量子计算+生物制药
产业与技术发展研究报告
目录
编制说明.............................................................................................. 4
一、时代浪潮下生物医药产业迎来历史性机遇.............................. 5
全球医药市场发展态势与创新药研发的挑战.................... 5
中国医药产业正处于转型的关键时期................................ 6
“AI+量子”策略成为制药创新核心引擎 .............................. 7
二、全球竞速：生物医药与量子计算的战略布局.......................... 9
国际发展态势图景................................................................ 9
我国政策规划体系与“十五五”新规前瞻 ............................ 9
产业资本与创新生态发展趋势.......................................... 11
三、当代药物发现的计算革命：从 CADD 到 AIDD ...................
13 “偶然发现”到“数据驱动”的演进
....................................... 13
经典计算面临的根本性瓶颈.............................................. 13
四、AIDD 的辉煌与理论上限......................................................... 15
AlphaFold2 引领的 AIDD 浪潮........................................... 15
精度瓶颈：“量子物理”的天花板 ...................................... 15
复杂度瓶颈：“组合爆炸”的老大难 .................................. 16
五、量子计算赋能加速药物发现三大路径.................................... 17
路径一：发挥组合优化天然优势...................................... 17
路径二：构建量子增强机器学习模型.............................. 17
路径三：重构生成式 AI 模型 ........................................... 18
六、诺奖级理论驱动量子计算机的物理实现................................ 19
从诺奖理论到量子计算硬件的物理实现.......................... 19
伊辛模型：药物发现优化的统一物理语言...................... 21
QUBO 模型：优化问题的标准化“语言”........................... 22
量子计算技术路径对比...................................................... 23
七、量子计算+生物制药关键应用场景解析 .................................
28
1. 发挥组合优化天然优势——加速药物筛选与设计........... 28
2. 构建量子增强机器学习模型——探索化学与构象空间... 30
重构 AI 模型——实现分子从头设计与优化 ................... 33
新型量电融合计算平台....................................................... 35
八、量子计算重塑生物制药未来.................................................... 37
相干光量子计算的未来展望............................................... 37
超导量子计算的未来展望................................................... 37
编制说明
药物发现（AIDD）成为了发展最快、成果最显著的方向。但作为
经典计算框架下的巅峰之作，其能力高度依赖于训练数据的质量
与广度，并受限于经典物理的描述范畴。近年来，以量子信息科
学为代表的量子科技迅猛发展，掀起了第二次量子革命的兴起。
量子计算基于量子力学的叠加原理展开了全新的计算模式，它提
供了一种从根本上实现并行计算的思路，具备极大超越经典计算
能力的潜力，有望解决 AIDD 的理论瓶颈，为生物制药的研发瓶
颈注入变革性力量。
当前形势下，国内外均在积极布局量子计算战略，联合国宣布
2025 年为“国际量子科学与技术年”，同时 2025 年也成为药物
研
发模式的一个分水岭，行业正在从高度依赖经验的传统路径，全
面转向由人工智能（AI）驱动、量子计算增强的智能化新范式。
在此背景下，联盟组织研究编写了《量子计算+生物制药产业与技
术发展研究报告》，针对量子计算+生物制药的产业发展、药物发
人工智能在生物制药领域取得了巨大突破，特别是人工智能 现计算发展的变革、量子计算赋能药物发现的技术路线、应用场
景案例等进行跟踪研判，同时对量子计算+生物制药发展趋势前景
进行展望，供业界参考。
编制单位：中国电子信息产业发展研究院网络安全研究所、量
子科技长三角产业创新中心、粤港澳大湾区量子科技与产业创新
联盟、中山大学药学院、北京玻色量子科技有限公司、中国移动
云能力中心
研究报告编写组成员：温晓君、周旭、杨云祥、傅宇龙、何雨
宸、郑留帅、王维、熊枫、金晱、陈伟、李苏川、胡文浩、郭磊、
李哲、文凯、马寅、汤俊杰、杜雪虹、钱岭、黄智国
一、时代浪潮下生物医药产业迎来历史性机遇
全球医药市场发展态势与创新药研发
的挑战
生物医药产业是一个关乎人类健康和生命科学前沿的产业，
其发展状况与全球经济及科技进步紧密相连。当前，生物医药产
业的全球发展现状显示出几个显著的特点和趋势。
首先，全球生物医药产业的竞争格局呈现出美国和欧洲国家
的主导地位，但中国等新兴经济体的企业竞争力正在逐步增强。
2025 年 6 月全球知名行业媒体 Pharmaceutical Executive 公布了
一
年一度的全球制药企业 50 强榜单（2025 Pharm Exec Top 50
Companies），其中有 6 家中国制药企业上榜，数量创历史
新
高，这反映出中国的创新药领域全球化征程已起航，其在全球生
物医药产业中的影响力日益增强。其次，生物技术的迅猛发展正
推动生物医药产业向微观纵深方向加速发展。2024 年以来，基
因编辑、人工智能、量子计算等新技术的持续突破提升了新药产
业化效率，小分子化药、抗体药、细胞治疗药、核酸药物等新药
赛道齐相发力驱动新药开发向“高能级”方向发展，创新模式也呈
现出网络化和全球化的特点。根据 Citeline 旗下 Pharmaprojects
最新发布的《2025 年医药研发年度回顾》报告，全球在研药物
数量再创历史新高，达到 23875 个，较 2024 年增长 %。其
中美国依然占据全球医药创新的中心地位，研发占比 48%，中
国 则持续保持追赶态势，研发项目占比 %。同时，全球生
物医 药产业的市场规模持续增长，特别是生物药的增速较快。
根据最新统计数据，全球生物医药市场规模预计将突破 万亿美元，
其中中国占比超过 20%，市场规模达 万亿元人民币，2020-
2025 年复合增长率高达 %，展现出强劲的发展势头。从产
业 结构来看，化学药、生物药和中药三大板块呈现差异化发展
态
势，其中生物药以 28%的占比成为增长最快的细分领域，
2024
年市场规模已达 4913 亿元，预计 2025 年将突破 8000 亿元
大 关。
新药研发的加速与创新药物的出现是当前全球生物医药产业
的一个重要趋势。随着科技的快速发展，特别是在生物技术和化
学技术领域，新药的开发周期正在缩短，新药物的研发速度明显
加快。新药研发的加速主要得益于高通量筛选技术、基因编辑技
术、组合化学技术等现代生物技术的应用。然而药物研发长期面
临高风险、长周期和高成本的三大问题，量子前哨发布的《2025
版量子计算+生物制药白皮书》统计传统药物从发现到上市平均
需 10-15 年，耗资数十亿美元，而临床试验成功率仅为 %
。 挑战的核心在于经典计算在生物分子模拟中的精度和效率存
在双 重局限。精度缺陷体现在现有模型难以刻画生物系统的多
尺度非 线性特征，效率瓶颈则源于生物数据的爆炸式增长。随
着量子计 算的崛起，凭借其强大的并行计算能力，为药物研发
提供了全新 的视角。
中国医药产业正处于转型的关键时期
“十四五”时期，我国生物医药产业迎来了从实验室到临床转化
的“加速期”，一批靶向药物、细胞治疗、基因编辑等前沿技术加速
从实验室走向患者，转化速度实现与国际水平同步，部分品种在
疗效数据上甚至实现“弯道超车”。同时随着《“十四五”医药工业发
展规划》、《医药工业高质量发展行动计划（2023—2025 年）》、
《制造业数字化转型行动方案》、《关于全面深化药品医疗器械
监管改革促进医药产业高质量发展的意见》等系列文件先后出台，
进一步加速推进数字化、智能化技术在医药工业领域的推广应用。
在相关政策支持和产业持续创新的共同推动下，我国医药工业自
动化、信息化、数字化发展的基础更加坚实，以人工智能为代表
的新一代信息技术与医药研发融合日益深入，为我国医药工业进
一步实现数智化转型带来新机遇。
与此同时，医药工业在数智化发展过程中仍面临顶层设计和
协调引导不够完整、企业主动转型能力不足、支撑服务体系有待
完善等问题。2025 年 4 月，工业和信息化部等 7 部联合印发了
《医
药工业数智化转型实施方案（2025—2030 年）》（以下简称《实
施方案》），该《实施方案》深入推进人工智能赋能新型工业化，
推动新一代信息技术与医药产业链深度融合，加快推进医药工业
数智化转型，进一步提高企业核心竞争力，提升药品质量安全水
平，增强供应保障能力，培育和发展新质生产力，促进医药工业
高质量发展。
“AI+量子”策略成为制药创新核心引擎
当前，AI 和大数据技术、量子算法的融合，以及新型计算工
具和基础设施解决方案，如数据库、云服务等，都在重新定义新
药开发的模式。越来越多的量子计算企业将医药作为重要应用场
景，其中 IBM、谷歌、英特尔、亚马逊、微软等企业都在开发
量
子计算云平台的同时，不约而同地布局医药应用；同时，一批量
子计算的初创企业也积极与量子计算机开发企业合作或利用量子
云平台，将量子计算与医药开发知识相结合，开发用于药物发现
等方面的工具，以加速应用开发。人工智能驱动药物开发的重要
性也越来越突出，人工智能驱动的新药设计与开发主要分为三大
类：从头药物设计、现有数据库虚拟筛选和药物再利用。从头药
物设计主要由深度生成 AI 模型实现，包括英矽智能的
Chemistry42 软件、Iktos 公司的 Makya 和 Ro5 公司的
DeNovo。现有数据库虚拟筛选方面，应用 AI 赋能的超大规模
虚 拟筛选，可从数十亿分子中筛选出成功的苗头化合物。许多
公司使用再利用策略进行人工智能药物发现，这一类的公司包括
Healx、Benevolent AI、BioXcel Therapeutics，主要使用自然语言
处理模型和机器学习，通过分析大量的非结构化文本数据，研究
文章和专利、电子健康记录以及其他数据类型来建立和搜索“知
识图谱”。与传统计算机辅助药物研发相比，AI 具有数据量大、
精度高、新颖性强等优势。越来越多的企业布局 AI 赋能药物
开 发业务，根据 Deep Pharma Intelligence 发布的数据，截至
2024 年，全球约有 800 家 AI 公司辅助药物研发。
多个权威报告指出，2025 年已成为药物研发模式的一个分水
岭——行业正在从高度依赖经验的传统路径，全面转向由人工智
能（AI）驱动、量子计算增强的智能化新范式。这一年生成式
AI、量子计算、机器学习深度融合、协同发力，共同构成了一个
更强大、更智能的药物研发系统。这不仅是一次技术升级，更是
一次研发范式的根本性转变。2025 年之所以被称为“转折点”，正
是因为这些技术的成熟度与实践价值已通过多项验证，使得“AI+
量子”这一混合策略，演进为全球药物研发体系中不可或缺的核
心支柱。
二、全球竞速：生物医药与量子计算的战略布局
国际发展态势图景
2024 年，联合国宣布 2025 年为“国际量子科学与技术年”，这
一举措旨在提升公众对量子科学及应用重要性的认识。量子技术
目前尚未完全实现大规模商业化，但研发和商业化步伐正在加快。
2025 年 9 月 23 日，美国白宫管理与预算办公室（OMB）与科技
政策办公室（OSTP）联合向各联邦部门与机构发布《2027 财年政
府研发预算优先事项及跨领域行动》备忘录，将人工智能与量子
信息科学与技术置于 2027 年研发预算优先级首位。白宫备忘录指
出，量子科技正处于从实验室走向产业化应用的关键拐点。
当前，量子计算快速发展，在医药领域展示出广阔的应用前
景。2023 年全球医药领域量子计算的市场价值为 8500 万美元，预
计到 2028 年将超过 5 亿美元，复合年增长率高达 %，美国、
日本、丹麦等国已加速相关部署。在此形势下，英国国家量子计
算中心于 2025 年 3 月发布《医疗制药与量子计算的融合：医学新
前沿》洞察报告，认为量子计算有望加速医疗保健和制药领域的
进步，解决药物发现、诊断、个性化医疗和医疗保健服务方面的
一些最复杂的挑战，量子计算在未来数十年内对医药领域可能带
来的变革性影响。
我国政策规划体系与“十五五”新规前
瞻
2024 年《政府工作报告》将量子科技纳入未来产业规划，以
“开辟新赛道”为导向完成顶层设计。一年后，政策重点已转向“建
立投入增长机制”与“培育未来产业”，实现从宏观布局到机制构建、
从赛道开辟到产业培育的关键转变。这一战略深化既依托于关键
领域的技术突破，也凸显国家将量子科技作为新质生产力核心引
擎的战略定位，为“十五五”时期的突破发展奠定坚实基础。
2025 年政府工作报告明确提出“建立未来产业投入增长机制”
和“培育量子科技等未来产业”，覆盖基础研究到产业化的全链
条支持。一是突破芯片、测控等核心器件与设备底层技术；二是
构建“量子+”生态，通过揭榜挂帅推动产学研融合，加速金融、
医疗等场景落地。这一政策框架为产业链上下游企业提供了较为
清晰的研发和市场拓展路径，标志着国家战略进一步聚焦量子技
术产业化。
在“十五五”规划纲要中，量子科技首次被提升至国家战略
支柱产业的高度，标志着中国正式将量子科技作为未来产业升级
的核心引擎。量子科技在“十五五”规划中的定位超越了单一技
术范畴，成为连接多领域创新的战略支点。量子计算与人工智能
的融合被视为下一代计算革命的重要方向。人工智能在处理高维
数据、复杂优化问题时，常面临计算复杂度指数级增长的瓶颈，
而量子计算凭借叠加态与纠缠态特性，在并行计算、全局优化等
任务中具备天然优势。
聚焦广东政策与战略布局，2025 年 2 月，《广东省建设现
代化产业体系 2025 年行动计划》正式印发，广东省在顶层设计
中将量子科技确立为未来产业的核心方向，同年 1 月，广东省
人 民政府办公厅关于印发《广东省加快建设生物制造产业创新
高地》，明确提出深入推进生物科技关键共性技术、前沿引领技
术、现代工程技术、颠覆性技术创新，推动生物技术（BT）与
信息技术（IT）的深度融合，抢占生物制造科技创新战略制高
点。量子计算作为下一代信息技术的颠覆性力量，是推动 BT-
IT 深度融合的关键方向与未来演进的重点。
在实施路径上，广东一方面依托粤港澳大湾区量子科学中
心、广州实验室等重大平台汇聚跨领域创新资源，另一方面通过
探索“实验室经济”等新型创新生态，鼓励“楼上创新、楼下创
业”，为量子计算与生物医药等前沿技术的交叉验证与成果转化
提供了机制保障。此外，通过广东省量子科学战略专项及生物医
药领域的企业联合基金等多元化投入机制，广东持续支持包括交
叉领域在内的基础研究与核心技术攻关，为“十五五”未来产业
的前瞻布局埋下了关键伏笔。
产业资本与创新生态发展趋势
量子领域
根据《2024 年量子计算产业发展展望》统计，2018 至 2023
年 间，全球共有 19 个国家的 98 家量子计算企业（包括 59 家
硬件企
业和 39 家软件企业）完成 230 笔融资。从融资规模来看，美国
以
亿美元遥遥领先，中国虽在亚洲地区位居前列，融资总额为
6060 万美元，但仍与美国存在数量级差距。行业预测指出，2027
年末至 2028 年初将是关键时间节点，届时专用量子计算机有望
在 组合优化、量子化学、机器学习等领域实现突破，进而推动
材料 设计与药物开发等实际应用落地。
作为粤港澳大湾区量子科技创新的核心引擎，广州已构建起
完整的量子科技研发生态体系。在基础研究维度，琶洲实验室量
子计算中心、中山大学量子研究院和华南理工大学量子实验室三
大科研重镇协同发力，重点突破光量子芯片设计、超导量子计算
等关键核心技术，成功研制出具有国际先进水平的 72 比特量子
计
算原型机，为量子计算产业化奠定坚实基础。在技术转化维度，
粤港澳大湾区量子科学中心作为区域协同创新平台，整合广深港
实用化迈出关键一步。
澳优质科研资源；量子信息共享中试平台提供专业的器件制备与
测试服务；规划建设的量子科技产业园将打造完整的产业生态，
形成从基础研发到产品测试再到产业化的全链条转化体系。在应
用落地维度，广州积极推动产学研深度融合，与华为共建的量子
计算实验室专注于量子-经典混合计算系统的研发，与腾讯合作的
量子算法项目已在金融风控领域取得实质性应用突破，同时建成
的粤港澳大湾区量子通信网络广州节点，标志着量子通信技术向
AIDD 领域
《2023 年中国 AI 新药研发（AIDD）行业全景图谱》指出
我 国 AIDD 产业已初步形成区域集聚与链条分工的发展格局。
从地 域分布来看，AIDD 企业高度集中于北京（占比 %）、
广东
（%）和上海（%），江苏与浙江等地也具备一定基础。
从产业链结构来看，上游由华为云、腾讯云、天数智芯、英特尔等
技术平台企业主导，提供算力与底层技术支持；中游则以深势科
技、英矽智能（Insilico Medicine）、分子之心、华深智药等为代
表，专注于 AI 药物建模、靶点发现、分子生成等核心环节，构
建
起本土 AIDD 研发的关键力量。
从区域发展来看，广东省凭借其在政策引导、产业集群与资本
活力等方面的综合优势，正成为全国 AIDD 产业的重要高地。作
为粤港澳大湾区的核心引擎，广东不仅在全省层面将生物医药与
健康产业列为战略性支柱产业集群，更在《广州市战略性新兴产
业发展“十四五”规划》中明确支持 AI 与生物医药的交叉融合，
为
AIDD 发展提供了坚实的政策土壤。在产业生态方面，广东依托广
州国际生物岛、深圳坪山国家生物产业基地等载体，形成了涵盖
药物发现、临床前研究、临床试验的全链条服务体系。此外，本土
科技巨头如华为云、腾讯云为 AIDD 提供强大的算力与平台支撑，
而深圳未知君、晶泰科技等创新企业也在 AI 药物设计、干湿实
验 闭环等方向展现出技术独特性，进一步强化了广东在融合人
工智能与生命科学前沿领域的创新活力。
三、当代药物发现的计算革命：从 CADD 到
AIDD
“偶然发现”到“数据驱动”的演进
新药研发是守护人类健康的基石，但其过程漫长、成本高昂且
失败率惊人。为攻克这一难题，计算科学与生物制药的融合，催
生了一场深刻的范式革命。这条演进之路，清晰地展现了从依赖
经验与偶然的传统药物发现，到基于物理模型的计算机辅助药物
设计（CADD），再到由数据与算法驱动的人工智能药物发现
（AIDD）的跨越式发展。
早期的药物发现，更像是一场“大海捞针”式的探索，高度依赖
于对天然产物的筛选和偶然的实验发现，其过程缺乏方向性，效
率低下且难以复制。随后，随着计算机科学和结构生物学的进步，
CADD 应运而生，将药物研发带入了“理性设计”时代。通过分子
建模、分子对接等技术，研究人员得以在计算机上模拟药物分子
与生物靶点的相互作用，从而进行有指导性的筛选和优化，这标
志着计算力量在制药领域的首次规模化应用。进入 21 世纪，以
机
器学习和深度学习为核心的 AIDD 技术，伴随着生物数据爆炸式
增长登上了历史舞台。如果说 CADD 是“结构驱动”，那么
AIDD 的核心则是“数据驱动”。它不仅能从海量数据中挖掘出复
杂的生 物学规律，还能创造性地生成全新的候选药物分子，将
药物研发 推向了前所未有的智能化高度。
经典计算面临的根本性瓶颈
从 CADD 到 AIDD 的每一次跃迁虽是巨大进步，但其经典
计
算的内核正面临双重瓶颈。其一，AIDD 对海量数据的依赖，与充
满噪声和批次效应的生物学数据现状形成尖锐矛盾；其二，在面
对生命系统内在的“量子效应”与“组合爆炸”等根本性难题时，经
典计算的“天花板”也已清晰可见。这些挑战共同预示着，一场更
深层次的计算革命势在必行。
图 3-1 药物发现的范式演进
四、AIDD 的辉煌与理论上限
AlphaFold2 引领的 AIDD 浪
潮
人工智能在生物制药领域取得的巨大突破，以 AlphaFold2 的
问世为标志。它以前所未有的速度和精度解决了困扰生物学界半
个世纪的“蛋白质折叠问题”——其预测结果的 GDT 中位数（衡量
蛋白质结构相似度的指标）为 分（满分 100 分），达到了与
实验方法相媲美的水平。这一颠覆性成就不仅极大地加速了药物
靶点的发现与理解，更直接催生并引爆了“AI for Science”这一激
动人心的新赛道，吸引了数十亿美元的风险投资涌入，其中，人
工智能药物发现（AIDD）成为了发展最快、成果最显著的方向。
在 AIDD 浪潮的推动下，从靶点发现、虚拟筛选、分子生成到合
成路线规划，AI 技术几乎渗透了新药研发的每一个环节，显著提
升了研发效率，并已成功推动多个 AI 设计的候选药物进入临床试
验阶段。
精度瓶颈：“量子物理”的天花板
然而，尽管取得了革命性的成就，但作为经典计算框架下的巅
峰之作，AIDD 的理论上限也逐渐清晰。其核心在于，当前的 AI
模型本质上是强大的模式识别与数据插值工具，其能力高度依赖
于训练数据的质量与广度，并受限于经典物理的描述范畴。首先，
在精度层面，AIDD 面临“量子物理”的天花板。药物分子与靶蛋
白的相互作用，其本质是电子层面的量子力学行为。精准预测药
物的结合亲和力，是衡量其活性的关键，而这要求计算精度达到
所谓的“化学精度”（约 1kcal/mol）。计算中 kcal/mol 的误差，
就可能导致对药物活性近十倍的错误预判。AI 模型可以从实验数
据中学习这种相互作用的结果，却无法从第一性原理出发精确模
拟其过程（从最基本的物理学理论出发，推导出系统的物理性质），
因此在预测结合自由能、催化反应能垒等关键参数时，始终存在
一道难以逾越的精度鸿沟。
其次，在规模与复杂度层面，AIDD 仍未摆脱“组合爆炸”的阴
影。无论是探索广阔的化学空间（据估计，具有类药性的小分子
数量超过 10^60 种）以从头设计新分子，还是在多维的构象空间
中寻找最优解，这些问题本质上都是 NP-hard 问题（多项式时间
难以求解的问题）。例如，一个仅包含 70 个变量的组合优化问题，
其可能性总数就高达 2^70（约 ×10^21），比地球上沙粒的
总 数还多出百倍。AI 可以通过高效的启发式搜索策略找到高质
量的 解，但无法保证在多项式时间内找到全局最优解。
复杂度瓶颈：“组合爆炸”的老大难
AIDD 的理论上限，是由经典物理的近似性和经典计算的复杂
性理论共同决定的。这种上限在诸如分子对接加速和超大规模相
似分子筛选等场景中表现得尤为突出：AI 虽然能快速筛选，但无
法保证找到能量最低的最优构象，也难以在天文数字般的化学空
间中进行无遗漏的全局搜索。正是为了突破这些在精度和全局寻
优能力上的根本性瓶颈，新的计算范式亟待提出。
五、量子计算赋能加速药物发现三大路径
面对 AIDD 的理论上限，量子计算并非简单地作为一种更快
的计算机出现，而是提供了一套全新的计算逻辑与解决思路。基
于当前的硬件成熟度和算法研究，量子计算主要通过以下三大核
心路径，为生物制药的研发瓶颈注入变革性力量。
路径一：发挥组合优化天然优势
首先，也是最直接的路径，是发挥其在求解组合优化问题上的
天然优势。生物制药领域含有大量的 NP 难组合优化问题。其核
心 科学原理在于，量子系统能够利用量子叠加性和并行性。一
个包 含 N 个量子比特的寄存器，可以通过叠加态同时表示 2^N
个可能 的状态，这意味着量子计算机在一次操作中就能处理经
典计算机 需要 2^N 次才能完成的计算量。专用优化设备，如 D
-Wave 通过 物理系统的演化，并借助量子隧穿效应，能够“穿越”
能量壁垒，避 免像经典算法那样轻易陷入局部最优解，从而有
更大几率找到问
题的全局最优解。这不仅意味着“更快”，更意味着能找到“更好”的
解，对于寻找分子最低能量构象这类问题至关重要。这是当前量
子计算最有望在近期实现商业价值、解决行业实际痛点的方向。
路径二：构建量子增强机器学习模型
其次，是构建量子增强的机器学习模型。许多先进 AI 算法
的
核心是高效地从复杂数据分布中采样，而量子系统是天生的“采样
器”。其科学原理在于伊辛模型的数学表达可与玻尔兹曼机网络的
拓扑结构映射。一个物理量子优化器会自发地趋向其能量最低的
状态，该体系的不同状态的能量分布服从玻尔兹曼分布，也反映
了该状态出现的概率。经典采样算法常面临收敛慢、模式坍塌等
问题，而量子采样器则能更自然、高效地探索整个概率空间。通
过将量子采样器作为核心模块嵌入经典机器学习框架，有望构建
出表达能力更强、训练效率更高的量子玻尔兹曼机（QBM）等生
成式模型，从而生成经典模型难以发现的新颖、优质分子。
路径三：重构生成式 AI 模
型
最后，是基于量子计算重构生成式模型加速药物发现。除了基
于从已有分子库中筛选具有活性的分子，药物发现的另一个途径
是从头设计和和生成分子并优化其性质，借助目前主流的生成模
型 VAE、GAN、diffusion model，可以结合靶点活性口袋构成，
靶向生成具有高亲和力的分子，但目前基于高斯分布先验的模型假
设往往会造成模型的失真，量子计算基于能量分布可以更真实地
表征化学分子的隐空间，重构当前的深度学习模型，得到泛化性
能更佳的生成模型。
图 5-1 量子计算赋能生物制药的三阶段发展规划
六、诺奖级理论驱动量子计算机的物理实现
从诺奖理论到量子计算硬件的物理实
现
物理学的深邃思想，特别是关于如何利用物理系统本身特性
来解决复杂计算问题的理念，正以前所未有的方式推动着计算技
术的革命。无论是相干光量子计算还是超导量子计算，其目标都
是将微观世界的量子规律转化为宏观可用的超级算力，从而突破
经典计算的瓶颈。
“以物理系统寻找能量基态来实现计算”这一思想，其价值和
前瞻性在 2024 年得到了顶峰的印证。人工智能领域的先驱 John
Hopfield 与 Geoffrey Hinton 因其开创的霍普菲尔德网络（Hopfield
Network）和玻尔兹曼机而荣获诺贝尔物理学奖，其核心数学结构，
正是脱胎于物理学的伊辛模型。这一里程碑式的认可，深刻揭示
了物理学模型是现代 AI 算法的基石，当 AI 领域的突破回归到对
伊辛模型的深刻洞察时，如何高效地在物理世界中实现并求解伊
辛模型，便成为了推动下一代计算发展的关键。
相干光量子计算机的物理实现
在此背景下，量子退火机作为第一代专用硬件应运而生，其先
驱 D-Wave 公司不仅将其开发使用量子退火用于优化，更展现了
其作为玻尔兹曼采样器在训练量子玻尔兹曼机（QBM）上的潜力。
近期成果尤为瞩目 2025 年 2 月，研究人员已成功在其 Pegasus
硬 件上实现了包含 120 个可见单元和 120 个隐藏单元的大规模
量子 受限玻尔兹曼机（QRBM），并将其作为强大的生成模型，在
毫秒 级时间内高效解决了 AI 领域的数据集不平衡问题，生成的
合成数 据质量显著优于传统方法。然而，量子退火机在面对生物
制药等 领域的复杂问题时，其稀疏的硬件连接拓扑和高昂的超低
温运维 成本仍构成了核心瓶颈。
而更进一步的实现方案，基于相干伊辛机（Coherent Ising
Machine, CIM）的光量子计算应运而生。它继承了“物理即计算”
的理念，但通过一个由光脉冲和光学反馈构成的网络来模拟伊辛
系统。这种光学架构不仅能在室温下运行，更天然地支持灵活乃
至全连接的耦合，直接克服了量子退火机的关键限制。更重要的
是，CIM 不仅是高效的优化器，其物理过程更使其成为一个强大
的硬件级玻尔兹曼采样器。它能绕过经典采样算法的瓶颈，为训
练更强大的生成式 AI 模型（如 QBM）以发现新颖分子，提供
了
前所未有的高效工具。
超导量子计算机的物理实现
超导量子计算机是量子计算领域主要技术路径之一，其物理
实现基于在极低温下呈现量子效应的超导电路（即超导量子比特）。
这些量子比特利用超导材料在接近绝对零度时表现出的零电阻和
量子特性，并通过精密的微波脉冲进行操控与读取。
超导量子计算机的核心优势主要包括良好的工程可扩展性和
在特定问题上展现出的指数级算力潜力。可扩展性得益于超导量
子电路可采用成熟的半导体微纳加工工艺进行制备，使得集成大
量量子比特更具可行性。而其算力潜力则源于量子比特的叠加和
纠缠特性，例如，搭载 100 个量子比特的超导量子计算机，理
论
上能同时处理 2 的 100 次方个计算任务，从而在优化、模拟等
复 杂问题上具有经典计算机难以比拟的潜力。
然而，超导量子计算机的发展仍面临挑战。首先，其运行依赖
极低温环境（通常需低于零下 273 摄氏度），这需要复杂的稀释
制冷系统。其次，量子比特的量子相干时间（即保持量子态的时
间）仍有限，且易受环境噪声影响而发生退相干，同时量子门操
作的精度和错误率也是当前需要攻克的关键技术难题。值得注意
的是，通过技术手段（例如在超导量子比特中引入特定无序）有
望在一定参数区间内提升量子相干时间。
尽管存在挑战，超导量子计算机目前仍是主流量子计算方案
中工程化进展较快的路径之一，在量子计算技术发展中展现出广
阔前景，已在金融、航空航天、生物医药、材料科学等领域展开了
应用探索，展现出解决复杂问题的潜力。随着量子纠错等技术的
进步，超导量子计算机有望在未来为复杂系统模拟、药物设计等
伊辛模型：药物发现优化的统一物理语
言
提供更强大的计算支持。
研究者发现，以上诉求与物理系统自发趋向能量基态的过程
与组合优化寻求目标函数最小值的本质具有一致性。伊辛模型正
是连接这两个层次的核心数学框架——它将优化问题转化为物
理系统的能量最小化求解。
图 6-1 伊辛模型物理示意图
为了高效求解这类问题，研究者们一直在探索如何普适性地
描述并求解这类优化任务。一个令人振奋的发现是，某些源自物
理学的模型，其描述物理系统如何自发演化并趋向能量最低的稳
定状态的数学形式，与组合优化问题寻找最优解（通常对应某种
“成本”或“目标函数”的最小值）的过程，展现出了深刻的内在一
致性。“伊辛模型”正是这样一个强大且极具代表性的物理模型和
数学工具。
伊辛模型最初用于描述统计物理学中磁性物质的相变现象，
它刻画了一个由大量相互作用的、只有两种状态（例如“自旋向
上”或“自旋向下”）的基本单元（“自旋”）组成的系统。该系统的
总能量（在物理学中称为哈密顿量 H）取决于各个自旋的状态以
及它们之间的相互作用强度，通常由以下公式给出：
H(σ) = − ∑i<j Jijσiσj − ∑i hiσi（1）
·其中σi代表第 i 个自旋变量（在最简单的模型中，取值为 +1
或 −1，分别代表两种相反的状态）
·Jij是自旋ᵆ�和自旋ᵆ�之间的耦合（相互作用）强度
·hi则是作用在自旋 i 上的外部（偏置）场强度
物理系统的一个基本法则是，它们总是会自发地趋向于使其
总能量 H(σ)最小化的状态，这个状态被称为系统的基态。
伊辛模型的价值体现在两个层面：其一是优化，物理系统总
是会自发地趋向于使其总能量 H 最小化的状态，这个状态被称
为系统的基态。通过巧妙的数学“翻译”，大量的组合优化问题的
目标函数可以被精确地表示成伊辛模型的能量函数形式，因此，
寻找组合优化问题的最优解就等价于寻找相应伊辛模型的基态。
另一个价值体现则是采样，当系统处于一个有限的“有效温
度”下，它会根据玻尔兹曼分布（Boltzmann Distribution）在
不 同的能量状态间进行探索，即某个状态出现的概率与其能量
的负指数成正比。这恰好与一类重要的生成式 AI 模型——玻尔兹
曼
机的数学原理完全一致。因此，一个能够模拟伊辛模型物理过程
的设备，不仅是一个优化器，更是一个强大的玻尔兹曼采样器，
这为构建量子玻尔兹曼机（QBM）提供了硬件基础。
QUBO 模型：优化问题的标准化“语言”
为了更便于工程实现和在不同计算平台上进行标准化处理，
伊辛模型通常会通过简单的线性变换，转化为另一种在优化领域
和新兴计算（包括量子计算和类量子计算）中广泛应用的等价形
式——二次无约束二元优化（QUBO, Quadratic Unconstrained
Binary Optimization）模型。
QUBO 问题的目标是找到一组二元决策变量ᵆ�ᵆ�（每个变量ᵆ�ᵆ�
的取值为 0 或 1，代表两种选择，例如“是/否”、“选中/未选中”），
以最小化（或最大化）一个如下形式的二次目标函数：
ᵆ�(ᵆ�) = ∑ᵆ� ᵆ�ᵆ�ᵆ�ᵆ�ᵆ� + ∑ᵆ�<ᵆ� ᵆ�ᵆ�ᵆ�ᵆ�ᵆ�ᵆ�ᵆ� (或表示为ᵆ�TQᵆ�)（2）
其中：
·x是由二元变量xi组成的列向量。
· Q是一个对称的N ∗ N维实数矩阵（N 为变量个数），通常
被 称为 QUBO 矩阵。其对角线元素Q i i对应于目标函数中与单
个变
量xi相关的线性权重（或称偏置项），而非对角线元素Qi j则对应
于不同变量xi和 xj之间相互作用（或称耦合关系）的二次项权重。
如前所述，伊辛模型和 QUBO 模型在数学本质上是等价的，
它们之间可以通过简单的线性变量替换进行相互转换。这意味着，
一个能够找到伊辛模型基态（最低能量状态）的物理系统或计算
设备，也就能等效地求解对应的 QUBO 问题，反之亦然。
QUBO
因其形式的简洁性和普适性，已成为将各类组合优化问题“翻译”
给新兴优化硬件。
量子计算技术路径对比
相干光量子计算机的优势和挑战
理解了伊辛模型与 QUBO 模型如何为复杂优化问题提供标
准化描述后，关键的挑战便在于如何高效地找到这些模型的基态
（即最优解）。玻色量子研发的相干伊辛机（CIM）是一种专为
求解伊辛/QUBO 这类组合优化问题而设计的专用计算硬件。其
核心思想是通过精密设计的光学系统，构建一个能够直接模拟大
规模伊辛系统动态演化的物理平台。
在这个平台中，伊辛模型中的“自旋”变量及其状态（如+1 或
-1，对应 QUBO 中的 0 或 1）由光学系统中的特定物理量（如
光 脉冲的相位或振幅）来表示；自旋间的“耦合强度”和“外场”
（对
应 QUBO 矩阵 Q 中的系数）则通过精确调控光学元件之间的
相 互作用强度或对光学系统施加外部调制来实现。当具体的
QUBO
问题被编码到相干光量子计算机的参数设置中后，整个光学系统
在驱动下会开始演化。凭借系统内在的非线性动力学特性以及可
能的量子相干效应，系统能够自发地、并行地探索巨大的可能状
态空间，并迅速趋向于一个整体能量最低的稳定状态。该稳定状
态下光学系统各单元的物理量，就直接对应了原 QUBO 问题的
最优解或高质量的近似解。
图 6-2 相干光量子计算机物理实现示意图
一种重要的物理实现是基于简并光学参量振荡器（DOPO）阵
列构建的 CIM。其工作过程如下，超快激光器产生脉冲序列（
每 个脉冲对应一个量子比特），经强度、相位等调校后，进入
简并光学参量振荡过程，产生相应数量的 DOPO 脉冲。此时，腔中
的循环脉冲相同且互不干扰，每个脉冲处于相位 0 和 π 的叠
加 态（即量子态）。接着，通过分光器将部分光脉冲引导至电
子学控制部分，利用零差测量（BHD）技术测量 OPO 脉冲的相位。
外部输入的待求解 QUBO 问题的系数矩阵（即 Q 矩阵）与这
些 相位测量结果进行运算（如矩阵乘法）。运算结果经适当延迟
后， 通过光学调制器将调控信号反馈注入光路系统，精确地实
现脉冲 间的耦合作用，从而构建起一个模拟目标伊辛模型的N
∗ N耦合 网络。这个过程不断循环迭代，系统状态持续演化。
最终，通过调节泵浦光的功率，当系统的光增益与耗散达到
精确平衡时，整个 CIM 网络将经历光学参量振荡相变。在增
益 接近阈值且满足最小增益原理的条件下，系统倾向于在一个
精确 或近似的基态能量下稳定振荡，此时测量结果趋于稳定，
标志着计算完成。进一步增加泵浦功率至阈值之上，可以继续抑制激发
态的错误振荡模式，巩固基态解。区别于传统的（模拟/数字）退
火搜索算法和基于量子隧穿的量子退火算法，CIM 的核心机制
在于利用最小增益原理：在光学参量振荡器（OPO）增益小于耗
散的情况下，通过逐步增大泵浦功率，系统被驱动至能量耗散最
小的状态，即对应伊辛模型的基态。
玻色量子所采用的相干光量子计算机方案，其应对生物制药
优化挑战的有效性与潜力，可以以几个关键层面进行综合考量：
1. 专用性带来的效率与近场优势：作为专用量子计算机，CIM
聚焦于求解组合优化问题这一核心任务，规避了通用量子计
算机面临的短期工程难题，因此更有可能在近期实现实际应
用价值。
2. 与生物制药问题的直接映射和高适应性：生物制药领域的诸
多优化难题与 QUBO/伊辛模型的天然数学契合性，使得相
干光量子计算机可以直接“理解”并高效处理这些问题。特别
是相干光量子计算机，其基于光学的互连特性，在理论上更
容易实现灵活甚至全连接的有效比特间耦合，这对于直接映
射结构复杂、变量间存在密集耦合关系的生物制药 QUBO
问
题（例如蛋白质残基相互作用网络）可能更具优势，从而减
少了问题编码转换的开销和潜在的精度损失。
3. 光量子路径的独特硬件优势：相干光量子计算机技术路径，
因其在室温或近室温运行的潜力、光子的高速低损耗传输特
性、以及与成熟的光通信和集成光路（PIC）技术的良好兼容
性等方面展现出的独特前景，使其在系统稳定性、未来可扩
展性（易于芯片化和规模化）、整体能耗以及部署便捷性上，
相较于需要极端低温环境的超导量子计算方案，可能更易于
在生物制药企业或研究机构的 IT 环境中实现规模化落地和
推广，并具有更优的成本效益。
4. 解决“组合爆炸”的潜力与求解质量：CIM 通过其物理并行
性和独特的全局搜索机制，为高效求解那些具有“组合爆炸”
特性、令经典计算机束手无策的 NP 难或 NP 硬优化问题，
提供了前所未有的潜力。其独特的非线性动力学求解过程，
在某些情况下可能比量子退火更快地收敛到高质量解，或更
有效地避免陷入局部最优。
超导量子计算机的优势和挑战
超导量子计算机作为当前量子计算领域商业化进展最快、最
受关注的技术路径之一，在生物制药领域展现出显著的应用潜力。
其发展态势迅猛，尤其在处理复杂的生物分子模拟和药物设计任
务时，展现出巨大的优势。
首先，超导量子计算机能够精确模拟生物分子的量子力学行
为，这对于理解生物分子的结构和功能至关重要。例如，在蛋白
质折叠路径预测中，超导量子计算机能够通过高精度的量子模拟，
提供更准确的构象转移路径分布。这可以为药物设计提供重要的
理论支持，帮助研究人员更好地理解药物作用机制。此外，在处
理高维生物医学数据（如医疗影像、基因组学数据）时，超导量
子计算机在训练量子机器学习模型方面潜力巨大。其并行处理能
力有望提升模型性能与泛化能力。例如，在乳腺癌钼靶检测中的
应用中，就展示了超导量子计算机在处理高维医学影像数据时应
对假阳性率高和效率低问题的潜力。目前，多家国际制药巨头也
在探索利用量子计算加速 mRNA 药物研发。
然而，超导量子计算机也面临着一系列的挑战。
1. 低温运行环境：超导量子计算机的运行需要极低的温度环境，
通常在接近绝对零度的条件下。这需要复杂的制冷系统来维
持，增加了系统的复杂性和成本。这种低温环境限制了超导
量子计算机在普通实验室和工业环境中的广泛应用，需要专
门的设施和技术支持。
2. 量子比特的退相干和错误率：量子比特的退相干和量子门操
作的错误率较高，这需要更复杂的量子纠错技术来保证计算
的准确性。退相干是指量子比特由于与环境的相互作用而失
去量子态的现象，这会严重影响量子计算的精度和可靠性。
量子门操作的错误率则直接影响量子计算的效率和准确性。
这些技术挑战需要通过不断的研究和技术创新来解决。
3. 硬件成本和专业要求：超导量子计算机的硬件成本较高，且
对操作和维护人员的专业要求也较高。这限制了其在生物制
药领域的广泛应用，需要专业的技术人员进行操作和维护。
此外，超导量子计算机的开发和应用需要跨学科的合作，涉
及物理学、计算机科学、化学和生物学等多个领域。
4. 技术成熟度和可靠性：尽管超导量子计算机在理论和实验上
取得了显著进展，但其技术成熟度和可靠性仍需进一步提高。
目前，超导量子计算机的性能和稳定性仍受到多种因素的限
制，需要在实际应用中不断优化和改进。
尽管面临这些挑战，超导量子计算机在生物制药领域的应用
前景依然广阔。随着技术的不断进步，超导量子计算机的性能将
不断提升，其在生物制药领域的应用将更加成熟和可靠。未来的
研究方向包括提高量子比特的相干时间、降低量子门操作的错误
率、优化量子比特的耦合和控制技术，以及开发更高效的量子纠
错技术。这些技术的进步将使超导量子计算机在生物制药领域的
应用更加广泛，为新药研发带来革命性的变革，加速个性化医疗
和精准医疗的发展。
七、量子计算+生物制药关键应用场景解析
在生物制药领域，从靶点发现到先导化合物的筛选与优化，贯
穿着两大根本性的计算挑战：一是在天文学数字般的化学分子空
间（预估超过 10^60 量级）中进行高效搜索的“组合爆炸”难题；
二 是如何从高维、高噪声的多组学数据中精确解析复杂的生命
调控 网络。这些挑战的本质，大多可以归结为大规模的组合优
化问题 或对复杂概率分布的高效采样问题，这恰恰是经典计算
面临的理 论瓶颈。
相干光量子计算机通过其独特的物理机制，为这两类难题提
供了全新的解决思路。它不仅能作为专用优化器，高效求解被转
化为 QUBO/伊辛模型的组合优化问题，还能作为硬件级的玻尔兹
曼采样器，探索经典算法难以触及的概率空间。相干光量子计算
机赋能药物发现的核心应用路径也清晰地分为三类：一是利用其
组合优化能力加速药物筛选与设计；二是利用其硬件级玻尔兹曼
采样能力构建量子增强的机器学习模型，以探索化学与构象空间；
三是基于量子计算的特性重构生成式 AI 模型，实现更高效的分
子从头设计与优化。
1.发挥组合优化天然优势——加速药物筛 选
与设计
1. 基于结构的虚拟筛选-分子对接
分子对接（ Molecular docking）是基于配体-受体识别的锁钥
模型提出的技术方法，通过计算配体-受体之间的空间互补状态以
及能量匹配来寻找复合物模式，是基于结构的虚拟筛选中的重要
技术手段。经典的分子对接主要分对接构象采样和打分两步，其
中对接构象采样是一个 NP-hard 问题，巨大的对接构象搜索空间
使得经典计算在采样时间和准确率上难以兼顾，严重限制了活性
分子筛选效率。2023 年，玻色量子与上海交通大学联合研究团队
提出了网格点匹配（Grid Point Matching，GPM）和原子特征匹
配
（Feature Atom Matching，FAM）算法模型，通过将配体与靶蛋
白
的对接问题转换为配体原子和对接格点的匹配问题，并添加位置
约束和配体空间形状约束，构建得到以下伊辛模型：
H = − ∑ wa x 2 + K ∑ u x x +
i ,d j a i ,d j dist (ai,dj)(ak ,dl) a i ,d j ak ,d l
Kmono ∑ v(ai ,d j)(ak ,d l)xa i ,d jxak ,d l （3）
u(ai,dj)(ak ,dl) = {
1, |dik − Djl| < cdist
0, |dik − Djl| > cdist
（4）
v(ai,dj)(ak ,dl) = {
1, j = l and i ≠ k
0, otherwise
（5）
其中，ᵆ�ᵆ�ᵆ�,ᵆ�ᵆ� 为原子ᵆ�ᵆ�放置在格点ᵆ�ᵆ�上的适配度，ᵆ�ᵆ�ᵆ�ᵆ�ᵆ�、ᵆ�ᵆ�ᵆ�ᵆ�ᵆ�、ᵆ�ᵆ�ᵆ�ᵆ�ᵆ�为模型
三个可调参数。通过 CIM 求解上述伊辛模型可得到配体对接构象。
研究团队在CASF-2016 标准测试集对基于CIM 的对接方法和
商业化对接工具 Glide SP 进行了表现对比（见图 7-1）。结果
显 示，GPM 与商业化软件具有相当的采样能力，但在速度上，
基于
CIM 的求解速度比经典算法快至少三个数量级，该算法显著提升
了对接效率，有望实现高精度的超高通量筛选。
图 7-1 GPM 和 FAM 在 CASF-2016 数据集上的采样表现比
较
图 7-1（A）为 Glide SP、GPM 和 FAM 采样构象中最小
RMSD
(mRMSD)的分布，灰色虚线表示高质量对接阈值(<2 Å)。图 7-
2（B）
不同 性对接方法
最
小
M
SD
晶体结构
对接构象
Fea re A o 匹配 Grid Poin 匹配
晶体结构 ID：2I 晶体结构 ID：3D G
MSD 3 MSD 2
Fea re A o 匹 配
晶体结构 ID：2 M
MSD 1
Grid Poin 匹配
晶体结构 ID：1 6
MSD
为采样的对接构象（红色）与晶体结构（蓝色）中的构象比较示
例。
基于配体的虚拟筛选-分子相似性计算
分子相似性（molecular similarity）是化学分子间的重要比较
信
息，相似性原理指出，总体相似的分子应具有相似的生物活性，
分子相似性应用广泛，包括靶标预测、结合姿态预测、毒性预测、
挖掘靶标与药物数据关联、虚拟筛选等。现有方法主要利用分子
指纹的表征方式进行相似性计算，但其只考虑二维的原子及官能
团排布，忽略了分子中不同原子的空间位置关系，这些构效关系
对于分子与蛋白的结合至关重要。Maritza Hernandez 等提出了基
于图论方法解决分子相似性计算中的原子匹配问题，如图 7-2 所
示， 通过构建冲突图 conflict graph 并添加相关约束构建
QUBO/Ising 模型，并使用 QA 在小规模上数据上进行了验证。
上 述模型在 CIM 上可同样求解，在 CIM 大比特数以及全连接
特性
下，能解决更复杂的分子匹配问题。
图 7-2 基于图的分子相似性计算（Graph-based Molec lar Si ilari y,
GMS）算法示意图
构建量子增强机器学习模型——探索化
学与构象空间
基于 CIM 的玻尔兹曼采样技术原理
玻尔兹曼采样（Boltzmann sampling）是一种基于玻尔兹曼分
布（Boltzmann distribution）的概率采样方法，主要应用于统计
物 理学、机器学习和优化问题中。伊辛模型中哈密顿量描述了
各个自旋变量两两互作和自身的能量状态，因此在温度确定下，CIM
a 步 1：将分子建模为图
分子1
分子2
b 步 2： 求 解 问 题
冲突图 G1,G2
将解
c 步 3：相似
基于伊辛模型的采样结果应该符合玻尔兹曼分布：p(state)
∝
e−E/kBT。2016 年，Hiromasa Sakaguchi 等将 CIM 首次应用于基于
结构虚拟筛选的分子优化场景中，通过建立配体分子片段组合以
及和靶点的结合能量函数计算模型，实现了基于 CIM 玻尔兹曼
采
样的活性片段筛选优化，证明了基于 DOPO 计算的 CIM 在以伊
辛 模型为基础的玻尔兹曼采样能力。这里，基于 CIM 的玻尔兹
曼采 样能力，并结合已有研究列举了两个重要的应用方向。
基于 CIM 玻尔兹曼采样应用 1：小分子构型采
样
分子构型采样是 CIM 基于玻尔兹曼采样的应用拓展方向之一。
分子构型采样是计算化学和分子模拟中的核心任务，旨在探索分
子的可能空间构型如键长、键角、二面角等，用于研究分子稳定
性、反应路径、自由能景观、晶型预测等。主要方法包括基于蒙特
卡洛采样的构象随机生成和基于分子动力学（Molecular dynamics
，MD）的数值求解牛顿运动方程来模拟原子的运动轨迹。基于蒙特
卡洛的分子构型采样能壁跨越困难，往往容易陷入局部最优。另
外，随机变化的方向和幅度难以预判，因而很难获得下一个重要
构象，对于最低能量构象难以在短时间内采样得到；基于分子动
力学的运动轨迹模拟需要建立在有效的力场体系下，经典力学体
系在计算速度上较快，但精度欠佳，基于量子力学的体系精度尚
可，但计算量巨大，只能在局部区域实现量子级模拟，这些方法
的局限性使得高精度的构型采样在现有计算体系下很难满足。
Kevin Mato 等通过将分子键角、二面角等采样参数离散化并以分
子展开距离目标函数构建 QUBO/Ising 模型实现了分子折叠预测，
受此启发，可通过对不同键角和二面角进行离散化并构建整体能
量函数，借助 CIM 可实现基于玻尔兹曼分布的分子构型采样。
图 7-3 不同分子构型的能量分
布
能
量
ol
不同分子构型
基于 CIM 玻尔兹曼采样应用 2：蛋白折叠路径预
测
CIM 基于玻尔兹曼采样的另一个重要的可应用方向为蛋白质
折叠预测，自然状态下，线性氨基酸链通过一系列物理化学作用
自发形成特定三维结构，该折叠过程决定了蛋白质的功能，若折
叠错误可能导致严重疾病，如阿尔茨海默病、帕金森病等。折叠
过程遵循热力学第二定律，由自由能最小化原则主导。多肽链通
过疏水作用、氢键、范德华力等非共价相互作用，从高能无序态
（变性态）转变为低能有序态（天然态）。对于生物大分子，先进
的基于人工智能的方法如 AlphaFold、RoseTTAFold 等能预测较高
精度的晶体结构，但此结构是大分子固定状态时的空间结构信息，
无法描述其具体的折叠动态过程。探究此过程一般借助经典计算
下的 MD 模拟方法，然而，MD 在经典力学力场下模拟全原子
运
动轨迹也需要消耗巨大算力，更精确的量子力学力场体系则只能
模拟局部原子的运动信息。Danial Ghamari 等构建了一个基于
QA
和经典计算的混合框架，实现了蛋白质等大分子的稀有构象转变
路径的高效采样，克服了传统 MD 模拟在时间尺度上的局限性。
该框架首先基于 Intrinsic Map Dynamics（iMapD）建立了蛋白构
象 空间，并将构象空间离散化为节点（代表构象区域）和边（代
表区域间转移权重）的图，接下来基于 Langevin 动力学推导出粗粒
度
有效作用量（coarse-grained effective action）作为权重，从而将路
径采样问题转换为基于哈密顿量的连通图采样，其中目标哈密顿
量，为约束路径拓扑，为路径统计权重。上述模型可转换为
CIM
适配的伊辛模型，并基于能量函数进行玻尔兹曼采样得到大分子
的构象转移路径分布，基于大比特数的 CIM 能实现更多构象的
转
移路径，得到较为连续的构象转移过程模拟。
基于超导量子计算机的增强机器学习模型
超导量子计算机利用其独特的量子并行等特性，在增强经典
机器学习模型方面展现出巨大潜力。其核心价值在于，能够借助
量子神经网络、量子嵌入图网络等新型算法架构，高效处理经典
计算机难以应对的高维数据优化与特征提取问题。
在医疗影像分析领域，乳腺钼靶检测的准确性和效率对乳腺
癌早期筛查至关重要。国内研究机构与量子计算团队合作，开发
了基于超导量子计算硬件的乳腺钼靶检测原型应用。该应用采用
了一种混合经典-量子图像算法：经典神经网络负责从钼靶图像中
提取特征并进行数据预处理，量子神经网络则在此基础上对病灶
的良恶性等关键指标进行分类。这种架构结合了二者优势，在处
理高维医学影像数据时展现出潜力，有望助力解决传统检测中假
在药物发现领域，精准预测分子性质是快速筛选候选药物的
关键。国内高校与研究团队合作，在超导量子计算硬件上成功完
成了基于量子边编码技术的药物分子性质预测验证。该技术的核
心是创新地设计了量子嵌入图神经网络架构。传统量子化图神经
网络方法通常侧重于处理分子原子（“点”），却难以有效编码化学
键（“边”）的信息。新架构通过量子边编码技术，在量子层面实现
了对原子和化学键的同步处理，能够更清晰地捕捉分子内部的相
互作用。实验结果表明，该技术能显著提升对关键药物性质的预
测准确率。例如，在针对阿尔茨海默病药物的某项预测任务中，
其准确率相较经典方法的 64%提升至 70%
。
重构 AI 模型——实现分子从头设计与
优化
基于 Ising/QUBO 模型的分子从头设计和优
化阳性率高和效率低的问题，从而辅助医生提升筛查精度与效率。
相较于从已有分子库中进行活性分子筛选，分子从头设计是
另一种新兴成药策略。分子从头设计指不依赖已知分子模板，而
通过算法生成全新分子结构。优化过程则需调整分子特性如生物
活性、成药性等，可分为基于原子、基于片段、基于反应的分子从
头设计。Akshay Ajageka 构建了一个基于深度学习和
QUBO/Ising
的从头设计优化框架，该框架包含一个基于分子表征预测化学性
质的回归模型，同时还包含一个基于目标化学性质进行序列优化
的 QUBO/Ising 模型。其优化目标是不断迭代得到一个确定分子
不
同位置原子组成的邻接矩阵Ai j,使得其预测的化学性质逼近目标
化学性质。该模型基于 QA 进行了小规模验证，借助 CIM 的大
规
模 COP 求解能力，可以较原工作设计得到更大的分子以及实现
多 目标优化。
伊辛机增强的 D-VAE 实现分子性质优
化
变分自编码器（Variational Autoencoder，VAE）是目前流行
的
一种生成模型，其核心思想是通过编码器将输入数据映射到潜在
空间，然后通过解码器从潜在空间生成数据。2023 年，Tsud 研究
团队将相干伊辛计算应用于自动分子设计优化上，研究团队构建
了基于图的离散变分自编码器（D-VAE），将分子结构编码为{0，
1}的离散潜在向量，同时训练因子分解机（Factorization
Machine） 作为性质预测的代理模型；使用伊辛机在离散潜在
空间中搜索得到更优的隐变量表示，通过 decoder 可以解码得到真实分子图或
者序列信息。该工作说明离散的隐变量空间可能更符合化学分子
的真实能量分布，在该隐空间采样可以生成得到性质更优、多样
性更好的分子。
超导量子计算在分子设计中的应用
超导量子计算在分子设计领域同样展现出独特潜力，其核心
优势在于能够通过量子并行性高效探索巨大的分子构象空间，从
而加速最优药物分子的发现过程。 2023 年发表在《PLOS
Computational Biology》上的一项开创性研究（Khatami et al.,19(4):
e1011033）首次提出了基于超导量子硬件的量子蛋白质设计方法，
为分子设计提供了新的技术路径。
该研究以重要的药物靶点——FK506 结合蛋白（FKBP）为模
型系统，在 IBM 的 27 量子比特超导处理器上进行了实验验证。
研究人员创新性地将蛋白质设计问题转化为可处理的优化模型，
通过量子门电路直接构建哈密顿量来模拟氨基酸间的相互作用能
量。采用量子近似优化算法在超导芯片上生成初始候选解，再结
合经典计算机进行分子动力学验证，形成高效的量子-经典混合优
化流程。
实验取得了显著成果，在真实量子硬件上成功实现了对 12 个
关键氨基酸位点的并行优化，量子电路深度达到 40 层且保真度
高 达 94%。与经典模拟退火算法相比，量子方案将最优结构搜
索速 度提升了 100 倍，并且所得蛋白质构象的自由能降低了
15%。该
方法成功筛选出具有更高靶点亲和力的突变体，例如将第 36 位
苯 丙氨酸替换为酪氨酸的变异体，为开发新型免疫抑制剂提供
了高 质量的候选分子。
这项研究验证了超导量子计算在分子设计中的两大核心价值：
一方面，量子算法能够通过量子隧穿效应避免经典优化方法容易
陷入局部最优的问题，实现更高效的全局搜索；另一方面，超导
量子芯片与半导体工艺兼容的特性为其未来处理更复杂的蛋白质
设计问题（如含有 100 个以上氨基酸的蛋白质）提供了可扩展的
技术基础。随着超导量子处理器性能的持续提升，这项技术有望
将传统需要数月的分子设计周期大幅缩短，为药物研发带来革命
性的进步。
新型量电融合计算平台
新型量电融合计算服务平台（以下简称“平台”）是量子计算与
生物制药深度融合的创新成果，旨在通过整合量子计算和经典计
算资源，突破传统计算瓶颈，为生物制药研发提供高效、精确的
解决方案。平台为量电融合应用提供运行底座，通过统一的服务
入口，平台实现量电融合计算任务的智能拆解、编排、调度与执
行，帮助用户简化任务管理、优化资源利用。
平台全面支持生物制药研发流程，从靶点发现到药物设计，再
到机理验证，提供一站式解决方案。在靶点发现阶段，量子计算
的强大采样能力可快速筛选潜在药物靶点；在药物设计阶段，量
子计算探索化学空间，生成特定性质的分子结构，经典计算评估
其成药性和生物活性；在机理验证阶段，平台结合量子计算的高
精度模拟和经典计算的数据分析，深入探究药物作用机制，为临
床前研究提供理论基础。
平台的技术优势在于突破传统计算瓶颈，高效求解生物制药
复杂问题。平台可智能解析量电融合计算任务并高效分配至光量
子计算机、超导量子计算机、经典计算机、量子计算模拟器等异
构计算资源，支持用户便捷提交任务、动态优化资源分配，实时
监控混合任务执行状态，提升计算效率。量子计算在组合优化和
概率分布采样问题上具有显著速度和精度优势，经典计算的稳定
性则确保平台在实际应用中的可靠性和可扩展性。平台还具备高
度灵活性和可定制性，可根据不同研发需求进行个性化配置。平
台适配多种异构硬件架构，包括经典电子计算、多类型量子计算
机及混合计算环境，可满足不同场景需求。
平台大幅降低了量电融合应用开发门槛，随着量子计算技术
进步和平台功能完善，该平台有望在生物制药领域发挥更大作用，
为新药研发带来变革，加速个性化医疗和精准医疗发展。新型量
电融合计算服务平台为生物制药行业提供强大的计算服务底座，
整合量子计算和经典计算优势，解决生物制药复杂计算问题，为
新药研发和个性化医疗带来新可能。
图 7-4 新型量电融合计算服务平台异构资源总
览
图 7-5 新型量电融合计算服务平台
八、量子计算重塑生物制药未来
我们正站在一个计算范式变革的前夜。量子计算技术，特别是
相干光量子计算与超导量子计算这两种主流路径，正从实验室走
向实际应用，为解决生物制药领域的复杂计算难题带来前所未有
的机遇。尽管技术路径不同，但它们在发展初期都将通过“量子-经
典”混合计算模式，作为经典算力的加速器，在药物研发的特定环
节寻求突破。其长期愿景均指向对复杂生物系统的高精度模拟，
以期攻克“不可成药”靶点，并加速精准医疗的到来。
相干光量子计算的未来展望
相干光量子计算机，其核心优势在于专攻特定类型的组合优
化问题。这类问题在药物研发中广泛存在，例如分子对接构象搜
索、蛋白质折叠路径优化等。
在未来几年，它有望作为高效的专用协处理器，无缝嵌入现有
的高性能计算集群。通过快速从海量可能构象中锁定能量最优或
最稳定的少数几种，它能极大地压缩虚拟筛选和蛋白质设计所需
的计算时间，充当研发流程中的“优化加速器”。随着规模扩大，
它有望解决更复杂的生物网络优化问题，例如在合成生物学中优
化代谢通路，或在多靶点药物设计中寻找全局最优解。
超导量子计算的未来展望
超导量子计算是目前最主流的通用量子计算路径之一，其目
标是构建可编程的量子处理器。其核心潜力在于直接模拟分子的
量子力学行为。
随着比特数量与质量的提升，并通过云平台开放接入，超导量
子计算机将在分子性质预测和化学反应模拟等任务中展现潜力。
例如，基于超导量子芯片的量子嵌入图神经网络，已实现在真实
硬件上对药物分子性质的更高精度预测。其终极目标是构建容错
通用量子计算机，实现对任意生物分子体系的高精度全量子模拟。
尽管目前仍面临量子纠错、比特稳定性等核心挑战，且实现具备
基本功能的通用机可能仍需 10 年以上，但其强劲的发展势头使
其
成为最具颠覆性潜力的技术路线。
综上所述，对于生物制药行业的每一位参与者而言，现在正是
拥抱量子，共塑未来的关键窗口期。在可预见的未来几年内，不
论是相干光量子计算机还是超导量子计算机，其的短期价值在于
作为经典计算的有力补充和高效加速器，在药物研发流程中的特
定优化环节率先实现应用突破。通过构建“量子-经典”混合计算流
程，聚焦于分子对接、虚拟筛选、蛋白质设计等多类计算密集型
优化问题，有望显著提升计算效率，缩短研发时间。
而其长期愿景则更为宏大。随着量子硬件的不断成熟，量子计
算有望在更深层次、更广范围赋能生物制药行业。凭借对分子量
子力学行为的精确模拟能力，未来的量子计算机可能实现真正意
义上的高精度从头药物设计，攻克“不可成药”靶点，并通过高效
整合个体多组学数据，加速个性化与精准医疗的到来。
