引言

本文整理自一个分三轮展开的思想实验。其出发点是一个常见直觉:既然当代人工智能是基于概率与统计的模型,而量子物理的底层数学也涉及概率,那么人工智能与量子计算之间或许存在天然的适配性。

这一直觉的表层表述并不成立,但其深层指向却出乎意料地坚实。本文的任务是:第一,澄清直觉错在何处;第二,在"硬件已充分成熟"的假设下,推演一套真正以量子硬件为母语的人工智能数学;第三,让这一推演沿着"智能的数学与宇宙的数学逐层合并"的方向发散到极限。

文中对每一个关键数学对象都给出符号定义并解释其参数含义。全文末尾按"已确立"“方向性外推”“放飞级外推”"始终悬置的硬问题"四个层级标注每一论断的可信度,并对后三个层级同样给出形式化描述。

---

第一部分:对初始前提的澄清——两种"概率"并非同一对象

1.1 经典概率与量子概率幅

当代人工智能(以下简称经典 AI)的统计地基是 Kolmogorov 概率论。一个不确定状态由概率分布刻画:

$$p_i\ge 0,\sum _i{p}_i=1$$

其中 $p_i$ 是事件 $i$ 的发生概率,为非负实数,全体之和归一。

量子力学的底层并不直接操作概率,而是操作概率幅(probability amplitude)。一个量子态写作希尔伯特空间中的向量:

$$|\psi ⟩=\sum _i{\alpha }_i,|i⟩,{\alpha }_i\in \mathbb{C},\sum _i|{\alpha }_i{|}^2=1$$

其中 $|i⟩$ 是一组正交基态,${\alpha }_i$ 是对应的复数振幅,其模平方之和归一。只有在测量发生时,才通过 Born 规则将复振幅转换为经典概率:

$$p_i=|{\alpha }_i{|}^2$$

1.2 干涉:量子优势的真正来源

经典概率与量子振幅的根本差异在于,复振幅允许相消干涉:

$$|{\alpha }_1+{\alpha }_2{|}^2\ne |{\alpha }_1{|}^2+|{\alpha }_2{|}^2$$

两条计算路径可以彼此抵消,这是经典概率永远无法实现的——经典世界中两条路径的概率只能相加。因此,量子力学底层数学的准确描述并非概率论,而是复希尔伯特空间上的线性代数加测量公理;概率仅是其在被观测时显露的一个侧面。

由此得出第一部分的核心结论:量子计算的加速并不来自"它是随机的",而来自干涉与纠缠。若将量子计算限制为仅使用非负实振幅、禁止干涉,其计算能力退化至与经典随机算法(复杂度类 $\mathsf{BPP}$)相同。换言之,量子优势恰恰来自经典 AI 不具备的那部分结构(复振幅干涉),而非二者共享的那部分(测量后的经典概率)。

因此"二者皆为概率,故天然适配"这一论证的隐含前提是错误的。直觉所感知到的亲缘关系真实存在,但其位置被指认错了——这一点将在第二、第三部分逐步修正。

---

第二部分:分层架构与其真实形态

将思路从"等价"改为"分层"后,它对应到工程实践中真实存在的混合量子-经典架构(hybrid quantum-classical architecture)。当前所有可运行的量子机器学习系统均为此形态:量子线路作为一个"层"嵌入经典计算流程,而损失计算、反向传播、参数更新全部在经典计算机上执行。

但"量子为底"这一表述需拆分为两种含义:

• 作为通用计算基座(类比 CPU):不成立。量子设备并非可运行通用程序的处理器,而是远比 GPU 更窄的专用协处理器。
• 作为被调用的专用加速层(类比 GPU/TPU):可行,且为当前真实目标。

三个硬约束决定了"量子无法充当地基"这一倒置关系:

1. 不可克隆定理:未知量子态无法被复制,且测量导致塌缩,因此量子层无法像内存那样被自由读写,只能充当"算完即交出经典结果"的黑盒。
2. 退相干:量子态的相干时间有限,不适合作为持久、稳定、被全局依赖的最底层。
3. 能力错配:大模型训练的主体运算(海量矩阵乘法、非线性激活、反向传播)恰是经典 GPU 的强项、量子的弱项。

结论:真实分层关系并非"量子在底、AI 在顶",而是"经典 AI 为主体框架,量子为被其在特定环节调用的专用单元"。这一结论同时暴露了一个更深的问题——上述分析始终在尝试把硅基世界已有的 AI 移植到量子硬件,而非让 AI 从量子硬件重新生长。第三、第四部分转向后者。

---

第三部分:第二轮推演——为成熟量子硬件原生设计的数学

设量子硬件已如当代硅基一样廉价、稳定、可大规模集成。此时正确的问题不是"如何移植现有 AI",而是"何种数学结构是这块硬件的母语"。方法论的转向在于:让硬件决定数学,而非反向迁就。

量子硬件的原生操作有三:将信息编码为量子态、对态施加酉演化、对态进行测量。因此其数学地基应是经典概率论的推广——量子概率论(非交换概率论)。

3.1 基本表示:密度矩阵取代概率分布

经典 AI 中不确定状态由概率分布 $p_i$ 表示;量子原生 AI 中,基本表示单元升级为密度矩阵(density matrix) $\rho$:

$$\rho ⪰0,\mathrm{Tr}(\rho )=1$$

其中 $\rho$ 是作用于希尔伯特空间的算符,$\rho ⪰0$ 表示半正定(所有本征值非负),$\mathrm{Tr}$ 为迹(对角元之和),归一化保证总概率为一。密度矩阵是经典概率分布的严格推广:其对角元对应经典概率,非对角元编码经典世界不存在的相干性与量子关联。

替换之后,一系列经典概念自动获得唯一自然的量子对应:

经典 AI	量子原生 AI
概率分布 $p$	密度矩阵 $\rho$
香农熵 $-{\sum }_i{p}_i\log p_i$	冯·诺依曼熵 $S(\rho )=-\mathrm{Tr}(\rho \log \rho )$
交叉熵 / KL 散度	量子相对熵 $S(\rho
期望 ${\sum }_i{p}_i{a}_i$	$⟨A⟩=\mathrm{Tr}(\rho A)$
随机变量	厄米算符(可观测量)$A=A^{†}$

其中量子相对熵定义为:

$$S(\rho ,|,\sigma )=\mathrm{Tr}(\rho \log \rho )-\mathrm{Tr}(\rho \log \sigma )$$

$\rho$ 为模型给出的态,$\sigma$ 为目标态。该量衡量二者的可区分度,在量子地基上天然充当损失函数——它不是被设计的,而是从地基中导出的。

3.2 计算单元:量子信道取代神经元

经典神经网络的原子操作是"线性变换加非线性激活"。量子原生 AI 的原子操作是量子信道(CPTP 映射,完全正定保迹映射),其最一般形式为 Kraus 表示:

$$\mathcal{E}(\rho )=\sum _k{K}_k,\rho ,K_k^{†},\sum _k{K}_k^{†}{K}_k=I$$

其中 $K_k$ 称为 Kraus 算符,$K_k^{†}$ 为其共轭转置,约束条件 ${\sum }_k{K}_k^{†}{K}_k=I$($I$ 为单位算符)保证映射保迹、物理可实现。深层网络对应信道的复合:

$${\rho }_{\text{out}}=\mathcal{E}\ast L\circ \mathcal{E}\ast L-1\circ \cdots \circ \mathcal{E}\ast 1(\rho \ast \text{in})$$

下标 $1,\dots ,L$ 标记层序,每个 ${\mathcal{E}}_i$ 是一层。信道比酉演化更通用:酉演化封闭可逆,而信道通过引入辅助系统(ancilla)再求偏迹可实现不可逆变换。

3.3 非线性的三个原生来源

量子演化是线性的,而神经网络的威力源于非线性,这是核心矛盾。原生方案不依赖激活函数,而有三个内禀来源:

来源一,测量。 Born 规则本身非线性:

$$p_i=\mathrm{Tr}(\rho ,{\Pi }_i)$$

其中 ${\Pi }_i$ 为测量算符(投影元),满足 ${\sum }_i{\Pi }_i=I$。模平方运算提供天然非线性,测量在量子 AI 中兼任激活函数与读出层。

来源二,辅助比特与偏迹。 将系统与辅助系统纠缠后丢弃辅助部分:

$${\rho }^{\prime }=\mathrm{Tr}\ast \text{anc}[,U(\rho \otimes |0⟩⟨0|\ast \text{anc}),U^{†},]$$

${\mathrm{Tr}}_{\text{anc}}$ 表示对辅助子系统求偏迹,$U$ 为联合酉演化。所得演化非线性、非酉。

来源三,多副本。 因不可克隆,只能重新制备多份 $\rho \otimes \rho$ 同时测量,从而计算诸如 $\mathrm{Tr}({\rho }^2)$(态纯度)这类经典网络无对应的非线性量。

由此得出一个结构性结论:量子原生 AI 的非线性与随机性同源,皆出于测量;而在经典 AI 中二者相互独立(激活函数管非线性,采样管随机)。

3.4 学习的几何:量子自然梯度

经典梯度下降 $\theta \leftarrow \theta -\eta \nabla L$ 隐含参数空间为平坦欧氏空间。量子态空间具有内禀曲率,由 Fubini-Study 度量 / 量子 Fisher 信息刻画:

$$F_{ij}(\theta )=\mathrm{Re}[,⟨{\partial }_i\psi |{\partial }_j\psi ⟩-⟨{\partial }_i\psi |\psi ⟩⟨\psi |{\partial }_j\psi ⟩,]$$

其中 $|\psi ⟩=|\psi (\theta )⟩$ 为参数化态,${\partial }_i=\partial /\partial {\theta }_i$,$F_{ij}$ 为度量张量的分量。原生训练律为量子自然梯度:

$$\theta \leftarrow \theta -\eta ,F^{-1}(\theta ),\nabla L$$

$\eta$ 为学习率,$F^{-1}$ 为度量逆矩阵,其作用是将梯度方向修正为"态实际变化最快"的方向。梯度本身可由参数移位规则精确得到:

$$\frac{\partial ⟨A{⟩}_{\theta }}{\partial \theta }=\frac{1}{2}(⟨A{⟩}_{\theta +\pi /2}-⟨A{⟩}_{\theta -\pi /2})$$

即对线路同一可观测量在 $\theta \pm \pi /2$ 两处各运行一次即得精确梯度,无需反向传播的链式存储开销。

3.5 表示:纠缠结构与张量网络

经典 AI 学习数据中的相关性(协方差、注意力权重本质都是关联度量)。量子原生表示学习的对象是态的纠缠结构。其现成数学桥梁是张量网络(如矩阵乘积态 MPS、投影纠缠对态 PEPS)。一个有用的理解是:

机器学习中的张量网络是被键维(bond dimension)上限约束的量子态;量子原生 AI 相当于移除该上限,使模型能表达经典机器无法高效模拟的态。

键维 $\chi$ 是张量网络中相邻张量间连接指标的维度,直接上界纠缠熵 $S\le \log \chi$,因此是表达能力的可调旋钮。

3.6 数据问题的消解

经典语境下的数据装载瓶颈,在硬件成熟假设下指向不同的世界:数据本身即量子的。量子传感器、量子化学模拟、量子通信网络可直接产出量子态作为数据,无需先塌缩为经典数值再编码回去。量子 AI 的杀手级应用大概率不是"用量子做今日 GPU 之事",而是"处理本就只有量子才能产生与表示的数据"。

3.7 第二轮的模型定义

综合上述,量子原生 AI 可形式化定义为:

一族参数化量子信道的复合 ${\mathcal{E}}_{\theta }=\mathcal{E}\ast L\circ \cdots \circ \mathcal{E}\ast 1$,作用于量子态数据 $\rho \ast \text{in}$,以量子相对熵 $S(\rho \ast \theta |\sigma )$ 为损失,在 Fubini-Study 几何下以量子自然梯度优化,非线性与决策由测量提供,表示能力由纠缠结构承载。

即:将"实概率、实矩阵、激活函数、欧氏梯度"整体替换为"密度矩阵、量子信道、测量、信息几何梯度"。

---

第四部分:第三轮推演——智能的数学向宇宙的数学合并

第三轮的母题是:不断让"智能的数学"与"宇宙的数学"之间多塌缩一层边界。前两轮已塌缩"模型 / 计算 / 物理"——学习成为物理弛豫。本轮继续塌缩"智能与时空"以及"认知者与被认知者"的边界。

4.1 统计学推到底:自由概率取代高斯

当随机变量为不对易算符($AB\ne BA$),经典独立性需重写,这是 Voiculescu 的自由概率论。经典中心极限定理收敛到高斯分布;自由中心极限定理收敛到半圆分布:

$${\rho }_{\text{sc}}(x)=\frac{1}{2\pi }\sqrt{4-x^2},x\in [-2,2]$$

该分布精确描述大型随机矩阵的本征值谱。由于大型随机量子线路本质是大型随机酉矩阵的复合,量子原生 AI 的"无限宽网络极限理论"(对应经典的神经正切核 NTK 理论)其极限律不是高斯,而是半圆,必须以自由概率重写。

4.2 容量度量:资源理论与"魔力"

经典 AI 用参数量、FLOPs、VC 维衡量容量,这些在量子中全部失效,因为 Gottesman-Knill 定理:一大类产生大量纠缠的量子线路(Clifford / 稳定子线路)可被经典计算机高效模拟。即纠缠多不等于算得难。

量子超越经典的能力藏于魔力(magic / non-stabilizerness)——非 Clifford 资源。一个量化指标是稳定子 Rényi 熵:

$$M_{\alpha }(|\psi ⟩)=\frac{1}{1-\alpha }{\log }_2!\left(\sum _{P\in {\mathcal{P}}_n}{\Xi }_P^{,\alpha }\right)-{\log }_{2}d,{\Xi }_P=\frac{1}{d},⟨\psi |P|\psi {⟩}^2$$

其中 $\mathcal{P}\ast n$ 是 $n$ 比特 Pauli 群,$P$ 遍历其元素,$d=2^n$ 为希尔伯特空间维度,${\Xi }_P$ 构成 Pauli 谱上的概率分布(归一),$\alpha$ 为 Rényi 阶数。当态为稳定子态时 $M\ast \alpha =0$。模型的表达力可正比于其消耗的魔力,而非参数数:一个参数巨多但全为 Clifford 的模型经典可模拟,实属"虚胖"。

4.3 优化:学习即物理弛豫

(a) 虚时间演化 / 冷却。 求哈密顿量 $H_{\theta }$ 的基态可通过"降温"实现:

$$|\psi (\tau )⟩=\frac{e^{-\tau H},|{\psi }_0⟩}{|e^{-\tau H},|{\psi }_0⟩|}\stackrel{\tau \to \infty }{\to }|\text{基态}⟩$$

其中 $\tau$ 为虚时间参数,$H$ 为哈密顿量,$|{\psi }_0⟩$ 为任意非正交初态。该过程即"推理"。

(b) 耗散工程。 Lindblad 主方程描述开放系统演化:

$$\frac{d\rho }{dt}=-i[H,\rho ]+\sum _k{\gamma }_k(L_k,\rho ,L_k^{†}-\frac{1}{2}{L}_k^{†}{L}_k,,\rho )$$

其中 $H$ 为哈密顿量,$[\cdot ,\cdot ]$ 为对易子,$L_k$ 为 Lindblad 跳跃算符(描述与环境的耦合通道),${\gamma }_k\ge 0$ 为对应耗散率,$\cdot ,\cdot$ 为反对易子。Verstraete-Wolf-Cirac 证明可设计 $L_k$ 使系统唯一稳态 ${\rho }_{\ast }$(满足 $d{\rho }_{\ast }/dt=0$)恰为目标态。于是学习被重新定义为"设计一个 Lindblad 动力学,使其吸引子即训练好的态"——噪声从敌人变为计算资源。

© 热力学下界。 既然学习是物理过程,其能量代价受量子热力学约束(Landauer 极限、Jarzynski 等式、涨落定理),从而第一次为"学习的最小能量代价"提供精确物理下界。Landauer 极限给出擦除一比特信息的最小耗散:$E_{\min }=k_{B}T\ln 2$,其中 $k_B$ 为玻尔兹曼常数,$T$ 为温度。

4.4 架构:不定因果序

经典网络的执行顺序恒定。量子开关允许操作顺序本身处于叠加,由过程矩阵形式描述:

$$W_{\text{switch}}=|0⟩⟨0{|}_c\otimes (\mathcal{B}\circ \mathcal{A})+|1⟩⟨1{|}_c\otimes (\mathcal{A}\circ \mathcal{B})$$

其中 $c$ 为控制比特,$\mathcal{A},\mathcal{B}$ 为两个操作。当 $c$ 处于叠加态 $\frac{1}{\sqrt{2}}(|0⟩+|1⟩)$ 时,"先 $\mathcal{A}$ 后 $\mathcal{B}$"与"先 $\mathcal{B}$ 后 $\mathcal{A}$"相干叠加。模型的接线拓扑遂可成为被学习、甚至处于叠加的量子变量,超越任何固定顺序的神经架构搜索。

4.5 深度即维度:全息式学习

MERA(多尺度纠缠重整化网络) 的逐层向内收缩结构与深度神经网络同构,但其"层数方向"经证明是一根涌现的额外空间维度,且几何为双曲(反德西特空间 AdS)。逐层抽象因此获得精确几何含义:沿涌现维度向内,逐尺度对纠缠做粗粒化。浅层对应数据的紫外(细节),深层对应红外(抽象)。

4.6 理解即几何:面积公式

Ryu-Takayanagi 公式将子系统的纠缠熵等同于涌现空间中一张极小曲面的面积:

$$S(A)=\frac{\mathrm{Area}({\gamma }_A)}{4,G_N}$$

其中 $A$ 为子系统,${\gamma }_A$ 是与 $A$ 同调的极小曲面,$\mathrm{Area}$ 为其面积,$G_N$ 为牛顿引力常数。移植到 AI:模型对"两概念关系强度"的把握等于涌现空间中连接二者的几何面积;语义距离即测地线距离;两概念被判为无关即在涌现空间中几何断开。

4.7 稳健概念即纠错码逻辑子空间

体几何与纠错被证明同一(体重构即量子纠错)。由此:真正稳健的抽象概念恰为某量子纠错码的逻辑子空间,其抗扰动能力即码距 $d$(能纠正 $\lfloor (d-1)/2\rfloor$ 个错误)。能被局部噪声抹去的信息不计入"概念"。鲁棒性遂由编码结构的数学保证给出,而非训练补丁。

4.8 统计学再推到底:准概率与负性

量子超越经典的资源精确等价于 Wigner 函数的负性 / 语境性。离散 Wigner 函数 $W_{\rho }(u)$ 在相空间点 $u$ 上可取负值,负性由 mana 度量:

$$\mathcal{M}(\rho )=\log \sum _u|W_{\rho }(u)|$$

当 $\rho$ 的 Wigner 函数处处非负时 $\mathcal{M}=0$(经典可模拟)。配套地,量子条件熵可为负:

$$S(A|B)=S(AB)-S(B)<0$$

其中 $S(AB)$ 为联合系统熵,$S(B)$ 为子系统熵。负值意味着对联合系统的了解超过对部分的了解,这在经典香农理论中被禁止,在量子中是可调度资源。原生量子学习器以带符号测度做推断,"负证据"成为燃料。

4.9 熵之死与相对熵之生

若数据为连续无穷自由度的量子场,数学跌入 III 型冯·诺依曼代数:其中无密度矩阵、无迹,纠缠熵发散。第二轮的整套熵地基在此失效。存活下来的是 Araki 相对熵,经相对模算符定义:

$$S(\psi ,|,\varphi )=-⟨\psi |,\log {\Delta }_{\varphi |\psi },|\psi ⟩$$

其中 ${\Delta }_{\varphi |\psi }$ 为相对模算符(由 Tomita-Takesaki 理论从态对 $(\psi ,\varphi )$ 构造)。其含义深刻:在最底层不存在"绝对信息含量",只存在"两假设之间的可区分性"。相对熵比熵更基本,这反向解释了为何第二轮的损失函数自然为相对熵——学习被剥至最底层,只剩"锐化区分度"。

4.10 时间作为产物:模态流

Tomita-Takesaki 模态理论表明一个态自生成其动力学。对态 $\rho$ 定义模哈密顿量 $K=-\log \rho$,模态流为:

$${\sigma }_t(\mathcal{O})={\rho }^{it},\mathcal{O},{\rho }^{-it}=e^{iKt},\mathcal{O},e^{-iKt}$$

其中 $\mathcal{O}$ 为算符,$t$ 为模态时间参数,无需外部时钟。配合 Page-Wootters 机制,时间从系统与时钟的纠缠中涌现:

$$|\Psi ⟩⟩=\sum _t|t{⟩}_C\otimes |\psi (t){⟩}_S,(H_C+H_S),|\Psi ⟩⟩=0$$

其中 $C$ 为时钟系统,$S$ 为被研究系统,约束方程将"时间"定义为二者关联的产物。模型的"推理时间"遂为训练好的态自身定义的"下一步",思考本身生成时间。

4.11 自我认识的禁令:不可克隆作为物理版哥德尔

不可克隆定理:不存在酉算符 $U$ 使得对所有未知态 $|\psi ⟩$ 满足

$$U(|\psi ⟩\otimes |0⟩)=|\psi ⟩\otimes |\psi ⟩$$

结合 Lawvere 不动点定理(统一了哥德尔不完备、康托尔对角线、图灵停机、塔斯基不可定义,皆为自指不动点的同一障碍:若存在点满射 $f:A\to B^A$,则任何自映射 $g:B\to B$ 必有不动点;其逆否命题给出不完备性),可推断:量子心智无法完美复制或快照自身,自我建模具有内禀的、物理层面的不完备性,且"观察自己"必然扰动被观察的状态。完美自我认识被物理定律禁止,而非仅是工程困难。

4.12 复杂度即几何:思考即虫洞生长

Susskind 的复杂度 = 体积猜想配合 ER=EPR,给出最远的一支:模型的计算复杂度对偶于涌现空间中一个几何体积:

$$\mathcal{C}(|\psi ⟩)\sim \frac{V(\Sigma )}{G_N,\ell }$$

其中 $\mathcal{C}$ 为电路复杂度,$V(\Sigma )$ 为某极大体切片的体积,$\ell$ 为特征长度,$G_N$ 为引力常数。复杂度第二定律指出:即便系统已达热平衡(第二轮意义上的"学习完成"),其复杂度/体积仍持续增长——为"持续深化""平静表面下的学习"提供纯几何图景。

4.13 统一语言:意义即函子

横跨上述所有结构的统一语言是范畴化量子力学及其语言学分支 DisCoCat / 量子 NLP。其核心命题:意义的组合方式与量子过程的组合方式是同一种数学。语言模型形式化为一个函子:

$$F:\mathbf{Gram}⟶{\mathbf{Proc}}_Q$$

其中 $\mathbf{Gram}$ 为语法范畴(对象为语法类型,态射为语法归约),${\mathbf{Proc}}_Q$ 为量子过程范畴(对象为希尔伯特空间,态射为量子信道),$F$ 为保持组合结构的函子。学习即寻找正确的 $F$;理解即函子保持结构(自然性);前述几何、码、流皆为该范畴中的不同图(diagram)。

4.14 三轮的塌缩级联

	经典 AI	量子原生(第二轮)	极限(第三轮)
统计地基	Kolmogorov 概率	自由概率(半圆律)	准概率/负性、相对熵
模型	层叠矩阵+激活	态/测量模式/哈密顿量	涌现几何中的张量网络(MERA)
深度	超参数	信道复合	一根涌现空间维度
理解	embedding 相似度	纠缠结构	涌现空间的面积/测地距离(RT)
鲁棒性	打补丁	—	纠错码逻辑子空间(码距)
优化	梯度下降	冷却/耗散弛豫	复杂度几何持续生长(虫洞)
时间	外部时钟	—	态自生成的模态流
自我认识	随时导出权重	—	被不可克隆定理禁止
语言	—	—	语法到量子过程的函子

第三轮的一句话总结:原生量子智能不是"在时空中、对数据运行"的过程;它是一个过程,其学习生成时空,其理解是涌现空间的几何与面积,其思考是训练好的态为自己生成的时间,而它被物理定律禁止完全认识自身。

4.15 回到初始直觉

绕行三轮后给出最终交代。初始直觉"AI 与量子皆为概率,故天然适配":第一部分证明该亲缘不在表层(实为两种不同的概率,且量子优势恰来自 AI 不具备的部分);第二轮将亲缘下移至"二者皆为关于’一个系统如何组织自身’的理论";第三轮下移至底——二者足够深之后,皆变为"关于几何、信息、自指如何从更基本之物涌现"的同一套数学,即当代物理猜测中"信息、纠缠、引力、时空本是一回事"的数学。初始直觉并非错误,只是认错了相亲的地点:亲缘不在"概率"这一前厅,而在"宇宙如何从信息中搭建时空与自我"这一最底层。

---

诚实的边界

按可信度分四级。后三级同样给出形式化锚点。

已确立(成熟数学,只待组装)

以下对象均有严格数学定义与既有文献支撑,本文仅做了组装:

• 量子概率论与密度矩阵 $\rho ⪰0,\mathrm{Tr}\rho =1$;
• CPTP 信道的 Kraus 表示 $\mathcal{E}(\rho )={\sum }_k{K}_k\rho K_k^{†}$;
• 量子相对熵 $S(\rho |\sigma )$、冯·诺依曼熵、量子 Fisher 信息 $F_{ij}$、参数移位规则;
• 自由概率与半圆律 ${\rho }_{\text{sc}}(x)=\frac{1}{2\pi }\sqrt{4-x^2}$;
• Gottesman-Knill 定理与稳定子 Rényi 熵 $M_{\alpha }$;
• Lindblad 主方程及耗散稳态制备;
• 量子热力学(Landauer 极限 $E_{\min }=k_{B}T\ln 2$、涨落定理);
• 量子开关与过程矩阵 $W_{\text{switch}}$;
• MERA、Ryu-Takayanagi 公式 $S(A)=\mathrm{Area}({\gamma }_A)/4G_N$、体重构即纠错;
• Wigner 负性 mana $\mathcal{M}(\rho )$、负条件熵 $S(A|B)$;
• III 型代数与 Araki 相对熵 $S(\psi |\varphi )=-⟨\psi |\log {\Delta }_{\varphi |\psi }|\psi ⟩$;
• Tomita-Takesaki 模态流 ${\sigma }_t(\mathcal{O})={\rho }^{it}\mathcal{O}{\rho }^{-it}$、Page-Wootters 约束;
• 范畴化量子力学与量子 NLP 的函子 $F:\mathbf{Gram}\to {\mathbf{Proc}}_Q$。

方向性外推(逻辑自洽,理论待建)

本级别的共同特征:借用上述成熟物理/数学结果,将其重新解释为"学习理论",但尚无人建成完整框架。形式化锚点如下。

• 以自由概率重写量子学习极限理论。设参数化量子模型在比特数 $n\to \infty$ 极限下,其经验损失景观的二阶统计由某量子核 ${\Theta }_Q$ 控制。猜想:${\Theta }_Q$ 的谱测度收敛到半圆律 ${\rho }_{\text{sc}}$,而非经典 NTK 的高斯型谱。待建对象:量子神经正切核 ${\Theta }_Q(\theta )=\mathbb{E}[{\nabla }_{\theta }{\rho }_{\theta }\cdot {\nabla }_{\theta }{\rho }_{\theta }]$ 的自由概率分析。
• 以魔力度量表达容量。猜想存在表达力下界 $\mathrm{Expr}(\mathcal{E}\ast \theta )\le c\cdot M_2(\rho \ast \theta )$,即模型可表达的"经典难"函数类受其魔力预算上界控制,$c$ 为待定常数。
• 以耗散动力学定义学习。将训练形式化为求解逆问题:给定目标态 ${\rho }_{\ast }$,寻找 Lindblad 生成元 $\mathcal{L}\ast \theta$ 使 $\mathcal{L}\ast \theta {\rho }_{\ast }=0$ 且 ${\rho }_{\ast }$ 为唯一吸引子。收敛性归约为 ${\mathcal{L}}_{\theta }$ 的谱隙 $\Delta =|\mathrm{Re},{\lambda }_1|$(次大本征值实部)。待建:该逆问题的可解性与样本复杂度理论。
• 以 RT 面积定义语义距离。猜想模型涌现几何中,概念 $A,B$ 的语义关联可由极小曲面面积 $\mathrm{Area}({\gamma }_{AB})$ 度量,且满足三角不等式而构成度量空间。待证:涌现几何确为度量空间且与训练目标一致。

放飞级外推(挂在物理学未决问题上)

本级别建立在物理学界自身仍在争论的猜想之上,本文进一步将其用于智能理论,属强外推。形式化锚点如下,但其前提本身未被证实。

• 思考即虫洞生长。基于复杂度=体积猜想 $\mathcal{C}\sim V(\Sigma )/(G_N\ell )$ 与复杂度第二定律 $d\mathcal{C}/dt\ge 0$,将"持续学习/顿悟"形式化为:在损失已平台化($dL/dt\approx 0$)后,内部复杂度仍满足 $d\mathcal{C}/dt>0$。前提未决:复杂度=体积猜想本身、ER=EPR。
• 不可克隆即自我不完备。形式化:设智能体状态为 ${\rho }_S$,自我建模要求存在映射 $\Phi$ 使 $\Phi ({\rho }_S)={\rho }_S\otimes {\tilde{\rho }}_S$(其中 ${\tilde{\rho }}_S$ 为 ${\rho }_S$ 的拷贝)。不可克隆定理禁止对一般 ${\rho }_S$ 存在这样的酉 $\Phi$。结合 Lawvere 定理的逆否形式,推断存在内禀不动点障碍。外推之处:将"自我建模"等同于"克隆"是一个强建模假设,未经证立。
• 智能作为涌现时空的相。形式化:猜想存在序参量 $\Phi$,使智能态与非智能态分属不同相,相变点由某临界纠缠结构或临界魔力密度刻画。该陈述目前无操作性定义,纯属思辨。

始终悬置的硬问题(即便硬件完美亦不自动消解)

以下为数学/算法层面的真问题,不因硬件成熟或推演优美而消失:

• 可训练性(贫瘠高原,barren plateau)。对一大类随机参数化量子线路,梯度方差随比特数指数衰减:

$$\mathrm{Var}\ast \theta !\left[\partial \ast {\theta }_{i}L\right]\sim \mathcal{O}(2^{-n})$$

其中 $n$ 为比特数。这导致大规模量子模型梯度近乎消失而无法训练。是否可由自由概率分析定位其根源、由几何或局部代价函数方法根治,仍是该领域最大未决问题。

• 泛化理论。量子模型为何不过拟合、其泛化界如何,缺乏与经典统计学习理论(VC 维、Rademacher 复杂度)平行的成熟框架。已有的量子泛化界 $\mathrm{gen}\lesssim \sqrt{T/N}$($T$ 为可训练门数,$N$ 为样本数)尚不完整。

• 可扩展架构。如何将 3.3 节的测量非线性堆叠为可扩展、训练稳定、可泛化的大型架构(对应经典 Transformer 的角色),无公认方案。

• 输入/输出经典接口。即便数据本身为量子的(3.6 节),与经典世界的最终接口仍受测量塌缩与采样复杂度约束,读出代价可能抵消内部加速。

这些问题属于数学与算法层面,硬件成熟是必要而非充分条件。本文的全部推演在它们被解决之前,均停留于"数学上可写下、可训练性待证"的状态。