第二部分：希望破滅的領域？——量子化學與量子機器學習的困境
在前一部分，我們建立了兩個核心概念：第一，量子電腦的硬體發展飛快，但軟體（演算法）的開發卻嚴重落後；第二，量子電腦並非萬能加速器，它的強大力量被「測量問題」所限制，只有針對具備特定數學結構的問題，才能設計出巧妙的演算法來發揮優勢。
現在，我們將深入探討影片的第三個主要論點：即使是那些曾經被譽為量子計算「殺手級應用」的領域，如量子化學和量子機器學習，在深入研究後也發現了巨大的挑戰，所謂的「指數級優勢」遠非唾手可得。 這正是講者失望情緒的主要來源。
論點三之一：量子化學 — 最初的夢想與殘酷的現實
想像你想徹底了解一座極其複雜的機械鐘錶是如何運作的。你有兩種方法：第一種，你用積木、齒輪和橡皮筋，嘗試搭建一個「模仿」這座鐘錶的模型。這個模型可以大致模擬出時針、分針的轉動，但你永遠無法真正理解內部那些精密零件之間微妙的力學互動，因為你的材料（積木）和鐘錶的材料（金屬、寶石軸承）根本不是一回事。這就是傳統電腦（古典電腦）在模擬分子時所做的事情。它用 0 和 1 的位元去「模仿」一個本質上遵循量子力學規則的世界，這種模仿註定是不完美的，而且當分子越大越複雜時，這種模仿所需的計算資源會呈指數級爆炸，很快就變得力不從心。
現在，想像第二種方法：你用和那座鐘錶一模一樣的零件——真實的金屬、寶石軸承——來搭建一個複製品。透過操作這個複製品，你就能完美地理解真實鐘錶的每一個細節。這個「用真實零件來模擬真實系統」的想法，正是量子計算之父理查・費曼（Richard Feynman）在 1980 年代提出量子電腦構想時的初衷。他說：「自然不是古典的，該死的，如果你想模擬自然，你最好讓它變成量子力學的。」
這就是量子化學應用的核心思想：用一個量子系統（量子電腦）去模擬另一個量子系統（分子）。 這被認為是天作之合。如果我們能做到這一點，將會帶來一場科技革命。例如，在藥物開發中，我們可以精確模擬藥物分子如何與人體內的蛋白質相互作用，從而在電腦上設計出最有效的藥物，而無需耗費巨資和時間進行無數次的實體實驗。我們可以設計出全新的材料，比如在室溫下就能實現零電阻的「高溫超導體」，這將徹底改變能源傳輸和電子產業。我們甚至可以模擬化學反應過程，例如「固氮作用」（nitrogen fixation），這是製造化肥的關鍵步驟，目前的工業製程（哈柏法）極其耗能。如果能找到更高效的催化劑，將對全球農業和能源問題產生深遠影響。
這一切聽起來都太美好了，似乎只要量子電腦的硬體足夠強大，這些夢想就能實現。但講者點出了一個殘酷的現實，一個隱藏在美好承諾之下的「魔鬼細節」。
這個魔鬼細節，就藏在用於解決這些問題的核心量子演算法——「相位估計」（Phase Estimation）之中。讓我們回到白板上的圖示。這個演算法的目標是計算出一個分子的「基態能量」（Ground-state energy），也就是分子最穩定、能量最低的狀態，這是理解其化學性質的關鍵。演算法的流程大致是這樣：你輸入一個「空白」的量子位元（用來記錄答案）和另一個代表該分子「基態」的量子位元，經過一系列量子操作後，那個空白的量子位元就會神奇地攜帶出基態能量的資訊。
你發現問題了嗎？這個演算法的前提是，你必須先能夠製備出這個分子的「基態」量子態。這是一個致命的循環論證。這就像我告訴你：「我有一把萬能鑰匙，可以打開世界上任何一個保險箱，但前提是你必須先拿到一把能打開那個保險箱的『備用鑰匙』來啟動我的萬能鑰匙。」這簡直是荒謬的，因為如果你已經有備用鑰匙了，你還需要我的萬能鑰匙做什麼？找到那把「備用鑰匙」——也就是製備那個分子的基態——本身就是一個極其困難的問題，其難度甚至可能不亞於直接計算能量本身。
講者在影片中提到，她當時就是被這個問題所困擾。儘管學術界有各種方法去「近似」地製備這個初始基態，但沒有人能保證你的「猜測」和「真實」的基態之間有足夠的「重疊」。如果你的猜測錯得太離譜，那整個相位估-計演算法的結果也會是錯的。
更讓她感到失望的是，在 2022 年，一群來自學術界和產業界（包括 Google 和加州理工等頂尖機構）的重量級科學家發表了一篇名為《量子化學中存在指數級量子優勢的證據嗎？》的論文。他們的結論非常審慎，但對業界的過度樂觀無疑是一盆冷水。他們指出：「我們得出結論，在化學空間中，這種指數級優勢的證據尚未被發現…雖然量子電腦可能仍然對量子化學有用，但審慎的做法是，假設指數級的加速對於這個問題並非普遍可用。」
這段話的意思是，對於那些真正複雜、有應用價值的分子，並沒有確鑿的證據表明量子電腦一定能比傳統電腦快上指數倍。量子電腦或許能提供一些幫助，但那種徹底改變遊戲規則的「奇蹟」，目前還只停留在理論的猜想階段。這驗證了講者多年前的擔憂，也解釋了為何她認為量子計算在軟體層面令人失望。
論點三之二：量子機器學習 — 另一個被過度吹捧的泡沫？
如果說量子化學是量子計算的「經典」應用希望，那麼「量子機器學習」（Quantum Machine Learning, QML）就是近年來的「新潮」希望。這個詞彙結合了當下科技界最熱門的兩個概念：量子和人工智慧。自然而然地，人們對它寄予了無限的遐想。
讓我們再次用費曼學習法來想像。機器學習的核心，在很多情況下，是從海量數據中找出隱藏的模式。比如，給電腦看一百萬張貓的照片，讓它學會識別什麼是貓。這個過程需要巨大的計算量。人們的直覺想法是：既然量子電腦擁有強大的「量子並行性」（我們的分身術探險家），那它是否可以一次性分析所有數據，以極快的速度找到那些傳統電腦難以發現的複雜模式呢？
這個想法聽起來很有吸引力，但講者指出，這個美好願景至少面臨兩個幾乎無法逾越的鴻溝。
第一個是「數據輸入問題」。機器學習的前提是有海量的數據。傳統的數據，比如圖片、文字、聲音，都儲存在我們的硬碟裡，是古典的 0 和 1 。要讓量子電腦處理這些數據，你必須先把它們「載入」到量子電腦的量子位元中，這個過程稱為「量子隨機存取記憶體」（QRAM）。問題是，目前沒有人知道如何高效地實現 QRAM 。將大量的古典數據轉換成一個龐大的量子疊加態，這個過程本身就可能非常緩慢，甚至會完全抵消掉後續量子計算可能帶來的任何速度優勢。這就好比你發明了一台能在一秒鐘內處理完所有食材的超級料理機，但光是把食材從菜市場買回來、清洗、切好再放進去，就需要花上好幾天。那麼，這台料理機的超高速處理能力就變得毫無意義了。
第二個，即使我們奇蹟般地解決了數據輸入問題，我們仍然會撞上之前提到的那堵牆——「測量問題」。假設量子電腦真的在內部完成了一次驚人的並行計算，把所有數據的模式都蘊含在一個極其複雜的量子態中。接下來呢？你必須進行測量來讀取結果。而測量會導致量子態坍縮，你只能隨機得到一個古典的結果，絕大部分的計算成果都在那一瞬間煙消雲散。你無法「看到」量子電腦內部那個豐富多彩的模式世界。
因此，講者在多年前就對量子機器學習抱持著深深的懷疑。她認為，量子計算的真正優勢在於利用干涉來解決具有特定數學結構的問題（如秀爾演算法中的週期尋找），而這與大多數機器學習任務的性質並不匹配。機器學習更依賴於處理大量、通常沒有明顯結構的數據，這恰恰是量子電腦的短處。
如今，五年過去了，整個領域的風向也證實了她的看法。越來越多的研究者意識到，簡單地將「量子」和「AI」兩個詞彙拼接在一起，並不能自動產生神奇的效果。大家逐漸從狂熱的炒作中冷靜下來，開始更務實地思考，在哪些非常狹窄、特定的機器學習子問題上，量子電腦才可能帶來真正的幫助。
總結來說，這兩個曾經被寄予厚望的應用領域，在經過更深入的審視後，都暴露出其核心演算法存在著嚴重的理論或實際瓶頸。這使得「如果我們明天就有一台全功能量子電腦，我們能用它做什麼？」這個問題的答案，變得比大眾想像的要悲觀得多。
（第二部分結束）