随着“量智融合”成为前沿计算的重要方向,量子算力与经典 AI 的协同正加速从实验室走向产业应用。由北京智源人工智能研究院与北京量子信息科学研究院联合推出的量智云平台(https://platform-multi.baai.ac.cn/quantumAI),以 FlagOS 为重要技术底座,打通经典 AI 算力与量子真机资源。开发者可以在统一环境中完成量子线路开发、量子神经网络与量子经典混合模型训练,并将任务提交至真实量子处理器(QPU)进行测量验证。这意味着,量子计算开发可以在平台上贯通开发、计算调度与真机验证。

 

图片

 

一、从 FlagOS 到量智云:把量子开发带到可操作的工作流

量智云的价值,首先体现在它把开发环境和计算资源组织到一起。10月17-18日,2026人工智能开放计算大会暨众智FlagOS技术大会上,北京智源人工智能研究院量子与AI系统融合研究员柳伟带领现场参与者通过量智云平台完成了一系列量子计算实操:从量子线路开发入门,到参数化量子线路与量子神经网络训练,再到量子经典混合模型搭建、不同模拟方式切换,以及向经典算力和真实量子处理器提交任务。

 

图片

 

 

整场演示以 FlagQuantum 为开发框架、以量智云为运行与调度环境,让参与者沿着“构建线路—训练模型—模拟计算—真机测量”的路径,实际走通量子程序开发流程。

  • 量子线路开发基础搭建

基础线路从两个初始状态为 |0⟩ 的量子比特开始。通过 FlagQuantum 创建包含两个量子比特的电路后,先对第 0 个量子比特施加 X 门,将初态 |00⟩ 转换为 |10⟩;再对第 0 个量子比特施加 Hadamard(H)门,使系统形成叠加态;最后以第 0 个量子比特为控制位、第 1 个为目标位施加 CNOT 门,得到贝尔态,测量结果集中在 |00⟩ 和 |11⟩ 两种状态上,理想情况下概率各为 50%。演示通过绘制线路、查看态向量振幅和测量概率,带领参与者逐步核对每一步操作的结果。

这一部分还专门验证了 FlagQuantum 的位序规则。框架采用大端序,量子比特按 q0、q1、q2……的顺序从左向右排列,因此对 q0 施加 X 门后,两个量子比特对应的状态显示为 |10⟩,而不是 |01⟩。理解位序有助于开发者将程序输出与教材中的公式、矩阵表达及理论推导对应起来。通过这些步骤,参与者能够掌握从导入 FlagQuantum、创建电路、添加量子门,到运行程序并查看振幅和概率的基本开发流程。

  • 参数化量子线路与量子神经网络训练

 

图片

在线路开发的基础上,实操进一步进入量子神经网络训练。演示以单量子比特电路为例,使用 RY 旋转门,并将旋转角度设为可训练参数。

FlagQuantum 的模型接口负责管理这一参数,模型通过测量量子比特在 Z 方向上的期望值输出预测结果:测量值 0 对应 +1,测量值 1 对应 −1,最终期望值是按测量概率加权得到的平均值。训练时,参与者设置目标值与损失函数,再使用与 PyTorch 相近的反向传播和优化器更新参数,观察损失逐步下降并趋于收敛。这个过程展示了如何把量子旋转门中的角度转化为模型参数,完成一个最基础的量子神经网络训练闭环。

  • 量子经典混合模型与模拟方式切换

图片

在纯量子模型之后,实操继续搭建量子经典混合模型。流程先准备训练集和测试集,再构建包含 RY 旋转门及可训练参数的量子线路模块,随后将量子模块与 PyTorch 的线性层连接,组成混合模型。训练前先检查反向传播能否正常得到梯度,再通过优化器迭代训练;现场示例共训练 150 步,并观察到均方误差逐步降低、预测结果逐渐接近目标值。参与者由此实际走通了量子层与经典神经网络层衔接、联合训练的基本流程。

为了让同一线路适配不同计算规模,演示还比较了态矢量(State Vector)、矩阵乘积态(Matrix Product States,MPS)和张量网络(Tensor Network)等模拟方式。态矢量模拟能够给出精确结果,但内存开销会随量子比特数增加而指数增长;MPS 将量子态拆分为多个张量,适合处理低纠缠的大规模系统;张量网络则提供更灵活的张量表示。演示通过切换运行配置,在不改写量子线路的情况下使用不同模拟器,并比较它们的计算结果与训练曲线。在小规模示例中,几种方法得到的结果基本一致;不同方法的差异主要体现在可处理的系统规模和适用条件上。

  • 云端任务提交与量子真机测量

完成本地线路构建和模型训练后,实操进一步演示如何把任务提交到量智云的远程算力与量子硬件。开发者可以在 Notebook 中使用 fq.submit() 或 fq.run(),通过 target 参数将任务指向外部执行目标:九鼎工作区(如 jiuding:gpu)用于远程AI算力模拟,Quafu 量子硬件(如 quafu:Baihua)用于真实量子处理器执行,提交真机任务时需设置 shots。fq.submit() 在任务排队期间返回 job 对象,可通过 job.id 获取标识、job.status() 查询状态、job.wait() 阻塞等待完成;fq.run() 则直接等待结果返回。FlagQuantum 本身不按设备名探测具体国产加速器,对 FlagOS 加速器的访问需显式使用 flagos:0 逻辑设备,由 Torch-FL 负责厂商探测与路由。

由于真机与模拟共用同一套提交接口,开发者可以将 Quafu 真机返回的测量 counts 与本地态向量模拟的理想结果直接对照;真实量子硬件存在噪声,两者通常不会完全一致。差异主要来自真实量子设备不可避免的噪声。通过这一环节,参与者不仅完成了量子线路的编写和模拟,也实际体验了从云端提交任务到获取 QPU 测量结果的过程。

从这场演示可以看到,量智云连接的并不只是一个量子计算入口:开发者可以在统一工作空间中完成线路构建与模型训练,选择不同模拟方式,并把任务提交到经典算力或真实量子处理器上。尤其是从理想模拟结果走向真机测量,意味着量子程序开始面对真实设备的运行状态与测量结果。这为量子计算进一步进入具体业务场景提供了技术路径。

 

二、传统随机之痛:算出来的“随机”,难自证“清白”

技术路径打通,并不等于业务问题已经解决。当量子计算被引入公共资源交易等对公平性、过程合规和事后审计要求极高的场景时,业务方真正关心的就不只是“能不能运行”,还包括“数据从哪里来、规则是否事先确定、过程能否追溯、结果能否独立复核”。

接下来,以量子随机数在招投标审计中的应用为例,进一步看看量智云连接真实量子设备的能力,如何与业务规则和审计机制结合,形成一条可核验的证据链。

在公共资源交易,如500名专家抽取7位、暗标随机编码等高敏场景中,“随机”是公平的底线。但传统的伪随机数是由算法和“种子”算出来的,本质上是一种数学映射。一旦种子泄露或算法被掌握,结果就会被提前预知,极易遭受人为操控。

而借助量智云连通的量子真机,量子随机数则是“测出来”的。将量子比特制备成叠加态后测量,理想情况下0和1各占50%,这种物理层面的真随机,事先无法确定,谁也算不出。

但在实际审计中,光看最终结果是远远不够的,审计人员看不出随机数从哪来、规则何时定、抽了几次。为了让量子物理的绝对随机性真正落地为可审计的业务证据,我们需要在量智云等量子基础设施之上,构建一套涵盖“来源可信、规则在先、过程留痕、结果可复算”的完整技术闭环。

 

三、核心架构:四步穿透业务全生命周期

这套技术方案并非停留在理论。在工程化演示中,我们以量智云平台作为统一的开发与调度入口,其底层直接连接了北京量子信息科学研究院的QUAFU量子计算云平台(Baihua超导量子芯片)。系统通过四个关键环节,实现了从抽取随机数到最终名单的严密穿透。

第一步:来源可信,每次取数必须“有据可查”

采用量子随机数,取数这一步本身就会留下坚实的证据。在这次实验中,我们通过北京量子信息科学研究院的QUAFU量子计算云平台,调用真实的超导量子计算机,使用154个量子比特重复制备和测量4096次,一次性获取了630784位原始数据。

 

图片

每次取数在云端都会生成一个独立任务,平台会自动记录下任务编号、提交和完成时间、运行设备和参数,以及返回的原始数据。这些记录全由平台生成并保存,完全不经过业务方之手,确保了数据的绝对客观。审计人员只需将这些记录与最终名单所用的数据相对照,就能精准确认数据是否出自当次任务。

此外,实验还额外进行了2次设备运行对照,在预设测试条件下观察设备的返回情况,作为判断数据来源运行状态的辅助材料,同样与取数任务绑定保存。当然,真实设备不可避免地存在噪声和误差,可能让测量结果偏向0或1。因此,原始数据还需要按照事先确定的方法进行统一处理。

第二步:规则在先,取数前必须锁死“五步程序”

量子随机数在测量之前无人能够预知,但这同时也要求业务的公平性必须建立在“规则前置”的基础上。用哪个平台、测量多少次、数据怎么处理、怎么换算成专家序号,这些关键环节都必须在取数之前定好。只要规则登记在取数之前,就能彻底排除“先看结果、再定规则”的人为操纵可能。

为了将这一原则落地,系统设定了五步严格的程序:

 

图片

首先是前置审查与登记。在取数前,必须完成候选名单、处理参数、换算规则以及异常处置规则的审查与登记。

其次,锁定业务与任务的对应关系。在结果可获取之前,完成业务与任务的登记绑定,并将接收凭据交由独立接收方保存,防止事后篡改。

第三,双阶段数据封存。原始数据在处理前必须封存,处理后的数据在使用前也需封存,同时记录下版本号和校验值,确保数据状态的唯一性。

第四,严格按规则抽取。业务抽取时,系统依照登记好的规则将数据换算成专家序号,遇到重复的自动剔除不再入选,严格按照规则递补,直到选齐7位专家。

最后,授权核对与复算。在符合保密和披露要求之后,由获得授权的审计人员对全过程进行核对和复算。

此外,针对可能出现的失败、取消或重试等特殊情况,系统也要求必须按照预定规则进行处置,确保任何状态的流转都有迹可循、有规可依。

第三步:过程留痕,用“共同编号”串联三方交叉核对

规则定好后提交任务,从取数到生成名单的每一步都必须留下记录。记录被划分为随机源层、处理层、协议层和应用层,分别保存原始数据、处理参数与结果、规则版本与时间,以及最终名单。这四层材料靠“业务编号、任务编号、规则版本、数据段编号”四个共同编号严密串联,同一次抽取的材料一查即中,缺失或矛盾立刻现形。

为确保不可篡改,记录由三方独立保存并交叉核对:量子云平台保存任务清单、原始数据与执行记录;交易中心保存规则版本与实际结果;监督接收端保存绑定凭据与封存时间。审计时,授权人员按权限比对来源完整性、核对时序与版本并独立复算。任何单方篡改都极难与另两方对齐。

 

图片

留痕的关键是“先封存、再处理”。630784位原始数据先封存,经Toeplitz哈希分块处理后保留315392位,并通过了八类共十项随机性检验,显著性水平0.01,确保数据无异常规律。

第四步:结果可复算,出现差异精准查找

这是审计的最后一道关卡。审计时,无需再进行量子测量,只需用封存的原始数据,按照事先登记的方法和参数重新计算即可。

在实测中,三次取数共计946176位数据(每次315392位)。我们用另一套独立程序从封存数据重新计算,逐位一致;封存时的校验值、三类业务的抽取结果及读取记录也均与原记录吻合。以专家抽取为例,复算名单与公布名单完全一致,整个复核过程仅耗时0.49秒。

此外,系统设计了28个正常及异常用例,28个用例全部按预期判定。需说明的是,这属于预设验证,不代表能穷尽实际业务中的所有违规情形。如果复算出现差异,可顺着记录查明原因。

 

图片

四、工程实测:用真实数据验证“量智”效能

目前,这套基于量子随机数的证据链方案,已经经过了严密的工程化验证。

数据质量达标:在3次真实量子取数中,原始数据经处理保留了315392位,均成功通过了全部10项随机性判定,显著性水平0.01。

极速复算与异常识别:面对总计946176位的庞大数据,本次完整复核耗时仅0.49秒,且逐位一致。系统预设的28个异常用例(如更换输入顺序、修改数据、替换结果、改变业务规则),均100%按预期判定。

业务时效性优异:平台执行时间仅需5.7-6.0秒;本地登记至取得结果的完整业务等待时间约为22-23分钟。单批供数容量足以支撑:500人抽取7人,约4900次,或30份技术标随机排序,约2000次。

 

图片

 

五、写在最后

从“算出来”到“测出来”,量子随机数在招投标场景中的实践,是量子计算从技术探索走向真实业务应用的一次具体尝试。它所呈现的,不仅是一套“来源可信、规则在先、过程留痕、结果可复算”的证据链机制,更体现了量子计算与经典计算协同,为传统业务流程带来新的技术思路与实现路径。

而这一实践背后,是 FlagOS 软件底座与量智云平台对量智融合开发和应用流程的支撑。通过连接经典AI算力与真实量子计算资源,整合量子线路开发、量子模型训练、模拟计算和真机任务提交等能力,平台让开发者能够在统一环境中探索不同计算范式的协同方式,也让量子计算从单一的算法验证,逐步走向面向实际问题的开发与应用。

计算技术的演进,不止于算力规模的提升,更在于不同计算体系之间的协同与融合。 随着 FlagOS 生态和量智云平台能力的持续发展,量子计算与经典计算有望在更多科研探索和产业场景中形成互补,为复杂问题求解、智能计算及可信数据应用提供新的可能。从技术底座到开发平台,再到真实业务实践,FlagOS 正与生态伙伴一道,推动量智融合不断走深、走实,探索计算技术服务产业发展的更多边界。

 

关于众智FlagOS社区

为解决不同 AI 芯片大规模落地应用,北京智源研究院联合众多科研机构、芯片企业、系统厂商、算法和软件相关单位等国内外机构共同发起并创立了众智 FlagOS 社区,目前已经有 100多家成员单位。

FlagOS 是一款专为异构 AI 芯片打造的开源、跨芯系统软件栈,支持 AI 模型一次开发即可无缝移植至各类硬件平台,大幅降低迁移与适配成本。它包括大型算子库、跨芯AI 编译器、并行训推框架、跨芯通信库等核心开源项目,致力于构建「模型-系统-芯片」三层贯通的开放技术生态,通过"一次开发跨芯迁移"释放硬件计算潜力,打破不同芯片软件栈之间生态隔离。

 

官网:https://flagos.io

GitHub 项目地址:https://github.com/flagos-ai

GitCode 项目地址:https://gitcode.com/flagos-ai

SkillHub: https://skillhub.flagos.io

Logo

欢迎来到FlagOS开发社区,这里是一个汇聚了AI开发者、数据科学家、机器学习爱好者以及业界专家的活力平台。我们致力于成为业内领先的Triton技术交流与应用分享的殿堂,为推动人工智能技术的普及与深化应用贡献力量。

更多推荐