2026年5月20日 -- Kipu Quantum 发布了一个新的混合量子-经典框架，该框架使得量子增强的机器学习模型能够在量子处理器上训练，并完全部署在经典硬件上——其速度、成本和运营特性均满足企业生产管线的要求。

经过多篇同行评审研究的验证，包括在156量子比特的IBM Quantum Heron r2处理器上，Kipu Quantum及其他机构已证实，量子特征提取相比经典特征工程能够提供可测量的更丰富数据表示。

框架工作原理

当前工作流可能因排队时间而变慢。Kipu Quantum开发的新框架改变了提取有用特征的能力。量子处理器仅用于针对性的训练阶段，在此阶段学习量子特征提取所擅长的相关性。随后，这些量子派生的表示被转移到一个轻量级的经典代理模型中。从那时起，部署就完全是经典模式：推理延迟微秒级，可按正常的MLOps节奏重新训练，管理条款与任何经典模型相同。

在实践中，量子处理器仅需处理少至20%的经典训练数据——一个具有代表性的子样本——就能以五分之一的量子硬件成本实现相同的准确性，且随着数据量的增长，这一比例会进一步改善。这是可行的，因为量子特征映射在不同的硬件后端上稳定且可重现——其一致性足以让经典模型从一组可管理的训练示例中学习映射，并在大规模下可靠地泛化。

在此过程中，量子计算机的角色发生了改变。它不再是一个昂贵的实时推理引擎，而是仅被使用一次，在其能增加独特价值的地方发挥作用，随后便从生产系统中移除。量子特征提取带来的预测性能提升得以保留。而部署模型的成本、延迟和运营特性则降至经典水平。

在商业重要工作负载上的验证

该框架已在多个商业重要工作负载上得到验证——在分子毒性分类上实现了约10%的准确率提升，在医学影像诊断中取得了0.932的AUC（相比之下ResNet-50基线为0.866），在卫星图像分析上提升了3%。所有结果均优于强大的经典基线，并进一步在工业监控、预测分析和客户流失减少场景中得到验证。在一个卫星基准测试中，代理模型与完整的量子结果完全一致，取得了87%的准确率，而经典基线为84%。

此项工作是Kipu Quantum Rimay产品套件的一部分，属于该公司的量子机器学习平台。

行业反响

"Kipu Quantum开发的量子特征提取技术，展示了量子与经典计算如何协同工作，这是寻找经济高效方式运行混合量子机器学习工作流的又一绝佳范例。我们IBM对Kipu团队的工作感到兴奋，他们展示了我们的量子硬件如何在广泛的应用中高效地提供准确结果——我们希望这能激发业界对量子计算所能解决问题的更大兴趣。"

—— Scott Crowder，IBM量子采用副总裁

"Kipu的离线代理框架通过捕获量子处理器2-3%的绝对准确率提升，同时完全在经典硬件上进行推理，实现了经济性的量子优势。通过仅在真实量子硬件上处理一小部分具有代表性的子样本（例如20%），该框架将昂贵的量子执行次数减少了5倍或更多。该方法已积极应用于高吞吐量企业问题，如卫星无人机图像（TreeSatAI基准）、医学诊断（Breast MedMNIST）和客户意图路由。"

—— André König，全球量子智能（GQI）首席执行官

"量子计算创造价值的方式正发生引人注目的转变，即不是取代经典系统，而是教会它们一些无法独自学习的东西。Kipu Quantum的量子特征代理框架正是此类方法的典范——将量子派生的表示与企业已经拥有并信赖的经典基础设施相结合。对于像NTT DATA这样为全球关键领域服务的组织而言，这是我们一直准备的转折点：可衡量的准确率提升，推理时零量子依赖，以及无缝集成到现有生产管线中。我们已准备就绪。"

—— Rika Nakazawa，NTT DATA首席商业创新官

"通过Kipu Quantum Hub平台，我们在图像分类方面取得了有望优化经典模型的里程碑，用于预测性维护。我们实施的概念验证取得了积极成果，采用热成像无人机图像和混合经典-量子技术，在我们的能源园区早期发现问题。此外，我们通过量子卓越中心与Kipu Quantum合作，分析机械部件。"

—— Estela Vilches，MOEVE数字创新主管

"这项技术的应用范围有意设计得广泛且跨行业，为一系列立即可行的用例提供了可扩展的解决方案。从卫星图像分类和高级客户分析到制药候选药物的快速筛选，Kipu的方法允许企业在当今整个数据密集型挑战组合中，利用量子系统特定的计算优势。"

—— Aaron Kemp，毕马威美国量子研究与企业创新高级总监