经典人工智能进入大模型时代后，算力需求急剧增长，量子计算赋能人工智能被视为突破经典算力限制的一条可能路径。但从理论设想到工程实现，该领域仍存在若干结构性瓶颈。

本论坛以“挑战与瓶颈”为议题，关注NISQ（含噪声中等规模量子）及早期容错阶段下量子AI面临的主要障碍。具体包括：经典-量子数据交互中的“输入/输出（I/O）墙”与量子随机存取存储（QRAM）的物理实现难题；参数化量子电路在深层扩展时面临的“贫瘠高原”等可训练性退化问题；以及如何从计算复杂性理论出发，严格证明量子算法在真实AI任务（如大规模张量网络处理、复杂流形特征映射）上相对经典最优算法的量子优势。

论坛通过汇聚该交叉领域的著名专家学者，厘清理论边界与硬件制约，为量子计算在下一代AI中的应用寻找切实可行的路径。

王俊超，信息工程大学副教授，CCF高级会员，CCF量子计算专委执行委员，CCF郑州分部执行委员；长期面向国家与军队重大工程及国家重大科技基础设施开展工程和技术研发，聚焦量子计算、高性能计算等前沿方向，主持国家级/军队级项目7项，完成多项核心关键技术的原创性突破；发表SCI/EI/核心期刊等论文60余篇，申请国家发明专利30项，制定国家标准4项，作为主要发起人成立CCF量子计算专委。

张鹏，天津大学教授、博士生导师、入选国家级青年人才计划，获批国家自然科学基金原创探索项目，长期致力于自然语言处理、 机器学习与量子力学、量子计算的交叉学科研究方向，近期研究聚焦于量子人工智能、以及其与大语言模型的交叉研究方向。已发表Nature Communications、npj Quantum Information,  TOIS、ICML、NeurIPS、ACL、SIGIR、AAAI、KDD、ICLR等高水平论文百余篇。

邓东灵，清华大学交叉信息研究院长聘副教授，海外高层次人才青年项目、国家重大人才计划入选者。2007年获南开大学物理、数学双学士学位，2015年博士毕业于美国密西根大学，后在马里兰大学联合量子研究所从事博士后研究，2018年回国入职清华大学。现任《njp Quantum Information》副编辑，《Communications in Theoretical Physics》、《Quantum Review Letters》编委。主要研究方向为量子人工智能，在Nature, PRL/PRX等期刊上发表论文百余篇。

报告题目：量子人工智能：无尽的前沿

摘要：量子计算与AI最近几年取得了令人瞩目的进展。二者的交叉融合，诞生了量子AI这一交叉前沿领域。一方面，量子计算内在并行优势有望用来解决AI 面临的算力和能耗瓶颈，推动AI的发展。另一方面，AI技术也可以用来解决复杂量子问题，助力量子计算发展。二者交叉研究有望突破各自的局限，产生变革性想法与技术。在本报告中，我将简要介绍量子AI的基本知识，以及领域部分最新前沿进展，特别是有关量子自动证明方面的进展，通过具体的例子展示量子物理与人工智能如何交叉融通，互相促进。此外，我将讨论量子人工智能领域若干亟待解决的基本问题。

李晓鹏，1987年生，中国籍，美国匹兹堡大学博士，复旦大学青年谢希德讲席教授，上海期智研究院杰出科学家，是中性原子量子计算领域顶尖科学家。主要从事中性原子量子计算与量子算法研究，首次构造基于原子-光腔NP计算问题量子求解器，编码复杂度达到理论允许的最优水平。曾主持科技部重点研发计划“光晶格多轨道非平衡超流体中的关联和拓扑效应研究”，上海市战略前沿专项“中性原子量子计算机研制”等，获得国家级人才计划、上海青年五四奖章，入选福布斯中国U30青年科技精英榜。

报告题目：基于原子的量子算法设计与实现方案

摘要：中性原子量子计算在近五年获得迅速发展，该实验系统既可以运行量子门电路，也可以进行量子多体基态的量子模拟。本次报告将主要介绍如何运用中性原子系统解决SAT、顶点覆盖、最大切割等NP计算问题，以及相关的自旋玻璃基态的问题。我们的研究指出，里德堡原子系统可以构建一种量子线连接的架构，从而可以在O（N^2)的复杂度下编码多种NP计算问题。该理论方案已经被国际同行实现，用于演示多种复杂图分解问题的求解。在进一步的工作中，我们提出了一种基于原子-光腔耦合的架构，证明多种NP计算问题都可以在N-线性的复杂度下进行编码，编码复杂度达到理论允许的最优。我们构造了一个具有一般性的NP问题Grover Oracle，从而可以实现严格可证明的平方量子加速。Oracle的线路深度为PolyLog N, 相比于此前超导量子比特的构造，具有指数级的优势。

张家琳，中国科学院计算技术研究所研究员，博士生导师。博士毕业于清华大学应用数学专业，师从姚期智教授，之后在南加州大学做博士后研究，合作导师滕尚华教授。回国后加入中国科学院计算技术研究所，主要研究方向包括量子算法设计、量子线路优化、理论计算机科学、算法博弈论等。主持国家自然科学基金重点项目、面上项目等科研项目多项。

报告题目：Spectral Adaptive Quantum Neural Network as a Universal Approximator

摘要：I will introduce the Spectral Adaptive Quantum Neural Network (SAQNN) in this talk. It is a constructive model which establishes a crucial theoretical foundation for quantum machine learning. We rigorously prove that the SAQNN possesses the Universal Approximation Property (UAP), capable of approximating any square-integrable function with arbitrary accuracy. Furthermore, it supports switching function bases, thus adaptable to various scenarios in numerical approximation and machine learning. Our model has asymptotic advantages over the best classical feed-forward neural networks in terms of circuit size and achieves optimal parameter complexity when approximating Sobolev functions under L_2 norm. Besides this result, I will also briefly present some preliminary results of our exploration into leveraging quantum computing to accelerate large language models.

博士，西安电子科技大学教授，博士生导师，西电量子科技交叉研究院副院长，人工智能学院智能科学与技术系副主任，国家级智能感知与计算国际联合研究中心副主任；中国人工智能学会教工委副秘书长，中国计算机学会量子计算专委会执委，计算机学会杰出会员。主要从事量子智能计算及其相关领域的应用研究；入选省部级高层次人才计划，入选全球前2％顶尖科学家榜单；在国内外学术刊物与国际学术会议上发表论文百余篇，出版专著3部，英文章节1部，教材1部；主持了国家自然科学基金、技术领域基金、陕西省重大研发计划等多项科研项目。研究成果获省科学技术奖一等奖，中国自动化学会自然科学二等奖；获中国人工智能学会教学成果一等奖，中国图像图形学会教学成果一等奖以及陕西省教学成果奖二等奖和全国教材建设奖高等教育类二等奖以及陕西省优秀研究生教材一等奖，培养陕西省优博1名。

报告题目：NISQ架构下量子优化驱动的机器学习与应用

摘要：国家在“十三五”“十四五”“十五五”规划中持续将量子信息技术列为前沿与重点发展领域。量子计算的潜在颠覆性源于其独特物理属性——叠加、相干、纠缠，以及幺正可逆的演化方式，这些特性使量子系统能够以不同于经典计算的方式表示和并行探索解空间。在面对日益增长的算力需求时，量子计算有望带来超越经典方法的规模优势，为延续计算能力增长提供新的路径。当前，量子计算已成为世界主要大国的重点科研方向，尤其最近5年，其关注度是节节提升，多次登上Nature、Science封面。量子计算在量子化学、密码学、人工智能等多个应用领域将颠覆经典计算机。我们团队从2001年开始，系统研究了量子智能计算模型及理论，并用于海量数据挖掘和复杂背景下的智能目标识别等具有重大实用意义的关键技术领域中。未来期望借助人工智能技术，推动量子科学与自然智能、计算智能、神经科学等相关基础学科的交叉融合；初步形成我国量子智能计算发展的科技创新体系，建成量子智能领域具有国际影响力的创新平台；期望在智能计算、量子硬件模拟器和量子高性能计算平台等应用领域形成支撑，实现量子智能产业发展的跃迁。在智慧城市和智能化作战以及安全、医疗、金融等方面推进量子智能技术的应用示范。

熊昊于上海交通大学获得本科与博士学位。研究兴趣包括量子机器学习与图机器学习，相关工作发表于 ICLR、ICML、CVPR、KDD、TKDE 等人工智能与数据挖掘领域顶会顶刊。

报告题目：量子驱动的图机器学习到通用算子构建

摘要：图数据高维、复杂关联的特性使传统图神经网络存在表征能力瓶颈，量子系统指数希尔伯特空间、高阶耦合的天然优势为此提供新解法。本报告分为两大研究板块，整合四项自研工作：量子图学习专项研究：一是 Node2ket 量子启发高维网络嵌入，以量子乘积态构建节点表征，轻量化实现高精度图挖掘；二是 GQGLA 通用量子图神经网络，依托量子纠缠解决经典 GNN 无法区分 MILP 图的缺陷，适配组合优化图任务。通用量子化基础算子拓展：一是 QIP 量子内积线路，高效实现量子相似度计算，兼容各类机器学习任务；二是 HOLinear 高阶量子线性算子，基于张量积引入高阶交互，可无缝嵌入 Transformer，微调即可提升模型推理能力。研究形成从专用量子图模型到通用量子深度学习算子的完整技术体系，为复杂图建模、轻量化深度学习提供量子化新思路。

陈昭昀，合肥综合性国家科学中心人工智能研究院研究员，国家重点研发计划青年科学家项目负责人，安徽省江淮英才杰出项目获得者，CCF量子计算专委执行委员。2021年获中国科学技术大学博士学位，主要研究方向为量子科学计算和量子随机访问储存器（QRAM），在Science Bulletin, CMAME, Physical Review Letters, npj Quantum Information等期刊上发表论文数十篇。曾担任本源量子计算科技（合肥）股份有限公司量子软件部与量子云部技术总监，带领团队获空客（Airbus）量子挑战赛量子CFD赛道第一名，QPanda、本源量子云平台、VQNet等量子软件创始人。

报告题目：量子深度学习与量子大模型：进展、机遇与挑战

摘要：深度学习与大模型正成为科学发现、工业设计与信息服务等领域的重要基础工具，但随着模型规模、序列长度与多模态数据不断增大，经典算力在计算成本、能耗与训练推理迭代周期上正面临新的瓶颈。量子计算为高维表示学习与大规模数值计算提供了新的计算范式，但其价值并不在于简单替代或加速现有神经网络，而在于通过量子计算、超级计算与人工智能的协同（量超智融合），探索面向未来高性能智能计算的新路径。本报告以量子深度学习综述为纲，概述当前量子深度学习的主要技术路线，包括混合经典模型、量子深度神经网络、面向深度学习原语的量子算法与量子启发经典算法，并以“可证明的复杂性分离”与“经验观测”相区分的标准审视其量子优势。报告将重点讨论输入输出瓶颈、可训练性（贫瘠高原）、端到端资源评估与算法—硬件适配等关键问题，说明量子优势不仅取决于核心算法本身，也取决于数据装载、结果读取、线路编译、噪声控制与应用场景选择；并进一步展示量子模型在对抗鲁棒性上的独特优势，以及量子赋能大模型（Quantum for LLM）与 AI 赋能量子（AI for Quantum AI，如物理一致的 QuantumQA 数据集与可验证奖励强化学习）之间的双向协同。

肖太龙，上海交通大学自动化与感知学院助理研究员，CCF量子计算专委会执委，主要从事量子人工智能算法与应用研究，曾获得首届CCF量子计算博士论文激励计划、2025年CQCC优秀成果奖，发表以Physical Review Letters, npj Quantum Information, Communications Physics为代表的SCI论文30余篇，主持国家重点研发计划、国家自然科学基金、上海市科委重点项目等7项，授权发明专利4项。

报告题目：量子人工智能：从参数估计到语义感知

摘要：在NISQ时代，量子机器学习研究主要聚焦于量子核方法、参数化量子线路以及混合量子—经典模型在经典与量子任务中的数值和实验演示。然而，对于一般经典任务而言，明确展现可验证、可扩展的量子优势正变得愈发具有挑战性。本次报告将聚焦于信号感知场景，讨论量子人工智能算法在复杂感知任务中相较于传统方法的潜在优势。首先，我们将介绍一种基于量子数字孪生的连续弱测量传感框架。该框架通过构建量子传感系统的数字孪生体，并结合强化学习智能体，实现对含马尔科夫噪声量子传感过程的自适应建模、学习与补偿。研究表明，该方法能够有效抑制噪声对传感性能的影响，并在一定条件下恢复接近海森堡极限的参数估计标度。此外，报告还将讨论量子增强AI算法在临界传感基态制备、计算成像感知等任务中的应用，展示量子神经网络方法在特定感知数据与物理任务中的潜在优势。我们很难期待量子AI在所有任务中都具备普适优势，但越来越多的研究表明，量子AI与量子传感的紧密结合，有望催生面向复杂环境的量子智能感知新范式。沿着这一方向，量子传感的目标将不再局限于传统的高精度参数估计，而是进一步走向目标识别、状态理解与语义感知，并为实现真正的量子传感优势提供新的技术路径。

余腾，清醒异构创始人&CEO。余腾博士先后毕业于英国帝国理工学院和圣安德鲁斯大学，师从英国皇家工程院院士Wayne Luk教授和前MetaAI编译技术负责人Hugh Leather博士，获计算机科学博士学位。曾作为骨干成员参与科技部国家重点研发计划项目《量子程序设计理论，方法与工具》，入选人社部国家留学创业启动计划重点支持计划、博士后引进计划站前特别资助、清华大学“水木学者”青年人才培养计划。

报告题目：RiverONE：用模拟量子算力构建的科学视觉语言模型

摘要：Quantum computing provides a powerful paradigm for representing and transforming high-dimensional information through superposition, entanglement, and measurement-induced nonlinear features. While current quantum hardware is not yet practical for direct large-scale vision-language model (VLM) inference, simulated quantum computation can be used during model construction to generate structured parameters for compact classical AI systems. We build RiverONE, a lightweight vision-language model for quantum calibration plot understanding, using simulated quantum computation. It employs a specialized visual encoder and an InternVL-based language backbone. To compensate for compression-induced information loss, we introduce quantum-generated parameters, which are materialized as classical tensors after training. This allows RiverONE to run entirely on classical GPUs at inference time, with no quantum hardware or runtime quantum simulation. With approximately 1.9 billion parameters, RiverONE achieves at least 95% of the performance of NVIDIA Ising Calibration 1 on quantum calibration plot understanding tasks while using less than 10% of its parameter count. These results suggest that simulated quantum computation can serve as a practical construction-stage mechanism for building lightweight, knowledge-intensive scientific VLMs.