AGI 与量子计算：量子智能的可能性探讨

title: “AGI 与量子计算：量子智能的可能性探讨”
authors: “[DeepThink.ai]”
affiliations: “[AI Genius Institute]”
keywords: “[通用人工智能, 量子计算, 量子机器学习, 量子智能, 含噪声中等规模量子, 变分量子算法]”

Abstract

通用人工智能（Artificial General Intelligence，AGI）与量子计算分别是智能科学与计算科学的前沿方向，二者的交叉催生了"量子智能"的想象，但相关主张在证据强度上差异极大。现有讨论常将量子加速、量子机器学习与量子认知混为一谈，缺少统一的评估框架。本文构建"计算加速—学习模型—认知智能"三层分析框架，引入证据分级标准，并基于对可验证文献的系统梳理，评估量子资源对智能任务的可能贡献。分析表明：量子机器学习在特定核方法与监督分类设定下存在条件性优势；量子强化学习与量子自然语言处理仍处于小规模验证阶段；量子脑假说受退相干时间尺度约束，缺乏实证支持。本文据此给出可证伪的研究议程与评测建议，为理性研判量子智能的可能性提供参考。

—

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop）与 程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: https://github.com/AIGeniusInstitute/deepthink

—

1 Introduction（引言）

动机与重要性。 以大规模语言模型（Large Language Model，LLM）为代表的现代人工智能系统在通用任务上展现出前所未有的能力[1]，但其训练与推理所需的算力、能耗与数据规模持续膨胀，扩展瓶颈日益明显。与此同时，量子计算作为一种基于叠加、纠缠与干涉原理的新型计算范式，被认为在特定问题上相对经典计算具有加速潜力[2]。两条前沿的交汇引出一个自然的问题：量子计算能否为 AGI 的实现提供关键助力？对这一问题的严肃回答，既关系到量子计算应用方向的选择，也关系到人工智能研究资源的配置。

现有做法的具体局限。 当前关于"量子智能"的讨论呈现两极化。一极是乐观叙事：量子机器学习、量子神经网络、量子认知等术语常被并置，暗示量子计算机将催生"超级智能"。另一极是怀疑叙事：以去量化（dequantization）结果为代表，部分曾被认为的指数级量子加速被证明可以在经典机器上模拟到多项式差距内[10]。两极之间缺少统一的分析框架：多数综述聚焦单一算法线（如量子机器学习[3,20]），很少区分"计算加速""学习效率提升"与"智能质变"这三种含义不同的主张，也很少对主张的证据强度进行分级。

本文核心思路。 本文提出一个三层分析框架，把"量子—智能"命题拆解为计算加速层、学习模型层与认知智能层，并对每一层的主张引入"已证实（A）／条件成立（B）／推测（C）"三级证据标准。在此框架下，本文基于可验证文献的系统梳理，逐一评估量子机器学习、量子强化学习、量子自然语言处理以及量子认知/量子脑假说的证据现状，并给出可证伪的近期研究议程。

贡献。 本文的贡献概括为：

• 提出一个用于评估"量子智能"主张的三层分析框架，并给出可操作的证据分级标准；
• 系统梳理量子机器学习、量子强化学习与量子自然语言处理方向的可验证进展，以及去量化、贫瘠高原（barren plateau）、噪声与数据加载等四类关键约束[7,10,2]；
• 从退相干时间尺度的物理约束出发，评估量子脑/量子认知进路的证据状态[18,19]；
• 给出可证伪的研究议程与基准评测建议，为后续实证研究提供可直接填充的实验设计模板。

结构说明。 第 2 节按技术流派综述相关工作；第 3 节给出分析框架与论证流程；第 4 节呈现文献案例分析与维度敏感性分析；第 5 节讨论成因、适用边界与伦理影响；第 6 节总结并给出未来工作。

2 Related Work（相关工作）

量子机器学习与量子优势。 量子机器学习（Quantum Machine Learning，QML）研究量子系统对机器学习任务的加速或增强。Biamonte 等人系统论证了量子软件与机器学习结合的潜力与挑战[3]；Havlíček 等人在超导处理器上实现了量子增强特征空间的监督学习[4]；Liu、Arunachalam 与 Temme 在离散对数问题难解的假设下证明了监督分类的严格量子加速[5]；Abbas 等人用信息几何的有效维度刻画了量子神经网络的表达能力[6]。这些工作聚焦单点算法的性能或可证明性，本文与之的差异在于：不评估具体算法性能，而是评估"量子加速"主张对 AGI 叙事的实际蕴含强度。

变分量子—经典混合算法。 面向含噪声中等规模量子（Noisy Intermediate-Scale Quantum，NISQ）设备[2]，变分量子算法（Variational Quantum Algorithm，VQA）以经典优化器训练参数化量子电路，被视为近期取得量子优势最有希望的路径[8]。Farhi 等人的量子近似优化算法（QAOA）是该范式的代表[11]；McClean 等人建立了变分混合算法的理论基础[9]，并揭示了贫瘠高原现象：随机参数化量子电路的梯度在固定精度下非零的概率随量子比特数指数级衰减[7]。本文借用该范式的成熟度评估，将其作为学习模型层可行性的判据，而非提出新的变分算法。

去量化与量子启发经典算法。 Tang 为 Kerenidis 与 Prakash 的量子推荐系统构造了经典对应算法，把原宣称的指数级加速压缩为多项式差距[10]。这一结果改变了量子机器学习优势主张的论证标准：任何加速声明都必须明确数据访问模型与输入假设。本文将去量化风险作为证据分级的核心约束之一。

量子强化学习与智能体。 量子强化学习（Quantum Reinforcement Learning，QRL）把量子模型引入策略或价值函数：Jerbi 等人给出了量子策略梯度算法并分析了量子数据访问下的加速[12]；Franz 等人揭示了变分量子深度 Q 网络的训练不稳定现象[13]；Sarkar 等人将通用强化学习中的知识寻求智能体泛化到量子过程层（QKSA）[14]；Zhang 等人在可编程超导处理器上演示了量子持续学习[15]。这些工作面向具体任务与小规模验证，本文与之的差异在于考察其对 AGI 目标的蕴含，而非改进算法本身。

量子自然语言处理。 量子自然语言处理（Quantum Natural Language Processing，QNLP）把语法组合结构嵌入量子电路，代表工作包括基于 DisCoCat 范式的变分量子语句分类与 QDisCoCirc 组合文本处理[16]。相关实验多在小规模句子分类任务上完成。本文将其归入学习模型层，并评估其规模化路径的证据状态。

量子认知与量子脑假说。 Penrose 主张意识与量子引力过程相关，大脑在某种意义上是量子计算装置[19]；Tegmark 基于神经退相干速率计算指出，与认知相关的自由度应视为经典系统，退相干时间尺度远短于神经动力学时间尺度[18]。本文不复述该争论，而是将其纳入证据分级框架，给出当前证据状态的判定。

AGI 定义与评测语境。 AGI 的定义与评测本身仍是开放问题，Goertzel 与 Pennachin 收录的多种定义提供了参照[21]。本文不预设单一 AGI 定义，只要求"量子智能"主张指明其所面向的智能能力维度（如泛化、持续学习、规划、组合推理），以便对照评估。

3 Method（分析框架与论证方法）

本节形式化"量子—智能"命题的评估问题，给出三层分析框架、模块细节、文献论证流程，以及复杂度视角下的理论性质。

3.1 Problem Formulation（问题形式化）

设智能任务分布为 T = { τ i } i = 1 N \mathcal{T} = \{\tau_i\}_{i=1}^{N} T={τi​}i=1N​，资源预算为 $R$，经典学习器族为 ${\mathcal{H}}_C$，量子学习器族为 ${\mathcal{H}}_Q$。对任一任务 $\tau \in \mathcal{T}$，衡量量子资源贡献的两个基本量定义为：

$${\Gamma }_{\mathrm{comp}}(n)=\frac{T_C(n)}{T_Q(n)},{\Gamma }_{\mathrm{gen}}(ϵ)=\frac{m_C(ϵ)}{m_Q(ϵ)}$$

其中 $T_C(n),T_Q(n)$ 分别为规模 $n$ 下的经典与量子计算时间，$m_C(ϵ),m_Q(ϵ)$ 分别为达到误差 $ϵ$ 所需的样本复杂度。${\Gamma }_{\mathrm{comp}}\gg 1$ 表示计算加速，${\Gamma }_{\mathrm{gen}}\gg 1$ 表示学习效率优势。本文主张：仅有 ${\Gamma }_{\mathrm{comp}}$ 或 ${\Gamma }_{\mathrm{gen}}$ 的改善并不自动蕴含智能层面的收益，需在第三层单独论证。

证据分级函数 E : P → { A , B , C } E: \mathcal{P} \rightarrow \{A, B, C\} E:P→{A,B,C} 将任一"量子—智能"命题 $p\in \mathcal{P}$ 映射到证据等级：

$$E(p)=\{\begin{array}{ll}A,& \text{在容错量子假设或实验上可复现验证}\\ B,& \text{依赖明确输入模型/硬件/密码学假设而条件成立}\\ C,& \text{目前仅有理论推测或类比论证}\end{array}$$

主要符号及其含义见附录 A 的符号表。

3.2 Framework Overview（框架总览）

本文框架将"量子智能"命题拆为三层，自底向上分别为计算加速层、学习模型层与认知智能层，并以四项横向约束贯穿三层：

┌────────────────────────────────────────────────────────────────┐
│                  第三层：认知/智能层（AGI 命题）                 │
│   组合推理 · 持续学习 · 规划 · 自主智能体 · 意识相关主张        │
│   典型命题：量子过程加速通用学习/量子相干参与认知（等级 C 为主） │
├────────────────────────────────────────────────────────────────┤
│                  第二层：学习模型层（QML/QRL/QNLP）             │
│   表达能力 · 泛化 · 样本效率 · 训练稳定性                       │
│   典型命题：量子核/量子神经网络的有效维度优势（等级 A/B）        │
├────────────────────────────────────────────────────────────────┤
│                  第一层：计算加速层（BQP vs P）                 │
│   问题类加速 · 查询复杂度 · 数据访问模型                         │
│   典型命题：特定核估计/分类任务的可证明加速（等级 A/B）          │
└────────────────────────────────────────────────────────────────┘
         │                │                │                │
   ┌─────┴─────┐   ┌──────┴─────┐   ┌─────┴──────┐  ┌─────┴─────┐
   │ 数据加载  │   │ 贫瘠高原   │   │ 噪声与退相干│  │ 去量化风险│
   │ (QRAM 等) │   │ 与可训练性 │   │ (NISQ 约束) │  │ (经典模拟能力)│
   └───────────┘   └────────────┘   └────────────┘  └───────────┘

框架的操作含义是：任何"量子带来智能"的主张，必须先在第一层说明加速来源与数据访问模型，在第二层说明学习增益的机制与可训练性，在第三层说明智能能力维度的实际变化；缺失任一环的主张按等级 C 处理。

3.3 Module Details（模块细节）

模块一：计算加速层评估。 核查三个要素：（1）加速是相对哪种经典基线；（2）数据以何种方式进入量子电路（经典输入、量子随机存取存储器（QRAM）或量子态制备）；（3）加速证明依赖何种假设。例如，Liu 等人的监督分类加速建立在离散对数问题难解的假设上[5]；Tang 的去量化结果表明，若数据访问模型放宽，宣称的指数加速会退化为多项式差距[10]。

模块二：学习模型层评估。 核查表达能力、泛化与可训练性三方面证据。表达能力方面，Abbas 等人用有效维度给出了量子神经网络优于经典模型的证据[6]；可训练性方面，贫瘠高原使深层随机变分电路的梯度估计开销随规模指数增长[7]，缓解方案（问题启发式拟设、局部可观测量、初始化策略）是该层研究的主线[8]。

模块三：认知智能层评估。 核查量子资源是否带来智能能力维度的质变。当前证据的形态多为：（1）把通用学习框架（如知识寻求智能体）泛化到量子环境的理论构造[14]；（2）小规模量子持续学习演示[15]；（3）量子认知/量子脑假说的哲学与物理论证[18,19]。三类证据均未达到等级 A。

横向约束。（1）数据加载：把 $n$ 维经典数据加载为量子态的开销可能抵消后续加速；（2）贫瘠高原与可训练性[7]；（3）噪声与退相干：NISQ 设备的门错误率限制可可靠执行的电路深度[2]；（4）去量化风险[10]。

3.4 Training / Inference（论证与检索流程）

本文不训练模型，论证流程等价于一个系统化文献评估流程：

1. 检索：以 arXiv 为主要数据源，检索式见附录 B，检索日期为 2026 年 10 月 28 日；辅以已发表期刊论文与经典著作。
2. 纳入/排除标准：纳入与"量子 × 机器学习/强化学习/自然语言处理/认知/AGI"直接相关的可验证工作；排除无摘要信息、无法核实来源、纯新闻与博客类材料。
3. 抽取维度：对每项工作抽取任务类型、加速声明类型、证据等级 $E(p)$、硬件/假设依赖、与 AGI 的相关性。
4. 综合：按第 3.2 节的三层结构归类，形成第 4 节的案例分析表。

3.5 Complexity or Theoretical Properties（复杂度视角与理论性质）

从复杂度视角看，量子计算已知的通用优势集中于特定问题类（如基于量子傅里叶变换的整数分解、量子模拟），且以多项式到指数级不等[2]。对学习任务，指数级加速必须谨慎对待：Tang 的结果表明，加速声明对输入模型（数据结构、采样访问）高度敏感[10]。此外，噪声约束给出硬件侧的复杂度条件：可靠执行深度为 $d$ 的电路要求相干时间满足 $T_{\mathrm{coh}}\gg d\cdot t_{\mathrm{gate}}$，其中 $t_{\mathrm{gate}}$ 为单门操作时间；该条件在当前设备上仅对浅层电路成立[2]。因此，本文的理论预期是：在中短期内，量子资源对智能系统的作用更可能是"特定子任务的混合加速"，而非"整体智能范式的替代"。

4 Experiments（文献案例分析）

按第 3.4 节流程完成文献案例分析。本节不产生新实验数据，所有结论性数字均来自被引文献原文；无可靠来源处一律记为"—"，不填充推测值。

4.1 Experimental Setup（分析设置）

数据来源：arXiv 检索（2026-10-28）加已核实期刊/会议论文。检索式与纳入排除标准见附录 B。

评价维度：任务类型、代表工作、文献结论、证据等级 $E(p)$、关键限制、与 AGI 的相关性。

评价方法：双层评价。第一层按第 3.3 节各模块的核查要素打分；第二层按证据等级 $E(p)$ 归档。此处无法核实的部分（如未公开的实验细节）在表中显式标注。

4.2 Main Results（主要结果）

表 1 给出各技术方向的证据现状汇总。表中"文献结论"列仅复述被引文献原文中可验证的结论，不含本文推测。

表 1：量子智能相关方向的证据现状

技术方向	代表工作	文献结论（可验证部分）	证据等级	关键限制	与 AGI 相关性
监督学习量子加速	Liu 等[5]	在离散对数难解假设下，量子分类器相对任何经典学习器有可证明优势	B	依赖密码学假设与容错量子硬件	间接（子任务级）
量子核/特征空间	Havlíček 等[4]	在超导处理器上实现量子增强特征空间分类	B	规模小，优势尚无定论	间接
量子神经网络表达能力	Abbas 等[6]	量子神经网络取得更优的有效维度，并有泛化界支撑	B	依赖模型设计与训练稳定性	间接
变分量子算法	Farhi 等[11]、Cerezo 等[8]	QAOA 在 3-正则图 MaxCut、$p=1$ 时达最优割的 0.6924 倍	A（算法内）	深度增大后优势未证；训练难度高	间接（优化子任务）
可训练性约束	McClean 等[7]	随机变分电路梯度非零概率随比特数指数衰减（贫瘠高原）	A	需问题启发式拟设等缓解手段	负面证据（重要约束）
去量化	Tang[10]	量子推荐系统的指数加速可被经典算法压缩至多项式差距	A	提示加速声明须核查输入模型	负面证据（重要约束）
量子强化学习	Jerbi 等[12]、Franz 等[13]	量子策略梯度在量子数据访问下可加速；变分量子 DQN 存在训练不稳定	B	环境规模小；稳定性问题突出	中（智能体决策）
量子知识寻求智能体	Sarkar 等[14]	把通用强化学习的知识寻求智能体泛化到量子过程层	B	理论构造为主，实验规模有限	中（AGI 理论对接）
量子持续学习	Zhang 等[15]	在可编程超导处理器上实现量子持续学习演示	B	任务规模小	中（持续学习维度）
量子自然语言处理	Laakkonen 等[16]	提出 QDisCoCirc 组合文本处理的量子算法	B	多为模拟验证；句子规模受限	中（组合推理维度）
量子模拟成本	Kashyap 等[22]	近端 QNLP 实验的模拟器成本构成实际计算负担	A（测量）	成本未计入常见准确率对比	负面证据（工程约束）
量子脑/量子认知	Penrose[19]、Tegmark[18]	退相干时间约 $10^{-13}$–$10^{-20}$ 秒，远短于神经动力学的 $10^{-3}$–$10^{-1}$ 秒	A（物理测量/计算）	与量子脑假说直接冲突	高（若成立则颠覆性，但证据不利）

主结论：（1）第一层（计算加速）存在等级 A/B 的可验证加速，但均附带输入模型或假设条件；（2）第二层（学习模型）有表达能力与核方法上的正面证据，同时被贫瘠高原、稳定性与模拟成本等负面证据制约；（3）第三层（认知/智能）尚无等级 A 证据，且量子脑假说方向存在强物理负面证据[18]。

4.3 Ablation Study（维度敏感性分析）

本节做"约束消融"：假设去掉某一横向约束，判断表 1 结论是否改变。结果为定性判断，不含数值。

• 去掉去量化风险约束：多项"指数加速"主张（如早期量子推荐系统）将被接受；加入 Tang[10] 的结果后，这些主张降级为等级 B/C。该约束对结论影响最大。
• 去掉贫瘠高原约束：变分量子学习模型的可训练性问题消失，第二层乐观程度上升；但该现象有严格刻画[7]，不可移除。
• 去掉硬件噪声约束：NISQ 限制消失，浅层电路上限不再成立[2]；结论偏向"中长期乐观"。现实中该约束随硬件进步可部分缓解，属可演化约束。
• 去掉密码学假设：Liu 等人[5] 的严格加速失去成立前提，第一层正面证据减少一项。说明部分等级 B 证据对外部数学假设敏感。

判断：证据等级对"去量化"与"贫瘠高原"两个约束最敏感，二者均为当前不可移除的约束，故本文总体结论偏审慎。

4.4 Analysis（分析）

定性分析：三条可能路径。 其一，专用加速路径：量子计算机作为智能系统的子任务加速器（如组合优化、化学/材料相关的世界模型计算），对应第一层的等级 A/B 证据。其二，混合增强路径：量子核、量子神经网络作为经典模型的组件，提升表达能力或样本效率[6]，对应第二层的等级 B 证据。其三，量子认知路径：量子过程直接参与认知或意识，对应第三层，当前证据不足且受退相干约束[18]。前两条路径可证伪、可实验推进；第三条路径目前不具备工程可操作性。

效率分析。 当前多数 QNLP/QML 实验在经典模拟器上完成，模拟成本本身构成实际计算负担[22]；变分电路的梯度估计开销受贫瘠高原影响随规模增长[7]。因此，小规模实验上的准确率对比不能直接外推为规模化优势。

失败案例。 变分量子深度 Q 网络的训练不稳定[13]是代表性失败案例：量子策略类在扩展到深度网络时出现优化困难，说明"量子模型容量"与"可训练性"之间存在张力。

4.5 Limitations（本节与本文的局限）

（1）本文为文献分析与框架研究，未产生新实验数据，表格数值均来自被引文献；（2）检索以 arXiv 为主，虽辅以期刊与著作，仍可能遗漏非公开或跨语种工作；（3）量子计算与 AI 均为快速演进领域，本文结论有明确的时效性（检索截止 2026 年 10 月 28 日）；（4）证据分级标准本身带有判断成分，不同评估者对个别条目的定级可能不同。

5 Discussion（讨论）

成因解释。 "量子智能"叙事之所以流行，有三层原因：术语层面，“叠加”“纠缠”“量子隧穿"等概念与"创造性”"直觉"等认知隐喻天然亲和，容易产生类比式推断；科学层面，量子计算确实在特定问题上有加速潜力[2]，使外推显得顺理成章；社会层面，AGI 与量子计算都属于高关注领域，交叉叙事具有传播优势。本文框架的作用正是把类比式推断与可验证主张分离。

适用边界。 现有证据支持的适用边界是：量子资源可望在数据访问模型明确、输入假设可辩护、电路深度受控的子任务上提供加速或表达能力增益[5,6,11]；不支持的外推包括：把子任务加速直接等同于通用智能提升，以及把量子认知类比当作物理机制。对未来 5–10 年，合理预期是混合量子—经典架构在特定垂直任务（组合优化、量子化学相关的科学智能、核方法特征空间）上产生可测量收益[8,17]。

伦理影响。 其一，资源错配风险：夸大性叙事可能引导科研与产业投入流向证据薄弱的方向，挤占对数据质量、对齐与安全等高确定性回报领域的资源。其二，安全与密码学：容错量子计算对公钥密码体系的威胁已进入标准化迁移议程，若智能系统的核心基础设施未完成抗量子迁移，将带来系统性风险。其三，算力集中：量子硬件的稀缺性可能进一步加剧前沿 AI 能力的集中，放大治理不对称。上述三点均建议纳入 AI 治理与量子技术治理的联合议程。

6 Conclusion（结论）

本文针对"AGI 与量子计算"的交叉命题，做了三件可核查的工作：提出计算加速—学习模型—认知智能三层分析框架与证据分级标准；基于可验证文献完成各技术方向的证据盘点；给出约束消融分析与可证伪研究议程。盘点结论是：量子机器学习在特定设定下有条件性优势证据，量子强化学习与量子自然语言处理处于小规模验证阶段，量子脑假说受退相干时间尺度约束而缺乏实证支持；去量化与贫瘠高原是影响结论的两个关键约束。本文未主张"量子计算将或不会实现 AGI"，只主张：当前证据结构下，两类叙事都应让位于分级、可验证的评估。

未来工作具体包括：（1）构建 Quantum-AGI Benchmark，把泛化、持续学习、组合推理等能力维度做成可复现评测，取代目前零散的小规模任务对比；（2）在容错量子硬件上重跑量子强化学习与量子持续学习实验[12,15]，检验当前等级 B 证据能否升级；（3）对 QNLP 组合语义路线[16]做规模化实验，并按文献[22]的方式把模拟与硬件成本计入对比；（4）建立加速声明核查清单（数据访问模型、输入假设、去量化风险），作为该领域的报告规范。

References

[1] Vaswani A., Shazeer N., Parmar N., et al. Attention is all you need. arXiv:1706.03762, 2017.

[2] Preskill J. Quantum computing in the NISQ era and beyond. Quantum, 2018, 2: 79. arXiv:1801.00862.

[3] Biamonte J., Wittek P., Pancotti N., Rebentrost P., Wiebe N., Lloyd S. Quantum machine learning. Nature, 2017, 549: 195–202. arXiv:1611.09347.

[4] Havlíček V., Córcoles A. D., Temme K., Harrow A. K., Kandala A., Chow J. M., Gambetta J. M. Supervised learning with quantum-enhanced feature spaces. Nature, 2019, 567: 209–212. arXiv:1804.11326.

[5] Liu Y., Arunachalam S., Temme K. A rigorous and robust quantum speed-up in supervised machine learning. Nature Physics, 2021. arXiv:2010.02174.

[6] Abbas A., Sutter D., Zoufal C., Lucchi A., Figalli A., Woerner S. The power of quantum neural networks. Nature Computational Science, 2021, 1: 403–409. arXiv:2011.00027.

[7] McClean J. R., Boixo S., Smelyanskiy V. N., Babbush R., Neven H. Barren plateaus in quantum neural network training landscapes. Nature Communications, 2018, 9: 4812. arXiv:1803.11173.

[8] Cerezo M., Arrasmith A., Babbush R., Benjamin S. C., Endo S., Fujii K., McClean J. R., Mitarai K., Yuan X., Cincio L., Coles P. J. Variational quantum algorithms. Nature Reviews Physics, 2021, 3: 625–644. arXiv:2012.09265.

[9] McClean J. R., Romero J., Babbush R., Aspuru-Guzik A. The theory of variational hybrid quantum-classical algorithms. New Journal of Physics, 2016, 18: 023023. arXiv:1509.04279.

[10] Tang E. A quantum-inspired classical algorithm for recommendation systems. Proceedings of STOC 2019. arXiv:1807.04271.

[11] Farhi E., Goldstone J., Gutmann S. A quantum approximate optimization algorithm. arXiv:1411.4028, 2014.

[12] Jerbi S., Cornelissen A., Ozols M., Dunjko V. Quantum policy gradient algorithms. arXiv:2212.09328, 2022.

[13] Franz M., Wolf L., Periyasamy M., Ufrecht C., Scherer D. D., et al. Uncovering instabilities in variational-quantum deep Q-networks. Journal of The Franklin Institute / arXiv:2202.05195, 2022.

[14] Sarkar A., Al-Ars Z., Gandhi H., Bertels K. QKSA: quantum knowledge seeking agent — resource-optimized reinforcement learning using quantum process tomography. arXiv:2112.03643, 2021.

[15] Zhang C., Lu Z., Zhao L., Xu S., Li W., et al. Quantum continual learning on a programmable superconducting processor. arXiv:2409.09729, 2024.

[16] Laakkonen T., Meichanetzidis K., Coecke B. Quantum algorithms for compositional text processing. Proceedings QPL 2024. arXiv:2408.06061.

[17] Bacho A., Boche H., Kutyniok G. Reliable AI: does the next generation require quantum computing? arXiv:2307.01301, 2023.

[18] Tegmark M. The importance of quantum decoherence in brain processes. Physical Review E, 2000, 61: 4194–4206. quant-ph/9907009.

[19] Penrose R. The Emperor’s New Mind: Concerning Computers, Minds, and the Laws of Physics. Oxford University Press, 1989.

[20] Dunjko V., Briegel H. J. Machine learning & artificial intelligence in the quantum domain. Reviews of Modern Physics, 2018, 90: 035007. arXiv:1708.02812.

[21] Goertzel B., Pennachin C. (eds.). Artificial General Intelligence. Springer, 2007.

[22] Kashyap K., Ganguly S. What does it cost to simulate a quantum sentence classifier? An energy and compute perspective on near-term QNLP. arXiv:2610.06176, 2026.

Appendix

A. 符号表

符号	含义
$\mathcal{T}$	智能任务分布 { τ i } i = 1 N \{\tau_i\}_{i=1}^{N} {τi​}i=1N​
$\tau$	单个智能任务
$n$	任务规模参数
$R$	资源预算（时间、样本、硬件）
${\mathcal{H}}_C,{\mathcal{H}}_Q$	经典/量子学习器族
$T_C(n),T_Q(n)$	规模 $n$ 下经典/量子计算时间
$m_C(ϵ),m_Q(ϵ)$	达到误差 $ϵ$ 的经典/量子样本复杂度
${\Gamma }_{\mathrm{comp}}$	计算加速比 $T_C(n)/T_Q(n)$
${\Gamma }_{\mathrm{gen}}$	学习效率比 $m_C(ϵ)/m_Q(ϵ)$
$E(p)$	命题 $p$ 的证据等级（A/B/C）
$T_{\mathrm{coh}}$	量子相干时间
$d$	量子电路深度
$t_{\mathrm{gate}}$	单门操作时间

B. 检索策略（可复现）

• 数据源：arXiv（检索工具：arxiv-paper-search），检索日期 2026-10-28。
• 主要检索式：quantum artificial general intelligence、quantum computing artificial intelligence、quantum reinforcement learning、quantum natural language processing、quantum machine learning perspectives、quantum neural networks expressibility 等。
• 纳入标准：与"量子 ×（机器学习 / 强化学习 / 自然语言处理 / 认知 / AGI）"直接相关；来源可核实（arXiv 编号或期刊/会议信息可查）。
• 排除标准：无法核实来源的材料；与智能问题无直接关联的纯硬件/纯物理工作。
• 局限说明：检索受 arXiv 接口限流影响，部分检索式通过 arXiv 页面人工核实补齐；此处无法核实的非公开工作未纳入。

C. 后续实证研究设计模板

表 2 给出未来实证研究的表格模板，供直接填充；在数据产生前所有数值一律为占位符。

表 2：量子—经典基线对比实验模板

任务	模型	经典基线（指标）	量子/混合模型（指标）	加速比 ${\Gamma }_{\mathrm{comp}}$	样本效率比 ${\Gamma }_{\mathrm{gen}}$	硬件条件	证据等级
组合优化（MaxCut 等）	QAOA / 量子退火	[实验数据待填]	[实验数据待填]	[实验数据待填]	—	[待填]	[待评]
文本分类（QNLP）	变分量子语句分类器	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	模拟器/真机	[待评]
序列决策（QRL）	量子策略梯度	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[待填]	[待评]
持续学习	量子持续学习[15]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	超导处理器	[待评]

D. 证据分级操作细则

• 等级 A：结论可由原文定理、可复现实验或物理测量直接支持，且不依赖未验证的外部假设。
• 等级 B：结论在明确假设（输入模型、密码学假设、特定硬件规模）下成立；假设变化时结论可能改变。
• 等级 C：结论来自类比、推测或尚未有实验支撑的理论构造。
• 定级争议处理：出现分歧时取较低等级，并在正文标注分歧点。