据作者现场录音整理，按讲者脉络转述，不是逐字稿。讲者是数耀量生联合创始人兼 CTO，自述港理工硕士、港科大博士，曾和 NASA 合作。英文演讲，约 18 分钟，无问答环节。文中的性能数字都是讲者现场的宣称，没有给出处。

一句话

讲者主张用量子硬件约束物理 AI 生成模型的隐空间：把动作分布建成玻尔兹曼能量地形，能表示任意多峰；用光量子相干伊辛机在毫秒级采到全局最低能量点；再把"采样、真机执行、更新地形"串成一个只靠真实数据的自我改进循环（Real2Real）。他说这样突破了 GPU 训练模型的成功率平台期。

论断

1. 物理 AI 要同时改算法、数据、计算

真人、真机器人采的数据贵，而且有很多偏差；仿真数据有 sim2real gap。他把这个 gap 的数学本质归结为仿真世界和真实世界的状态转移分布不同，并说这一点后面会用到。另一个核心问题是能不能挑出下一个要执行的样本，让学习速度和模型能力最大化。物理世界的问题还有时空依赖，是非线性、多峰的。

“there are three different variables we are going to change simultaneously.”

——有三个变量要同时改。

2. 讲者宣称突破了成功率平台期

他说同样条件、同样数据集下，传统 GPU 训练的模型训到某个成功率就上不去了，用他们的量子-经典混合方法还能往上走。

“After we trained it with our model, only after 12,000 epochs, it reach like 98%.”

——用我们的模型训，只要 12,000 个 epoch 就到了大约 98%。

  • 基线是"最新的"某个开源模型，在一个公开基准上平均成功率 93.7%，训到 8 万个 epoch 也没明显提升。
  • 他们只微调模型的隐空间，基线做的是全参数微调，他说因此成本效率好得多、用的 GPU 更少，没给 GPU 用量或成本数字。
  • 在某数据集最复杂的任务上，成功率比基线高约 25%；任务越难优势越大，在另一个基准上到约 33%。没说明是绝对百分点还是相对提升。
  • 真机已经测过，结果要等论文投稿后才发布，本场没给真机数字。

3. 用玻尔兹曼能量地形表示多峰动作

他举的例子：机器人要走出有好几扇门的房间，用高斯去拟合数据，概率最高的地方是两扇门中间的墙，而不是任何一扇门。混合高斯可以缓解，但要预先定好用几个高斯。他们用的是玻尔兹曼能量地形分布，他说可以从数学上证明，极端情况下从真实世界采足够多数据，这个分布会收敛到真实物理世界的分布。能量越高噪声越大，能量越低路径越好越顺，所以要做的事就是找到地形上所有的最低点。

4. 求最低点交给光量子相干伊辛机

“Boltzmann machine have been in our text for years, but no one use this. Why? It is because so often the problem of optimality for Boltzmann machine is a NP-hard problem.”

——玻尔兹曼机在教科书里很多年了，但没人用。因为它的最优化往往是 NP-hard。

他们的做法叫量子玻尔兹曼采样器，跑在相干光子伊辛机上，以概率意义采到全局最优解。

  • 耗时约 1 到 3 毫秒，问题规模可能是 2 的 1000 次方。他说没有任何 GPU、CPU 或经典计算设备能在这个时间里算出来，但没有和具体的经典求解器做对比，也没给对方的数字。
  • 机制的正式名称是 “real to real energy modeling and quantum sampling for probabilistically global optimality”，即概率意义上的全局最优，不是确定性保证。

5. Real2Real：只用真实数据的自我改进循环

只用几十条真实样本启动，得到初始能量地形；用量子采样从中采全局最优；采样结果交给真机执行；再更新地形，重复。他说如果样本已经是真实的全局最优，流程就停；如果不是，地形更新后会马上出现一个更低的最低点，所以能不断逼近真实物理分布里的全局最优（这几句录音很乱，他是否说了有数学证明、是否单调逼近，都要回放确认）。这个循环不经过仿真。

“we can use only a few, for example like several tens of real data or real sample to start our inverse process”

——只用几十条真实样本就能启动逆过程。

  • 他说有不少物理 AI 客户已经在用自己的真实数据和真机测试这个方法，一周前客户反馈在五项真实测试里都比他们原有的基线好得多。没给客户名、任务和数字。

6. 1000 量子比特能同时容纳 40 种任务

能量地形大小受量子比特数限制。他们用的是 1000 量子比特的机器，他说隐空间已经够大，能同时容纳 40 种不同的机械臂任务。

“we cannot imagine that just 100 bytes can capture … 40 different task simultaneously for robots.”

——很难想象一百字节能同时装下 40 个机器人任务。

  • 比较对象是经典计算的直觉（1000 比特约一百字节），不是实验对照；40 种是什么任务、成功率多少，没说明。
  • 他说这只是方法的快速示意，数学上复杂的技术细节这次没讲。

存疑

  • 93.7% 到 98% 的基线是哪个开源模型、哪个公开基准，98% 是全部任务平均还是某个子集，没有点名；基线全参数微调 8 万 epoch、他们只调隐空间 1.2 万 epoch，两边设置是否可比也没交代。
  • 25% 和 33% 对应的基准名称没听清，需对照幻灯片。
  • “1000 量子比特的量子计算机"是哪家的机器，没说明。
  • 数学证明（收敛到真实分布、逼近全局最优）是否有论文、前提条件是什么，没说；讲循环停止条件和证明的那几句听得不清楚，需回放。
  • “1 到 3 毫秒"的时间单位需对照幻灯片确认。
  • 他提到团队里有一位量子专家，名字和背景没听清。