Google 量子团队原先硬件负责人 John Martinis 在月初刚刚获得了 诺贝尔物理学奖，而就在今天上午，Google 量子团队的最新成果又登上了《Nature》封面。

而这带来了一个重要信号：第一个 「可验证的量子优势」已经实现。

什么意思？ 简单说：之前都是说量子计算的优势有望实现，这次是第一次，实验数据能被全系统体系的量子计算机重复。

这不是把最快超级计算机打败了吗？

没错，这次进程被称为 Quantum Echoes （量子回声），运行在新一代量子芯片 Willow 上，成功执行了一套处理时间排序关系的重复定向程序。而这套程序的执行速度，是目前最强超级计算机的 13,000 倍。

2019 年，Google 第一次提出「量子优越性」时，全世界的注意力都被量子两个字拉满。

他们用的是 Sycamore 芯片，54 个量子比特，搞了一个叫 Random Circuit Sampling 的任务。

简单理解，是让量子处理器生成一串复杂到经典计算机几乎无法预测的比特串。最后他们说：我们 200 秒干完的活，超算得跑 1 万年。

这一结果虽然轰动，但争议也随之而来。

最大的质疑点有两个：

第一，这个任务本身没人用，就像你设计了一道解不开的谜语，不代表你比别人聪明。

第二，结果没人能验，因为没有第二台量子芯片能完全复刻 Sycamore 的路径。

你说你做到了，我怎么知道是不是你“调试”了测量过程？

Google 显然知道这些争议。于是，他们这次用了六年时间，端出一份「能复现、可验证、没法作弊」的量子测试题。

这道题的名字叫：LRCM-R，全称 Local Random Circuit with Measurement and Reuse。

好长。。但意思很简单，就是：

把整个芯片切成多个 tile（每个 tile 包含 5 个量子比特）；

每个 tile 跑一个小电路，随机初始化、执行若干门操作、再测量；

重点是测量之后的量子比特，还会复用，作为后续电路的输入；

整个过程循环多轮，测量-复用-重置-再次测量……

这不光让电路拓扑更复杂，还引入了经典逻辑控制路径（feed-forward），进一步增加了熵流复杂度。而对于经典计算机来说，模拟这样的“测量-复用-反馈-并行”系统，几乎是指数级爆炸的。

但如果你想问：Google 是怎么做到用“量子系统能验证量子系统”的？

答案就在这张图里：

图中分上下两部分。

上半部分是“局部测量叠层图”：每一层是一个 tile 的状态，分别标记了 X、Y、Z、I 操作；右侧是相应的 Pauli 空间变换图。注意这个箭头的结构，是从一个初始算符 B 开始，不断被演化成多个路径（Pauli string），每一个路径代表着一次“信息的流动与纠缠扩散”。

这就是我们所说的量子信息在电路中的“回声”。

下半部分，是真正关键的验证机制：OTOC 和 OTOC²。

它们是两个干涉仪结构图（interferometers）。按我的理解是，我先给量子系统输入一个状态（ψ₀），让它执行 U 演化（也就是电路演化）。中间插入一个干扰项 B，然后再执行 U†（反演）。如果最后测量得到的状态和起点 ψ₀ 一致，那么说明整个系统是“可逆的”，也就是说：你没有作弊，没有泄露信息，系统确实跑完了这个任务。（有错误的话欢迎大家在评论区指正）

而这套流程，就叫做 Quantum Echo（量子回声）。

OTOC（Out-of-time-order correlator）这个指标，在很多高能物理和量子引力研究中，都是检验系统“混沌性”的黄金标准。现在，它被搬进了实用量子任务中，作为“反作弊雷达”。

那这个 「回声验证」机制到底有没有效果？

谷歌这次一口气完成了三组实验，每一组都瞄准一个核心问题，给出了明确答案。我们直接看实验数据。

他们跑了几十轮 LRCM-R 电路，在不同 tile 数、不同深度下测试 OTOC 与 OTOC² 的回声强度，发现只要芯片架构不崩，回声干涉就不会崩。

量子系统可以自证自己完成了任务，而不是像以前那样，必须依赖经典手段事后复查。

来看下面这个对比测试。

谷歌动用了自家的三个经典模拟器（Schrödinger、Feynman、Path-integral），在计算资源不设限的前提下，最多也只能勉强跑出小规模版本（例如 tile 数 ≤8，电路层数 ≤5）。

一旦规模扩展到 Willow 实际跑的任务量级，比如 70 个比特、深度 9 层，经典模拟器直接崩溃，内存爆炸、路径发散、回声失真，全线失败。

甚至为了验证这一点，研究团队还在当下最强的超级计算机 Frontier 上尝试复现同样的 65 比特 OTOC² 信号。

结果显示，即使在极限优化下，经典模拟预计也需要三年多的运算时间。而 Willow 量子芯片完成一次实测，只用了约两个小时。

两者在执行效率上，已经拉开了超过一万倍的量级差距。

再看最后一组。他们用 OTOC² 的干涉图谱，去反推电路演化的哈密顿量结构（Hamiltonian Learning），结果不仅成功拟合出系统的主导耦合项，还能预测新任务下的干涉行为。

这是什么概念？ Willow 芯片现在不仅能跑通一个复杂电路，还能理解这个电路背后的物理逻辑。

在过去，这是量子研究者最理想的状态：一个既能完成任务、又能解释任务的量子系统。

这一点，是经典机器永远做不到的。

量子计算，或许已经迎来了它的 ChatGPT-3 时刻。

它还不完美，还远未抵达“通用量子计算”的彼岸。但如果你问我，这是不是那个关键的拐点？

我想，是的。

因为它，已经开始自己“回响”了。