导航：你需要 047（三种编码）、046（端到端陷阱）、030（经典模拟器的 2^n 天花板）、016（测量规则）。

下一篇预告：049《采样、走棋与"九章"们》。

什么时候真的有用：量子机器学习 II

网购时代有个词叫平替：花大价钱种的草，回头发现国产平替一模一样，还便宜十倍。

过去几年，量子机器学习领域正经受一场集体的"平替危机"：一批曾被热捧的量子模型（浅电路量子神经网络、若干核方法变体），被研究者逐个证明——存在经典算法，输出同阶、速度同阶，量子那一段是纯装饰。这类结果有个正式名字：去量子化。

它不是丑闻，恰恰是科学自我纠错的标准流程，也是本专栏至今最有价值的一课："什么时候真的有用"的答案，是从"什么时候没用"里倒推出来的。本篇先把冷水泼透，再从冷水里捞出三条真金判据。

为什么会被平替：机制复盘

047 篇立过一块牌子："量子性住在编码里"。去量子化就是这块牌子的反面兑现：

浅电路 + 角度编码 → 数据根本没住进 2^n 的指数空间 → 电路家族窄到经典能跟跑。

机制的细节值得看一眼：浅层电路的纠缠范围有限，整个态在经典模拟器眼里可以用"低宽带"的结构（张量网络一族）紧凑表示——030 篇那条 2^n 天花板，只在电路深到纠缠铺开时才真正立起来。浅电路时代的天花板低，经典模拟器跟着低，于是"量子模型输出的东西"，经典模型同阶速度也能输出。

教训的一句话版本："量子"两个字印在电路图上不产生任何优势；优势只可能来自"经典进不去的地方"——而浅电路时代，这样的地方很少。

三条判据：从冷水里捞金

泼完水，正面回答标题的问题。一个量子机器学习方案要"真的有用"，至少过三道关：

判据一：数据必须踩进指数空间——或者天生量子。角度编码的 n 格账本，经典跟跑没商量（047 篇）。真正有机会的是两种情形：其一，数据用振幅编码住满 2^n 空间（然后撞上 qRAM 吊机难题——046 篇）；其二，数据本来就是量子的——量子传感器的读出、化学模拟电路的测量样本、量子网络的传输态。天生量子的数据不需要"装载"这道工序，这是当前最有希望的出路：量子机器学量子世界，门当户对。

判据二：端到端算总账。046 篇陷阱三的推广：内核快不算快，装载+读出+预处理全链条对齐才算。历史上无数"指数加速"死在这一关——账要在"从原始数据到最终答案"的全长上算。

判据三：要定理分离，不要跑分领先。"我们的量子模型在数据集 X 上比经典基线高两个点"是最脆弱的证据——经典基线一更新，优势蒸发（去量子化论文干的正是这事）。站得住的只有两类：可证明的分离（某任务经典最少要多少、量子只需多少——像 032 篇那种）或对最新最强经典基线的稳定优势。跑分是温度计，定理才是体温。

消费指南：三连问看穿新闻

把判据反过来用，就是给读者的"防忽悠三连问"。下次看到"量子机器学习取得突破"的新闻，先问：

1. 编码踩进指数空间了吗？（角度编码的浅电路 → 默认怀疑） 2. 端到端算总账了吗？（只报内核加速 → 默认怀疑） 3. 对照的经典基线是最新的吗？（对照的是十年前的算法 → 默认怀疑）

三问全过，再激动不迟。这不是唱衰——是这个领域 2020 年代真实的科学进步方式：大量"看似有用"被诚实证伪，留下的边界比热炒期清晰得多。QML 今天诚实的定位：尚无已证实的实用优势；最有希望的子战线是"量子数据+量子机器"与"qRAM 到位后的采样任务"。把它当"正在施工"看，别当"已交付"看。

把类比拆掉

"平替"类比借了哪里：

• 不像之一：平替与正品输出一样、机制不同——去量子化的经典算法（张量网络、核方法）不是抄袭量子，是独立发现"这个问题的结构根本用不上量子"；同一结果可以有完全不同的来路，这正是要警惕的原因。
• 不像之二：平替永远只平替"当前这一代"——判据一、二满足的问题，经典可能永远平替不了（指数鸿沟是真的）；"目前被平替"不等于"永世被平替"，反之亦然。

带走的行李

1. 去量子化=给浅电路 QML 的集体体检：浅电路+角度编码 → 结构窄 → 经典同阶模拟——"量子性住在编码里"的反面兑现；这是科学的自我纠错，不是领域的讣告。 2. 三道判据：数据踩进指数空间（或天生量子）、端到端算总账、定理分离优于跑分领先；"量子数据+量子机器"是当前最有希望的战线。 3. 防忽悠三连问：编码踩没踩指数空间？总账算没算？基线新不新？——三问不过，新闻先放一放。

下一站的钩子：通用门机之外，还有一类机器专精一事：采样。不做逻辑运算，只回答"这样的概率分布长什么样"——"九章"们的光量子计算机、 IBM 走棋的暗面，都走这条路。它们证明过什么、又为什么总被追问"那又怎样"？049《采样、走棋与"九章"们》。

#量子计算 #从硬币到纠错 #去量子化 #量子机器学习