二十年的错位招聘
量子计算行业对组合优化的执念，持续了二十年。物流路径、投资组合、排班调度——教科书里的卖点是：这些问题本质是 NP 难，量子退火和 QAOA 天生对口。
现实一次次打脸。含噪声的中小规模量子芯片跑这些问题，速度和稳定性都打不过一台笔记本上的经典求解器。”量子求解优化问题”成了演示文稿里的技术，落不了地。
9 月 2 日，Rigetti 和普渡大学公布了一个换掉前提的框架（论文 arXiv:2608.28842）：量子处理器不出解，改行做预处理——先扫一眼题目，把结构信息提炼出来，递给经典求解器。角色从主厨换成副厨。实测里，被”喂过结构”的 Gurobi 找到近优解的速度，最高快了 100 倍。
洗菜工的具体工序
这个框架叫量子预处理（quantum preconditioning），流水线一共四步，没有一步要求量子计算机”解出”任何东西：
flowchart LR
A[“组合优化问题
带硬约束”] –> B[“浅层QAOA线路
深度p=1″]
B –> C[“测量得到相关矩阵 Z”]
C –> D[“用Z替换目标函数里的边权W”]
D –> E[“Gurobi分支定界
硬约束原样保留”]
E –> F[“1%最优差距内
不到1秒 vs 数小时”]
第一步，把原问题的平衡约束写成软惩罚项，编进一个只有一层深度的 QAOA 线路——深度 p=1，浅到几乎不吃门噪声，这正是含噪声芯片跑得动的类型。第二步，在量子芯片上反复测量输出，得到一张两点相关矩阵 Z_ij：哪两个变量倾向于”同进同退”，哪两个倾向于”你上我下”。第三步，拿这张矩阵替换掉目标函数里原始的边权矩阵。问题还是原来那个问题，硬约束一动没动，但目标函数的”地形”被量子视角重新画了一遍——好的分支顺序一下子显形。第四步，Gurobi 上场，在新地形上跑分支定界，每个候选解仍在原始费用上验货。
数字长这样：50 个 40 变量的全连接稠密图实例，找到距全局最优 1% 以内的解，未预处理要数小时，预处理后不到一秒。还有一个省钱的细节——QAOA 的参数按 γ 正比于 1/√n 缩放，在 20 变量上调好后直接迁移到 40 变量，性能不掉，省掉了每个实例重新调参的开销。
为什么这个姿势更聪明
把量子当预处理器的妙处在于，它绕开了整个行业最疼的两个死结。
flowchart TD
subgraph A[“旧剧本：量子当主厨”]
A1[“QPU直接输出最终解”] –> A2[“需要深线路+高精度”]
A2 –> A3[“噪声下规模不够
二十年来卡死”]
end
subgraph B[“新剧本：量子当副厨”]
B1[“QPU只提炼变量相关性”] –> B2[“浅线路p=1就够用”]
B2 –> B3[“经典求解器吃下结构信息
加速最高100倍”]
end
A3 -.->|”换个问法”| B1
其一是噪声。p=1 的线路浅得几乎不暴露于门错误，NISQ 时代的芯片就跑得动。其二是责任边界。最终解永远出自 Gurobi，正确性由经典求解器的严格保证兜底——量子那一步就算全坏，最坏结果是退回原始速度，多花几小时，不会输出错误答案。安全失败的降级路径，是工程上最值钱的一种性质。
顺带说，给 MIP 求解器喂先验这件事，经典世界早有传统：热启动、割平面、启发式引导分支。量子提供的是这个家族里一个新来源的结构先验——相关矩阵恰好是量子测量天然吐出来的东西。
该泼的冷水，一滴不少
三个限定必须摆出来。第一，论文是 arXiv 预印本，尚未经过同行评审。第二，40 个变量的规模，对 Gurobi 的日常餐单来说偏小，”数小时到一秒”的对比发生在特意构造的稠密难例上；规模放大后优势是否保得住，论文没有回答。第三，今年混合整数规划会议（MIP 2026）上已有后续海报指出，加速收益对罚参数的选择高度敏感——参数选歪，收益可能清零。
一句话总结：概念验证漂亮，离”生产环境可用”隔着规模化和稳健性两道门。
收束
量子计算界这些年最难的功课，是学会问一个更小的问题。不问”量子计算机何时超越经典计算机”，改问”量子现象里哪一小块信息，是经典计算顺手拿不到的”。相关结构恰好是这样一小块——纠缠系统测量出来的关联，经典模拟原则上要指数代价。
菜还是经典的火炒的。可切菜这件事，量子的刀法确实有点不一样。至于这把刀能不能切五十个变量的菜——得等下一篇论文。
—
信源：Quantum Computing Report 对 Rigetti×普渡公告的报道（2026-09-02）；预印本 arXiv:2608.28842《Optimization via Quantum Preconditioning》（延伸框架篇）；Rigetti 官网研究页；MIP 2026 会议海报《Investigating Quantum Preconditioning》（Anurag Ramesh）对罚参数敏感性的后续结果。