量子机器学习：先问数据怎么进去

一个几比特的分类演示，在手写数字上拿到不错的准确率。同一份数据，逻辑回归也差不多。差别不在模型，而在把数据放进量子态的那一步——那一步的账单，通常不出现在论文标题里。

数据怎么进去

量子线路的输入是量子比特的态。要把一个 N 维经典向量 $x$ 编码成

需要 $\log_2 N$ 个比特，看上去很省。但制备这个态一般需要与 N 同量级的门，或者一台能随机访问的量子存储器（QRAM）。前者把省下的比特又还了回去，后者需要大量量子存储与纠错，至今没有可扩展的实现。

所以「量子比特少」不等于「输入便宜」。数据加载、读出、以及为了得到经典结果而做的多次测量，都是成本。很多演示在小数据上有效，是因为 N 小到经典计算机根本不在乎。

训练与基线

变分线路的训练还有一个坑：barren plateau。随机初始化下，代价函数的梯度随比特数增加指数衰减，优化器看到的地形几乎平坦。缓解办法有局部代价函数、结构化初始化、浅线路，但都限制了可扩展性。

经典基线则一直很强。表格数据、低维特征、几千个样本，梯度提升树与小型神经网络往往又快又准。量子模型要在端到端上赢，需要满足两个条件之一：数据本身就是量子的，或者模型里有一个经典算不出的核。

仍有意义的方向是清楚的：量子核方法，如果核函数对应一个经典难以计算的相似度；生成模型，用采样学习量子态或分布；以及量子化学、材料这类天然量子数据。把它们当成「量子机器学习」，不如当成「用量子设备处理量子数据」。截至 2026 年公开报道的量级，多数演示仍停留在几个到几十个比特。