10月22日，第二十三届中国计算机大会在成都举行，北京玻色量子科技依托这一平台办了首届QBrain量子计算开发者日。与常见的量子计算发布会不同，这场活动的重心不在比特数，而在具体科研问题：酶分子怎么改、机翼截面怎么选、电网暂态怎么算、单细胞怎么分类。主论坛加两个分论坛，近20场分享，主题词是"量智融合"。
玻色量子创始人兼CEO文凯在致辞里的判断是，量子计算正从比特规模与技术路线的探索，走向真实场景中的问题求解。这条路线与通用量子计算不同：不去追求可编程的通用量子计算机，而是把工程与科学问题统一改写成组合优化问题，用专用硬件求解。中国科学院院士郑建华在同一场活动上提到，软件的厚度决定了一台量子计算机能被多少人用起来，软件、数据与标准这几条路需要高校、企业和算力平台一起修。
政策口径也给了支撑。"十五五"规划明确提出研制可容错的通用量子计算机与可扩展的专用量子计算机，两条路线并行。对产业化而言，专用路线的优势在于能在当前硬件水平下先解决具体问题，劣势则在于问题必须能被成功地"翻译"成优化形式，这一步高度依赖懂行业又懂算法的人。
两条路线的差别不只在技术，也在交付方式。通用机的承诺是什么都能算，代价是要等容错阈值；专用机只解一类问题，必须在选定行业里做到比现有方案更好用，否则连试点预算都拿不到。这是国内团队几乎都从组合优化切入的原因。
北京大学力学与工程科学学院助理研究员卢臻团队的工作是最具体的一例。翼型是机翼沿飞行方向切下的横截面，风电叶片、无人机螺旋桨、汽轮机叶轮的截面本质上都是翼型。团队先用流体计算结果建立代理模型，再把设计问题改写成优化问题，在1000比特的专用量子计算机上求解。按卢臻的介绍，在得到相同结果的前提下，求解速度比模拟退火快约2000倍；量子比特足够多时，还能一次求出升力与阻力权衡下的整组最优方案。
这个数字要放在正确的语境里读。2000倍是相对经典启发式算法在特定算例上的加速，不等于量子计算整体超越经典计算，也不意味着所有气动设计问题都能照搬。但它指向了一件重要的事：当设计变量多到无法穷举，专用量子硬件在组合优化上的优势可以先落地，而不必等通用量子计算机成熟。
工业界更该关注"整组最优方案"这半句。传统气动设计是反复试错：先给几组候选截面，跑流体仿真，看结果再改，一轮几天到几周。一次拿到整条解集，工程师的判断依据就从几个点变成一整条边界。对寿命二十年的风机叶片，设计阶段多出的百分之一效率会摊到整个运行周期。
广州实验室研究员、大湾区生物信息中心主任李亦学的报告把量子采样引入了深度生成模型。团队在变分自编码器中引入量子玻尔兹曼采样，构建量子与经典协同的训练架构，用来分析免疫与造血细胞的能量分布及发育分化轨迹，部分关键指标比经典模型高20%。这类工作的价值在于给单细胞组学提供了一个新的表征工具，而不是简单地把计算搬上量子硬件。
材料侧的案例来自鸿之微科技。团队用量子变分自编码器对材料成分空间建模，再结合专用量子计算机做多目标组合优化与候选配方生成，探索高温合金的配方设计。东南大学徐一骏团队则把电网暂态仿真改造了一番：传统仿真是一步一步往前推，知道一点钟的状态才能算两点钟，他们把相邻多个时间步写进同一个优化问题，在新英格兰39节点系统上完成测试。上海酉术量子把专用量子计算机用于为物理信息神经网络挑选采样点，在圆柱绕流算例中，相同选点数量下速度与涡量的预测误差与传统策略持平甚至更低。
五个案例横跨生物、材料、电力、流体，方法论却一致：先把领域问题抽象成优化或采样任务，再用专用硬件替换计算量最大的一环，其余仍跑在经典机器上。这种局部替换比整条流水线搬上量子要现实得多。
活动现场发布了两款产品，方向都是降低使用门槛。Kaiwu Skills把专用量子计算的开发流程拆解成层层衔接的规范化环节，并把历史建模经验组织成AI可以按需调用的技能，开发者可以在熟悉的AI编程平台与模型里使用这些技能，让AI更规范地完成量子编程任务。发布会上用对照演示与多智能体平台做了效果展示。
量子计算案例市场则围绕业务场景、求解方案与代码资源组织案例，目前已覆盖生物、人工智能、金融、电力等7大领域的17个应用案例，包括QVAE单细胞表征、虚拟电厂优化等场景，面向认证开发者与企业伙伴开放。按官方数据，玻色量子目前拥有超过1万名注册开发者，SDK调用量超过8亿次。这两个数字说明它已经过了纯研究阶段，开始有工程侧的存量。
门槛不在语法而在建模。一个问题用多少比特、变量怎么编码、约束如何写成惩罚项，这些经验过去只存在少数人脑子里，换个人要重新摸索几个月。结构化后交给AI按需调用，等于把专家判断固化下来。
国家超级计算成都中心常务副主任王建波介绍的平台值得单独说。这是西南地区首个量超融合一体化公共算力平台，已经上线运行，构建了算力底座、编程框架、算力调度、应用服务四层架构，用户通过统一接口提交任务，平台按任务特征把计算拆给量子与经典算力，实现一键调用、协同求解。落地案例里提到先导化合物筛选与资产投资组合优化。
这个思路对产业的意义大于任何单点加速。量子硬件目前不可能独立承担完整工作流，把它作为超算体系里的一类加速资源调度，是最现实的工程路径。剩下的难题在两侧：一侧是编译与调度，如何自动识别任务中可量子化的部分；另一侧是人才，活动同期发布了工信人才量子科技产才协同创新中心的培训认证体系，并举行了11家生态伙伴的签约。能不能把"量子+AI"从会议议题变成日常工具，取决于这两侧补得多快。
对科研机构，这类公共平台改变了采购逻辑。过去试量子计算要单独申请机时、搭环境、培养人，多数课题组不会去碰；现在从统一门户提交任务，量子部分由平台调度。门槛一降，真正的问题就暴露出来：多数领域问题还没被写成合适的优化形式。