量子计算面临核心瓶颈：算力提升依赖内存，而非单纯处理器速度

【文/观察者网专栏作者 徐令予】 关于量子计算的争论，大多在量子比特的数字游戏与工程实现的泥潭中打转。公众往往默认“处理器越快算力越大”，但这一命题早已被计算技术发展史证伪。现代计算的战场，不在于运算本身，而在于数据的“搬运”与“等待”。

过去数十年取得的算力红利，其实主要来自数据调度与存储架构的持续演进。英伟达在CES展会上强调：当前AI算力的瓶颈已从算术计算单元扩展到内存带宽、数据移动效率及系统级延迟，源于AI模型规模增长和物理AI对实时性的要求。本文并非否定量子计算的研究价值，而是希望从计算体系结构与算力本体的角度，重新审视量子计算的技术承诺。

一、算力不只是处理器速度，内存才是决定因素

在计算能力讨论中，存在误区：认为算力等同于中央处理器（CPU）速度。这种理解符合朴素想象，却不符合现代计算机系统真实状况。当代计算性能瓶颈往往来自数据的存储、调度与访问，而非CPU本身。

经典的冯·诺依曼计算机结构，将系统划分为处理单元、存储单元与数据通道。程序和数据统一存储于内存，处理器需通过有限带宽与内存交换信息。这决定了一个基本结论：处理器再快，也必须等待数据——这就是“内存瓶颈”（Memory Wall）。

现代计算对算力的需求，源于数据规模持续增长。问题核心是规模参数增大时，处理运算、存储、访问的总负担。无论是数值计算、人工智能，难点往往不在“算得快”，而在“处理大量数据”。大语言模型等人工智能系统，参数规模数百亿至上千亿，挑战在于数据能否被有效存放、调动并高效访问，内存容量与速度因此成为算力天花板。

当代计算机体系结构核心进展，体现在缓存、内存带宽、数据局部性设计、分布式存储等“存储—计算协同”工程创新，而非单纯提升CPU速度。例如，在大规模模型训练中，超一半时间与能耗消耗在数据读写、搬运等与存储相关的环节。

由此可见，算力是系统能力，取决于数据存储、调度，“脱离存储谈算力是空想”。理解内存核心地位，是重新评估包括量子计算在内所有算力承诺的必要前提。

二、量子计算仍然离不开经典内存，问题更严苛、更复杂

量子处理器门操作速度提升，不能自动转化为可持续算力增长，算力释放最终仍取决于数据保存、调度与访问。量子计算不仅无法摆脱对经典内存依赖，反而在数据存储与调度层面遭遇更严苛结构性约束。

量子比特不适用扩展存储：量子态易挥发，相干性衰减，误差积累，无法长期稳定保存；工程上量子存储资源开销大，成百上千物理量子比特编码一个逻辑量子比特，难以扩展为大型存储空间。

量子不可克隆性与经典存储差异：量子不可克隆意味着无法简单复制存储，经典内存的读写、备份无法直接在量子态实现；工程上量子纠错资源密集，无法构建大规模量子存储。

量子—经典边界限制：量子计算输入输出仍是经典数据，依赖经典系统组织流程，处理器与内存间数据交换在速度、带宽、接口层面受限。

以上因素决定量子计算依赖经典内存，内存成为瓶颈；且量子—经典边界可能成为新瓶颈。极端情形下，量子算力增长有限，无法超越经典算力一半以下。因此量子计算挑战，不仅是规模或工程，还在于依赖经典内存且量子比特难以成扩展存储体系。

结论

量子计算核心挑战不仅在于量子比特规模或工程实现，更在于底层体系结构矛盾：算力需通过数据流动与存储兑现，而量子计算缺乏可扩展存储基础。内存容量、带宽与调度能力决定算力上限，量子计算无法摆脱对经典内存依赖，又难以将量子态转化为持久可扩展存储体系，其宏大承诺在可预见技术路径上需审慎看待。原因包括忽视内存瓶颈会让推动者自断生路，且问题会在应用时爆发，内存瓶颈是跨越实验室门槛的先决条件。

本文系观察者网独家稿件，文章内容为作者个人观点，不代表平台观点，未经授权不得转载，否则将追究法律责任。