Grover：让答案自己浮起来

8 个抽屉，只有一把钥匙。经典办法是一个个拉开，平均 4 次；Grover 算法 说 2 次就够。它不是手快，也不是同时拉开了 8 个——它让「有钥匙」那个抽屉在概率上自己站起来。

平方根，而不是指数

经典无结构搜索的期望查询次数约为 $N/2$，最坏 $N$。Grover 用 $O(\sqrt{N})$ 次：一百万项时，经典期望约五十万次，Grover 约一千次。差距很大，但它是平方根，不是指数；N 再大，也只是把两个数字一起拉长。

这也是它最容易被说错的地方：Grover 并没有「同时查完所有条目」。它从头到尾只维护一个 $N$ 项的叠加，真正发生的事在下一节。

下面的柱高是振幅，标记项是最后那根。拖迭代次数，或直接点「跳到最优步数」。

两次翻转，把答案抬起来

初始化后，所有振幅都是 $1/\sqrt{N}$。一步迭代做两件事：神谕 给解的振幅加一个负号，概率不变；随后让所有振幅关于平均值翻转。解的振幅被抬到均值以上，非解被压到以下；重复约 $\frac{\pi}{4}\sqrt{N}$ 次，测到解的概率接近 1。

这就是 振幅放大。它像把一根横杆从中间顶起来：解那头翘上去，其余那头沉下去。比喻失效的地方在于，这不是一次性的抬升，而是旋转；转多了会越过最高点。

步数很关键。少于最优值，抬得不够；多于它，概率反而回落。演示里把迭代拖过最优点，柱子会矮下去。

它也不给你清单。若有 $M$ 个解，迭代会把它们一起放大，但一次 测量 只坍缩出一个结果。想列全就要重复运行、每次移走已找到的解，代价会吃掉一部分优势；多个解时最优步数也变成 $\sqrt{N/M}$ 量级。

$\sqrt{N}$ 还是无结构搜索的下界：有证明说，任何量子算法都不能用更少的查询完成同样任务（差常数倍）。所以 Grover 给的是实打实的二次加速，不是万能加速。