内容提要

• 一项新的聚焦军事领域的研究表明，量子人工智能不太可能首先作为武器出现，但在量子系统部署于战斗之前很久，就可能影响军事规划、模拟和作战管理。
• 研究人员指出了量子人工智能在无人机协同、后勤优化、战场模拟和数据分析等领域的潜在用途，同时强调当前硬件仍存在噪声且处于实验阶段。
• 该研究及更广泛的防务工作均强调，其近期价值将取决于混合量子-经典系统及可衡量的效用，而非理论突破。

纵观历史，军事规划者一直致力于将现有技术应用于战场。他们很少被要求为在很大程度上仍属理论性的技术所产生的影响进行规划。量子人工智能可能是个例外。

虽然它不太可能首先作为武器出现，但一项新的聚焦军事领域的研究表明，在量子系统出现在战斗中之前很久，它可能已经在重塑武装力量如何规划、模拟和管理复杂作战。

本文探讨了量子计算如何与人工智能结合以支持军事决策、后勤和自主系统。没有预测近期的突破，而是概述了量子增强人工智能在哪些方面可以切实提供优势，以及在哪些方面仍受限于不成熟的硬件和高错误率。

何为量子人工智能？

首先，由于量子人工智能是理论性的——且常常被炒作所掩盖——明确该技术的定义很重要。该研究将量子人工智能定义为一个探索量子计算机如何支持或增强某些人工智能任务的研究领域。量子人工智能主要不是要取代当今的人工智能系统，而是利用量子硬件来协助解决经典计算机难以处理的特定计算问题。

其核心在于，量子人工智能将依赖量子比特概率行为的量子计算，与分类、优化和强化学习等机器学习技术相结合。与以0或1存储信息的经典比特不同，量子比特可以存在于多种概率状态，这使得某些计算能够以经典计算方法无法实现的方式进行探索。

研究表明，大多数（如果不是全部）量子人工智能系统预计都将是混合型的。经典计算机仍将负责数据准备、训练和控制，而量子处理器将处理明确定义的任务，例如搜索大型解空间或优化复杂系统。

该研究也提醒，量子人工智能在很大程度上仍处于实验阶段。当前的量子硬件存在噪声且容易出错，对于大多数现实世界的问题，经典人工智能仍然表现更佳。因此，目前最好将量子人工智能理解为一个长期研究方向，而非近期的作战技术。

从自主性到优化

研究人员列出了量子人工智能的几种潜在军事应用场景：

• 无人机蜂群与多智能体控制
• 目标检测与二值图像分类
• 战场模拟与单元机动优化
• 后勤与供应链规划
• 水下声学定位
• 面向大数据流的信息分析与语言建模

为便于更深入理解，以下是对上述应用场景的概述。

无人机蜂群与多智能体控制
目前，军方对管理大量自主系统，特别是无人机蜂群很感兴趣。根据研究人员的说法，随着智能体数量增加，同时控制多架无人载具迅速变成一个数学难题，会使传统人工智能不堪重负。他们认为，量子辅助的强化学习最终可能有助于更有效地探索协同策略。

目标检测与二值图像分类
军方在很大程度上依赖人工智能来筛选卫星、飞机和无人机收集的大量图像。根据该研究，这些任务中的许多可以简化为二值问题——即某个物体、模式或异常是否存在。随着数据集增长和环境变得更加复杂，传统人工智能系统在没有大量训练数据的情况下可能难以保持准确性。研究人员建议，量子机器学习方法最终可能通过更有效地探索复杂的决策边界来协助这些分类任务，特别是在标注数据有限的情况下。目标并非完全自主，而是为人类分析员提供更快、更可靠的图像分拣支持。

战场模拟与单元机动优化
现代军事规划依赖于模拟，这些模拟对单元机动、地形约束、后勤和对手行为进行建模。研究表明，这些模拟通常涉及评估海量的可能结果，随着想定规模扩大，这一过程的计算成本日益高昂。量子人工智能可以帮助加速这些模型中的某些优化步骤，使规划者能在更短时间内研究更多的行动方案。量子辅助系统并非确定性地预测结果，而是可以帮助规划者在训练和作战规划期间更有效地探索权衡与约束。

后勤与供应链规划

军事后勤涉及在不确定且经常变化的环境中规划车辆路线、调度交付和分配资源。根据该研究，这些问题非常适合用量子退火这一旨在为复杂优化挑战寻找高效解决方案的量子方法来解决。虽然经典系统已经在执行这些任务，但研究人员认为，量子增强方法最终可能通过大规模评估替代路线和时间表，帮助规划者更快地适应突发状况。潜在优势在于速度和灵活性，而非取代现有的后勤系统。

水下声学定位

由于噪声、信号失真和有限的传感器覆盖范围，水下探测和跟踪目标面临独特的挑战。量子启发的和量子辅助的方法可以改进声学定位，特别是在实时处理受限的情况下。在这些方法中，大部分计算发生在训练阶段，这理论上使得部署的系统在操作过程中能更有效地估计位置。研究人员认为，量子退火可能有助于改进用于水下探测的概率模型，尽管实际部署仍然依赖于未来硬件的改进。

面向大数据流的信息分析与语言建模

军事组织处理大量文本数据，包括报告、通信和开源信息。根据该研究，经典语言模型通常依赖于蛮力统计相关性，这可能使结果难以解读或难以识别有意义的结构。研究人员认为，量子人工智能方法可能提供替代方式来建模语言数据内部的关系，从而有可能改进模式发现和异常检测。量子辅助的语言分析并非要取代现有工具，而是作为一种支持能力，帮助分析员更有效地处理大规模信息流。

该研究强调，此类系统极有可能依赖混合架构，由经典计算机处理训练和监督，而量子处理器辅助进行特定计算。这是必要的，因为当前的量子机器仍然存在噪声且脆弱，限制了其独立运行的能力。

虽然作者并未宣称当今量子人工智能的性能优于经典方法，但他们指出，量子人工智能最终可能帮助军事规划者更快地评估更多想定，尤其是在大规模部署中。

一个意想不到的角色：信任与透明度

量子人工智能吸引军方的可能并非是其更快，而是其可能更容易理解和审计。经典人工智能系统，特别是大型神经网络，常常作为“黑箱”运行，难以解释决策是如何达成的。

作者认为，基于量子门的模型可以以更明确反映问题结构的方式编码信息。如果这些说法成立，量子人工智能可以支持军事上对可追溯性、验证性和遵守交战规则的要求，而在这些领域，不透明的系统面临体制内的阻力。

研究人员还指出，量子人工智能可能首先用于训练和开发阶段，而非部署阶段。在这种模式下，量子资源将有助于优化或完善最终在实地经典硬件上运行的人工智能系统。

DARPA与更广泛的背景

美国国防高级研究计划局是少数以“效用优先”为鲜明议程推进量子计算的主要防务研究机构之一——这一立场在很大程度上与上述聚焦军事研究的审慎观点一致。与其炒作突破性能力不同，DARPA的“量子基准测试倡议”旨在测试和验证任何量子计算方法是否能在2033年之前实现“实用规模”——即其提供的计算价值超过其构建和运行成本，这是该机构公开声明的时间表。DARPA正资助一系列公司和架构来回答这个问题，并通过分阶段技术评审和独立验证来推进它们。

DARPA的看法似乎与该研究坚持的观点相呼应，即当前硬件受限于噪声和错误率，并且早期价值大多将来自混合系统及针对实际任务的基准测试，而非推测性的战场自主。DARPA的方法并非宣称即将投入作战使用，而是要将炒作与可衡量的进展区分开来，并建立对量子计算（以及由此延伸的量子人工智能）可能在何处真正提供优势的信心。

未知的未知领域和奇异的量子人工智能应用

即使在军方为量子人工智能规划具体用途的同时，防务分析家警告，可能存在当今规划者尚未完全预料到的深远应用。这些“未知的未知领域”并非源于当前的路线图，而是源于量子计算与人工智能的相互作用——这种结合可能产生单独考虑其中任何一种技术时并不明显的效应。

一些研究人员和战略报告指出，完全成熟的量子人工智能可能在战略层面影响网络空间作战，包括防御性加密和进攻性密码破译。理论上，足够强大的量子引擎可以比经典计算机快得多地破解某些形式的公钥密码学，当与自适应人工智能结合时，可以实时重组网络防御或利用漏洞。即使量子计算机或量子人工智能尚未展示出这种能力，这种可能性已成为美国及其盟友后量子密码学规划的一部分。

另一个推测性领域是与自适应人工智能系统紧密集成的量子传感。与今天的传感器不同，未来的量子传感器可以探测经典系统无法探测的细微现象——从微弱的磁特征到位移效应。结合能够即时学习和响应的人工智能，这些能力可能实现在全球定位系统拒止环境下的新形式导航，或新型电子战战术。

防务战略家还推测，量子人工智能可能实现新形式的欺骗和决策支持。由纠缠数据结构塑造的信息环境，原则上可能使对手更难以解读意图或模式，即使己方系统能更有效地提取意义。

这些场景目前仍是推测性的，因为它们依赖于尚未实现的量子硬件和人工智能集成方面的进展。但正是其可能性使得国家安全规划者强调广泛的研究组合、前瞻性扫描和国际合作——不仅为预期的情况做准备，也为可能在量子物理学与机器智能交叉领域出现的情况做准备。

局限、风险与未来方向

尽管广泛调查了应用前景，但该研究反复强调了当前技术的局限性。量子计算机对噪声仍然高度敏感，相干时间短，并且需要大量的纠错。对于大多数任务，经典超级计算机在未来数年内仍将占主导地位。

量子优势往往是针对特定问题的，而且数据准备工作可能会抵消理论上的收益。将经典数据编码为量子形式通常成本高昂，这就是为什么量子传感（数据以量子形式生成）可能具有战略重要性。

未来，研究人员建议军方应更少关注头条新闻中的量子比特数量，而更多关注可衡量的效用。这包括针对真实的军事任务对量子系统进行基准测试，开发能明确区分量子与经典角色的混合架构，并投资于能够确定量子人工智能在何处能提供真正优势的研究。

目前，量子人工智能应被视为一种规划和研究工具，而非作战能力——这是一种在它重塑战场本身之前很久，就可能塑造军方思考复杂性、不确定性和决策方式的能力。

参考来源：2025 International Conference on Military Technologies (ICMT)