算力架构正在经历一次范式级重构！

过去半个世纪，每10-15年，算力架构会经历一次范式级的重构。

第一次是CPU统治的时代——冯·诺依曼架构奠定了现代计算的底层逻辑，单核性能的军备竞赛持续了将近半个世纪。第二次是GPU的崛起——英伟达用CUDA重新定义了并行计算，深度学习在算力的浇灌下爆发出来，我们今天用的每一个大模型，背后都有成千上万块GPU在不间断运转。

现在，第三次跃迁的苗头已经出现。

QPU——量子处理单元——这个词在过去两年里出现频率越来越高，不再只出现在物理学期刊上，而是开始频繁出现在英特尔、谷歌、IBM、微软的财报电话会议、开发者大会和战略规划文件里。更值得关注的是，这些公司不是在单独谈QPU，而是在谈CPU+GPU+QPU的协同架构——一种混合算力的新范式。

这背后究竟发生了什么？ 

为什么单靠CPU和GPU已经不够了

长久以来，冯·诺依曼架构下的CPU一直是计算领域的绝对主宰。CPU像是一个极具统帅能力的“通才”，负责复杂的逻辑控制和串行任务调度。然而，随着深度学习和大数据时代的爆发，CPU在处理海量并行矩阵运算时显得捉襟见肘。

于是，GPU迎来了它的黄金时代。GPU凭借其成百上千个精简的流处理器，成为了处理图形渲染和AI训练的“专才”，直接缔造了今天NVIDIA万亿美元的市值神话。

但是，算力的天花板依然存在。当人类面对分子模拟、新药研发、复杂金融风险定价、全局物流优化等涉及庞大状态空间和组合优化的问题时，即使是当今最顶配的GPU集群，算力也可能需要耗费宇宙年龄级别的时间。这种呈指数级爆炸的计算需求，经典物理法则下的硅基芯片已经无能为力。

破局者，只能是QPU（量子处理单元）。

通过量子叠加（态空间指数级增长）和量子纠缠（比特间的非经典关联），QPU展现出了解决特定极难问题的潜力。

但需要注意的是，行业共识已经发生重大变化：QPU绝对不是用来替代CPU或GPU的。未来的高性能计算（HPC）中心，其底层架构必然是“CPU-GPU-QPU”三位一体的深度融合。

CPU负责全局调度与逻辑控制，GPU承担重度AI训练与降维打击的粗粒度数据处理，而QPU则作为最顶级的“协处理器”，专门攻克经典计算束手无策的指数级难题。

这场算力底座的重构，已经成为全球科技巨头们不惜重金跑马圈地的核心战场。 

英伟达的“暗度陈仓”

当我们谈论量子计算时，很多人会忽略英伟达（NVIDIA）。这家目前在AI领域如日中天的芯片巨头，至今没有研发哪怕一个真实的物理量子比特，但这绝不意味着NVIDIA在量子时代缺席。

恰恰相反，黄仁勋的野心极大，他试图用软件和混合计算架构，扼住量子时代的咽喉。

NVIDIA的破局利器是CUDA-Q。CUDA-Q的底层逻辑，就是为“CPU+GPU+QPU”提供一个统一的编程模型。目前的量子计算硬件路线百花齐放（超导、离子阱、中性原子等），对于普通开发者而言，学习不同硬件的底层汇编语言简直是噩梦。

来源：英伟达

CUDA-Q允许开发者使用C++或Python，在同一个代码库中无缝调度CPU、GPU和模拟或真实的QPU。NVIDIA更是联合了Quantum Machines发布了DGX Quantum，这是全球首个结合了GPU和量子硬件的系统。通过PCIe总线，GPU能够与量子控制设备实现亚微秒级的低延迟通信。

不难看出，NVIDIA的动作透露出一个商业现实——在量子计算机实现百万级物理比特的“完全容错”之前，行业将长期处于NISQ（含噪声中等规模量子）时代。

在这个阶段，量子比特极其脆弱，需要大量的经典计算（GPU）来进行量子电路的模拟、误差缓解计算以及量子态的实时纠错。NVIDIA不造QPU，但它想让所有造QPU的公司，都必须插在它的GPU主板上，用它的CUDA-Q平台驱动。这是典型的“淘金热中卖铲子”的最高阶玩法。 

IBM的“量子中心超级计算机”

与NVIDIA的软件生态包围战不同，IBM是真正的硬件死磕派。作为超导量子的领头羊，IBM在经历了过去几年“刷量子比特数量”的公关战后，其战略在近两年发生了非常务实的转变。

IBM提出了一个全新概念——以量子为中心的超级计算（Quantum-Centric Supercomputing），该架构结合了中央处理器（CPU）、图形处理单元（GPU）和量子处理单元（QPU）。在IBM最新的产品路线图中，他们不再孤立地强调某一个QPU的算力，而是强调QPU与经典HPC服务器的模块化横向扩展。

来源：IBM

IBM推出的System Two架构就是这一理念的终极体现。在这个巨大的低温系统中，不仅有目前达到133量子比特但错误率极低的新一代Heron处理器，更关键的是它的中间件层。IBM升级了其量子供应链和Qiskit软件堆栈，使得云端的任务可以像流水线一样被切割。

此外，代表案例包括与克利夫兰诊所和理化学研究所的联合研究。IBM与他们合作，运行了多达12635个原子的蛋白质复合物模拟。这是使用量子硬件的案例中规模最大的，随着针对生物学意义分子的研究，量子计算正扩展到生命科学和化学的现实研究问题中。

IBM的这一套动作，标志着量子计算从实验室玩具向数据中心实用化组件的转变。IBM首席量子硬件架构师一再强调“Quantum Utility（量子效用）”时代的到来，即量子计算机在某些特定问题上，已经能够输出让经典计算机难以企及的、有价值的计算结果。CPU-GPU-QPU的融合，是IBM实现量子商业变现的关键解。

微软与云巨头们的“降维打击”

在“CPU-GPU-QPU”的产业链条中，云服务商（CSP）扮演着资源池和最终交付者的角色。微软Azure、亚马逊AWS（Braket）和谷歌（Google Cloud Quantum）在这方面的布局虽各有侧重，但殊途同归。

我们重点来看一下微软和谷歌。

微软在硬件底层一直在死磕极其困难的“拓扑量子比特”，这曾让它在进度上落后于IBM和谷歌。但在2024年初，微软联合量子计算企业Quantinuum扔出了一枚重磅炸弹。

他们通过结合Quantinuum高保真度的物理QPU（H2处理器）与微软Azure庞大的经典计算算力（CPU/GPU集群）及先进的量子纠错算法，展示了迄今为止最可靠的“逻辑量子比特”。他们在仅消耗数十个物理比特的情况下，实现了无错误运行数万次实验。

来源：Quantinuum

这项突破背后，正是CPU-GPU-QPU的高效协同。实时量子纠错（QEC）对经典算力的要求极高。测量量子比特状态、解码综合征、并在一微秒内反馈控制信号给QPU，这需要极低延迟的非冯·诺依曼架构通信。微软Azure的经典算力在这里起到了中枢神经的作用。

反观谷歌，自从2019年用Sycamore处理器宣告“量子霸权”后，其步伐变得更加沉稳。

Google Quantum AI意识到，要实现百万比特的容错量子计算，必须解决控制电子学的瓶颈。用常温下的CPU/GPU去控制零下273度的QPU，中间的海量同轴电缆是无法扩展的。因此，谷歌不仅在推动量子算法与经典深度学习（GPU）的融合，还在研发能够工作在极低温环境下的经典控制芯片。

无论是微软借力打力实现纠错突破，还是谷歌深耕底层硬件控制，都在传递一个信息，那就是，量子计算的下一个里程碑不仅取决于QPU的材质与设计，更取决于这层包裹在QPU周围的经典算力（CPU或GPU）。没有强大的实时经典控制纠错系统，物理量子比特就是一盘散沙。 

量子企业的搅局

科技巨头之外，专注量子计算的创业公司同样在CPU-GPU-QPU协同这个方向上有所布局。

IonQ是这条路上的激进派。

他们的离子阱量子计算机不仅在常温真空环境下运行，其最新的Forte和Tempo企业级机架系统，在设计之初就完全遵循了经典数据中心的标准（19英寸标准机架）。同时，面向企业客户开放云端访问，并与亚马逊AWS Braket和微软Azure Quantum完成了深度集成，使其QPU资源可以通过已有的云计算基础设施调用。

来源：IonQ

同时，我们看到混合经典-量子算法（如VQE、QAOA）正在催生对GPU和QPU联合迭代的强烈需求。

Rigetti等企业已经在其云平台上深度集成了高速经典处理器。在量子近似优化算法（QAOA）中，QPU进行一次参数采样评估，随后大量数据迅速回传给经典CPU或GPU使用梯度下降法更新参数，然后再喂给QPU。这种成千上万次的循环交互，如果通信延迟过高，算法就会失效。

这就解释了为什么现在所有的QPU制造商都在投资Co-location技术。把QPU放在离经典HPC网关最近的地方，实现光纤级别或者PCIe级别的直连。

这就好比百米赛跑，QPU能一秒钟跑完100米，但如果每次起跑都要等GPU半分钟的数据传输，整个系统的速度反而会被拉垮。初创企业在这方面的工程化落地，往往比巨头由于具备更少包袱而跑得更快。 

混合计算的架构雏形

综合以上各家企业的动作，一个混合算力架构的轮廓正在逐渐清晰。

在这个架构中，CPU依然是系统的总调度员，负责程序逻辑、任务分发、I/O管理；GPU承担大规模矩阵运算和AI推理，处理可以高度并行化的经典计算任务；QPU作为高度专业化的协处理器，被调用处理那些对量子加速最敏感的子任务——组合优化、量子化学模拟、随机采样等。

这种协同并非无缝，目前面临几个主要的工程挑战：

• 延迟问题：当前阶段，从经典系统向QPU发送任务、等待结果返回，延迟在毫秒到秒级，对实时计算场景几乎不可用。如何降低量子-经典通信延迟，是当前工程研究的热点。

  
  

• 编程接口不统一：目前谷歌用Cirq，IBM用Qiskit，亚马逊Braket有自己的框架，不同量子硬件之间没有类似CUDA那样主导性的统一编程规范。这个碎片化状态类似GPU生态在CUDA出现之前的混乱局面。

  
  

• 低温与经典系统的集成：超导量子比特需要工作在接近绝对零度（约15毫开尔文）的环境中，而经典CPU/GPU在室温下工作。如何在物理层面实现这两类截然不同的计算单元的高效连接，是散热和封装工程的严峻挑战。

  
  

英特尔的Horse Ridge控制芯片、IBM的低温CMOS技术都在尝试解决这个问题，但距离规模化工业应用仍有相当距离。 

全球量超融合进入平台化竞速期

来源：光子盒研究院

日本的推进相对最成熟。它依托理化学研究所、东京大学等机构，通过JHPC-quantum等国家级项目，把自身强大的超算基础和量子资源结合起来，重点不只是做科研验证，而是朝着平台化、服务化方向推进。

欧洲的特点是多国协同。依托EuroHPC JU，欧洲正在把不同技术路线的量子计算机逐步纳入泛欧超算网络，形成联邦化、公共化的融合基础设施。它更强调体系化建设。

美国主要依托能源部下属国家实验室推进，并且头部企业作用非常明显。尤其是近两年，英伟达、IBM等公司开始在硬件接口、控制系统和软件栈层面持续加码，推动量超融合进入更深的系统集成阶段。

中国则呈现地方平台先行、本地化部署、多路线协同推进的特征。依托先进计算中心、国家超算中心和算力网络体系，量超融合正在从“试点接入”走向“平台搭建”。

如果概括当前格局，可以说是，日本相对领跑，欧洲并跑，美国和中国加速追赶。 

结语

CPU到GPU的跃迁用了大约二十年——从上世纪90年代GPU出现，到2012年深度学习的爆发，再到今天英伟达的市值突破5.5万亿美元，这条路走得并不短。

GPU到QPU的跃迁，很可能同样需要漫长的时间。目前的技术成熟度，硬件能力已经初具规模，但软件生态、应用场景和商业模式还远未成熟。

但有一件事是确定的，科技巨头们已经开始卡位了，而且卡位的方式不是押注QPU会替代一切，而是构建CPU-GPU-QPU的协同体系。这个判断本身，就是对当前技术现实最务实的回应。

我们现在要做的就是，保持专业的关注和理性的判断，比随波逐流地热炒概念更有价值。

[1]https://biz.chosun.com/en/en-it/2026/05/19/NYURTFTXTZCRBAFQCJZVAMEVGA/

[2]https://developer.nvidia.com/cuda-q

[3]https://newsroom.ibm.com/2026-03-12-ibm-releases-a-new-blueprint-for-quantum-centric-supercomputing

[4]https://blogs.microsoft.com/blog/2024/04/03/advancing-science-microsoft-and-quantinuum-demonstrate-the-most-reliable-logical-qubits-on-record-with-an-error-rate-800x-better-than-physical-qubits/

[5]https://research.google/blog/suppressing-quantum-errors-by-scaling-a-surface-code-logical-qubit/

 

为您发布产品，请点击“阅读原文”