量子计算机什么时候才能真正帮助企业研发新材料、新电池，甚至新药物？这是量子计算领域讨论了多年的问题，也是上海一家成立仅半年的初创公司正在尝试回答的问题。

近日，上海伏曦量子科技有限公司（以下简称“伏曦量子”）宣布完成新一轮融资，华控基金、中芯聚源、TCL 创投、浦东创投、格尔软件等机构参与投资，老股东慕华科创连续三轮超额追加投资。据悉，本轮融资启动后，在短期内即实现超额募集。

产业资本的持续加码成为本轮融资的一大亮点。此前，宁德时代已连续两轮领投伏曦量子，该公司亦是目前宁德时代在量子计算赛道唯一投资的企业。从头部产业龙头连续领投、老股东多轮超额追加，到新一批产业资本积极入局，充分体现了资本市场对伏曦量子源头算法创新能力、产业化路径及长期发展潜力的高度认可。

与不少专注于量子芯片和量子计算机硬件的创业公司不同，伏曦量子选择从量子算法与产业应用切入，致力于打造面向产业研发的量子应用算力平台。在量子硬件持续突破的同时，如何通过算法创新降低计算资源需求、提升计算效率，并将量子算力转化为实际应用能力，正成为量子计算走向产业化的关键课题。

这一技术路线的选择，与创始人赵琦在量子模拟算法领域的长期积累密切相关。赵琦现任香港大学助理教授，本科、博士毕业于清华大学，曾在中国科学技术大学、美国马里兰大学开展研究，并于 2024 年入选《麻省理工科技评论》亚太区“ 35 岁以下科技创新 35 人”。作为长期深耕量子模拟算法的青年学者，赵琦的研究始终围绕如何降低量子计算的资源门槛、提升算法效率展开。

2025 年，赵琦以第一作者身份在国际顶级物理学期刊 Nature Physics 发表量子模拟算法理论研究，并入选期刊封面。 该研究揭示，在特定条件下，通常增加经典计算难度的量子纠缠，反而能够降低量子模拟算法的误差与资源需求，为提升量子计算效率提供了新的理论路径。这一成果也体现了赵琦团队在量子模拟算法基础理论研究方面的国际前沿水平。

此后，赵琦团队持续取得突破。2026 年 8 月，港大与伏曦量子、复旦的研究团队合作在 Physical Review Letters 发表《Taming Trotter Errors with Quantum Resources》，进一步揭示量子资源与 Trotter 模拟误差之间的关系。研究发现，在所考察的量子态集合中，纠缠有助于使误差分布更集中，非稳定子性则有助于减少异常大误差出现的风险，为分析量子模拟的可靠性提供了新的理论依据。

图丨相关论文（来源：Physical Review Letters）

2026 年 10 月，伏曦量子团队参与的两项研究相继发表于 Science Advances 和 Physical Review Letters，分别揭示量子纠缠增强量子动力学稳定性的作用机制，以及通过分布式量子模拟优化多台量子计算设备之间的通信开销、提升计算可扩展性的新方法。从算法效率、计算可靠性到系统可扩展性，一系列研究成果持续回应着量子计算走向实际应用所面临的核心挑战。

图丨相关论文（来源：Science Advances）

图丨分布式量子模拟示意图（来源：Physical Review Letters）

然而，对于赵琦而言，推动量子计算产业化仍然需要回答一个更为现实的问题：在材料、能源和医药等真实研发场景中，哪些计算任务能够率先体现量子优势，又如何让这些理论上的计算能力在实际硬件条件下得到验证？ 这也成为他创立伏曦量子、推动原创量子算法从理论研究走向产业应用的重要出发点。

一项做了两年的研究，成为后来突破的起点

赵琦的量子算法研究之路，始于对量子计算前沿方向的一次转变。

清华大学博士期间，赵琦师从量子信息领域学者马雄峰教授，最初主要从事量子密码研究。2016 年前后，随着量子计算逐渐成为国际学术界的重要研究方向，他开始将目光转向这一领域。当时，国内量子计算研究已在部分方向取得重要进展，但专注于量子模拟算法的研究力量仍相对有限，相关人才储备和系统性研究积累尚处于发展早期。

真正推动这一转变的，是此后的海外学术交流经历。赵琦曾赴牛津大学开展为期半年的访问研究，得以更直接地接触国际量子计算领域的前沿进展与核心科学问题。这段经历不仅帮助他明确了后续研究方向，也使他意识到，量子计算的长期价值不仅取决于硬件能力的突破，同样需要原创算法不断拓展可计算问题的边界。

2018 年博士毕业后，赵琦先后在中国科学技术大学及美国马里兰大学开展研究，并在马里兰大学跟随国际量子模拟算法领域的代表性学者 Andrew Childs 从事博士后研究。作为量子算法理论研究的重要学术中心之一，马里兰大学为赵琦提供了系统深入研究量子模拟算法的环境，也使其逐渐形成了围绕算法效率、计算误差与资源优化的长期研究方向。

在这一时期，一项耗时近两年的基础研究，成为赵琦此后系列学术突破的重要起点。

2020 年，赵琦与合作者开始重新审视量子模拟算法的误差分析方法。传统研究通常按照最不利的情况评估算法误差，以确保算法在各种条件下的可靠性。然而，这种估计方式也可能过于保守，无法充分反映算法在典型计算任务中的实际表现。团队因此尝试从平均情形出发，建立更精细的误差分析理论，以探索量子模拟算法的真实效率边界。

这一研究历时近两年，最终于 2022 年发表于 Physical Review Letters。更重要的是，它为团队后续的研究打开了新的方向：如果量子模拟算法的实际表现能够显著优于传统的最坏情形估计，那么决定算法效率的关键因素究竟是什么？

沿着这一问题，赵琦团队进一步将研究视角转向量子态本身的结构，尤其是量子纠缠与算法误差之间的关系。长期以来，量子纠缠被认为是经典计算模拟复杂量子系统的主要障碍之一：随着粒子之间的纠缠程度增加，经典计算通常需要消耗更多资源。然而，团队发现，对于特定的量子模拟算法，量子纠缠可能发挥截然不同的作用——纠缠程度的增加反而有助于降低算法模拟误差，使量子计算能够以更少的计算步骤达到目标精度。

这一发现最终发展为 2025 年发表于 Nature Physics 的封面研究成果，也让此前关于平均情形误差的基础研究形成了更具突破性的理论延伸。从重新认识算法误差，到揭示量子纠缠潜在的加速作用，赵琦的研究逐步深入量子计算实用化的核心问题：如何充分利用量子系统自身的特性，以更少的计算资源完成更复杂的模拟任务。

长期的研究积累，也让赵琦更加清楚地认识到，算法创新不能仅停留在理论上的效率提升。要让量子计算真正发挥价值，还需要进一步判断哪些产业问题适合量子计算，以及如何将算法优势与真实硬件能力、产业研发需求相结合。

对赵琦来说，这也成为他后来决定创业的起点。

宁德时代连续领投，寻找真正适合量子计算的问题

2026 年 4 月，赵琦在上海创立伏曦量子，开始尝试将长期积累的量子算法研究成果应用于实际产业问题。对于刚刚成立的公司而言，除了持续开展算法研究，另一个重要任务是与产业企业建立联系，寻找真正适合量子计算的应用场景。

“我们其实还是很关注产业方的一些资源。”赵琦表示，相比单纯获得资金支持，他更看重与产业企业共同开展研究的机会。在他看来，量子计算最终能否走向实际应用，不仅取决于技术本身的进步，还需要深入理解不同行业的研发需求，找到能够发挥量子计算优势的具体问题。

宁德时代便是其中一位重要的产业合作伙伴。作为全球动力电池行业的龙头企业，宁德时代此前已连续两轮领投伏曦量子，主要看重团队在量子模拟和量子算法领域的长期积累，以及相关技术未来应用于产业研发的潜力。

“这不是说我在化学或电池上有积淀，而是我在量子模拟、量子算法这个方向上确实有很多积累。”赵琦说。

与产业企业的接触，也让团队开始从实际研发需求出发重新思考量子算法的应用价值。不同于理论研究中对计算复杂度和算法性能的分析，产业研发更关心的是具体问题能否被解决，以及量子计算能够在哪些环节提供不同于传统计算方法的能力。对于现阶段的量子计算产业而言，提前识别具有潜在量子优势的应用场景，与持续提升硬件性能同样重要。

但找到合适的问题只是第一步。目前，量子计算硬件仍受到量子比特数量、计算噪声等因素的限制，许多理论上可行的算法尚无法在现有设备上高效运行。赵琦认为，算法优化可能在这一过程中发挥重要作用。即使硬件性能没有变化，不同算法所需的计算资源也可能存在显著差异。如果能够通过算法创新，减少完成同一任务所需的量子比特和计算步骤，就有机会让部分应用更早具备在实际硬件上运行的条件。

这也是伏曦量子当前的主要研究方向之一。一方面，团队持续探索如何降低量子算法的资源需求；另一方面，通过与产业企业和量子硬件厂商的合作，进一步理解真实计算任务的特点，并在现有硬件条件下开展应用验证。

在合作领域上，伏曦量子也并未局限于电池材料。公司正逐步将相关探索延伸至能源、生物医药、金融及信息安全等领域，尝试在不同产业的计算需求中识别量子算法的潜在应用机会。

在具体业务上，公司主要面向三类客户。对于宁德时代这样具有明确研发需求的大型企业，伏曦量子希望提供定制化算法、计算方案和私有化部署服务；对于更多科研人员和企业客户，则正在开发量子应用算力平台；此外，公司还希望通过算法和软件工具，帮助量子计算硬件厂商更高效地使用现有设备。

赵琦介绍，目前公司的云平台已经有了初步雏形。伏曦量子将易用性作为量子应用算力平台的核心特点，客户无需自行编写量子线路，就能围绕实际研发问题开展计算。未来，用户可以直接输入需要研究的问题，由平台匹配合适的算法，并调用超导、离子阱、中性原子等不同技术路线的量子计算设备。公司还计划引入 AI 助手，进一步帮助用户完成从研究需求到计算任务的转换。用户可以用自然语言说明希望研究的对象和问题，助手通过多轮交流补齐必要信息、解释参数含义，并整理出具体的计算方案，经用户确认后提交执行。

与此同时，创业也改变了他的日常工作。过去在高校，他主要与学生和科研人员打交道，如今除了继续研究量子算法，还需要与投资人、政府部门和产业企业交流，考虑公司的经营和管理。

“科研实力最强或者技术最强，往往不代表公司做得最强，这是两件事。”赵琦说，科研人员习惯于讲技术细节和专业术语，但普通公众和投资人未必能够理解。如何把技术讲清楚，以及如何经营一家企业，都是他正在重新学习的事情。

AI 越来越强，量子计算的机会在哪里？

在伏曦量子尝试将量子算法带入产业研发的同时，AI 也正在快速进入材料、化学和药物研发领域。如今，研究人员已经能够利用 AI 预测材料性质、筛选候选分子，甚至辅助解决一些复杂的计算问题。这也带来了一个疑问：如果 AI 能够完成越来越多的科研任务，量子计算未来还能提供什么独特价值？

赵琦认为，两者并不是简单的替代关系。当前 AI 主要依赖经典计算资源和已有数据，通过学习其中的规律来预测未知结果。但在一些复杂量子系统中，经典计算本身就面临很高的资源需求，而缺少高质量数据也可能限制 AI 的预测能力。

相比之下，量子计算有望直接模拟分子、原子和电子等微观体系的行为，解决一部分经典方法难以处理的问题，甚至为 AI 提供新的科学数据。“你可以理解为一个是在猜，一个是在自己去产生，或者去求解。”赵琦说，未来两者更可能相互配合，而不是相互取代。

伏曦量子正在重点推进 AI for Quantum Research，利用人工智能辅助量子算法的研究。团队希望借助 AI 探索不同的算法方案，寻找更节省量子比特和计算步骤的求解方法，提高算法研发与验证的效率。美国近期的研究已展示了这一方向的具体价值。2026 年 10 月，Anthropic 与哈佛大学的Mikhail Lukin 合作，利用大语言模型提出量子线路改进方案。在涵盖化学、优化和量子模拟等领域的八项测试任务中，七项同时减少了 Toffoli 门数量和量子比特需求。这类成果表明，AI 辅助量子研发已经在具体任务中带来了资源节省，也为伏曦量子所探索的研究方向提供了国际研究依据：通过 AI 加快算法创新、降低计算资源需求，有望让部分应用更早具备在实际量子硬件上运行的条件。

公司同时开展 Quantum Computing + AI for Science 研究，将量子计算与人工智能结合，共同解决具体的科学应用问题。围绕材料、能源和医药等领域的研发需求，团队探索如何在同一项计算任务中结合 AI 与量子算法，形成服务实际研发的计算方案。

不过，量子计算自身距离成熟应用仍有一段路要走。赵琦认为，目前行业正处于从实验室走向工程化的过渡阶段，不同硬件技术路线的发展进度并不一致。除了提高硬件性能，研究人员还需要解决如何将量子计算能力用于实际问题。

“比如说你现在突然给我一台 50 个比特、100 个比特量子计算机，我到底该怎么做，更高效，我们其实也不知道。”赵琦说。即使未来硬件拥有更多逻辑量子比特，也需要有与之匹配的算法和计算方案。

在具体应用上，赵琦更看好材料和医药领域，这些领域的许多问题涉及分子、原子和电子等微观粒子的行为，与量子模拟的研究对象更为接近。但他也强调，并非所有任务都适合量子计算，关键还是要判断它能否比经典计算做得更好。

在赵琦看来，中国量子计算的发展还存在一定的不均衡。硬件方面，“祖冲之”“九章”等成果已具有较强的国际影响力，但量子算法和软件研究仍相对薄弱。近年来，随着更多具有海外研究经历的学者回国，相关研究正在发展，但长期深耕量子模拟算法等方向的团队依然不多。

这种情况也影响了产业界对量子算法的认识。“有一些人觉得量子算法很简单，谁上谁都行。”赵琦并不认同这种观点。在他看来，真正高效的量子算法同样需要长期的理论积累，不能等硬件制造出来以后再考虑。

对于有志于进入量子计算领域的年轻人，赵琦也建议，不要过早将自己局限在某一个研究方向，而应该多了解不同领域的进展，主动与国际同行交流，接触不同的研究思路。在他看来，量子计算仍然处于快速发展的阶段，许多重要问题尚未得到解决，年轻研究者需要保持开放的视野，找到真正值得长期投入的问题。

而当被问及职业生涯中最希望解决的科学问题时，赵琦的回答也与算法有关。他希望未来能够出现一种像 Shor 算法那样的全新量子算法，发现过去未被认识到的重要问题，并实现相对于经典计算的指数级加速。

对于伏曦量子，他希望公司未来能够成为量子算法领域具有国际代表性的企业，既持续开展原创研究，也能够提供更高效的计算方案。不过，他也坦言，Google、IBM 等企业在相关方向已有较深积累，伏曦量子刚刚成立，仍有很长的路要走。

相比这些长期目标，赵琦眼下更希望与宁德时代等产业伙伴及不同的量子计算硬件企业合作，先在一些具体研发问题中展示量子计算的实际效果。“让大家看到量子这件事真的有帮助，这种新型的算力真的有意义。”

论文链接：

1.Zhao, Q., Zhou, Y., Shaw, A. F., Li, T.,Childs, A. M. (2022). Hamiltonian simulation with random inputs. Physical Review Letters, 129, 270502.

2.Zhao, Q., Zhou, Y.,Childs, A. M. (2025). Entanglement accelerates quantum simulation. Nature Physics, 21, 1338–1345.

okok

3.Feng, T., Cao, Y., Yu, W., Zeng, J., Li, X., Deng, X.-H.,Zhao, Q. (2026). Entanglement-induced resilience of quantum dynamics. Science Advances, 12(40), eaef3416.