实用化量智融合算力赋能医药研发：玉盘软硬件融合实践

引言

新药研发的典型特征是研发周期长（平均10-15年）、单药成本高（超过10亿美元）、失败率极高，约 90% 进入临床试验的候选分子最终未能上市。主要原因在于代谢、毒性或结合效能等问题往往要到研发中后期才暴露，导致前期投入全部清零，造成巨大的资源浪费。

近年来，AIDD（AI-Driven Drug Discovery，AI驱动药物设计）显著提升了药物研发效率，却难以突破分子与靶点相互作用中基态能量、结合自由能、反应路径等微观量子行为的精准模拟这一本质瓶颈。

在此背景下，Q-AIDD（量智融合驱动药物设计）正在重塑医药研发的未来。

研发范式转变：从“实验科学”到“数据智能驱动”

过去，医药研发主要依托实验室“湿实验”开展大量试错，被视为典型的“实验科学”。AlphaFold等AI工具为理解疾病机制提供了高精度“蓝图”，大幅缩短了新药研发前期周期。2024年诺贝尔化学奖首次授予AI科学家，以表彰AlphaFold“利用AI从氨基酸序列精确预测蛋白质三维结构，彻底改变了生命科学研究范式”。谷歌Cloud Life Sciences（AlphaFold+TPU）与英伟达BioNeMo（AI工具链+GPU）正将其在算力软硬件生态优势全面注入医药领域，加速这一转变。

然而，AI本质属于基于现有数据统计拟合与高效筛选，仍存在难以突破的量子尺度精度瓶颈：

• 依赖数据，无实验数据就无法有效预测，也无法推演未知量子规律；

• 难以解析本质，药物作用核心是微观电子结构量子相互作用，属量子物理底层原理，AI难以从数据中稳定学习这类高度复杂度物理规律；

• 精度有上限，训练数据多源于经典计算近似的结果，存在系统误差，基于这类数据训练的AI在精度上难以超越经典计算本身的边界。

为了弥补经典AI科学计算（“干实验”）精度不足，行业当前主流方案是 “干湿闭环”，即AI预测出一批候选分子，然后用自动化的机器人湿实验去快速筛选、验证，把失败的结果反馈给AI，再进行下一轮迭代。

这种模式本质上是通过实验数据反馈不断改进AI模型，但无法从根本上解决 “为什么算不准” 的物理问题，而是通过更多实验来弥补经典计算局限，用海量的实验数据来迭代AI 模型，极大地推高了研发的硬件及运营成本。

产业结构重塑：从“数据驱动”迈向“物理驱动”

经典 AI 需要依赖大量的实验数据来学习规律。而量子计算机可以在特定模型和近似下，更直接的表示和演化量子系统，模拟分子的电子结构。这意味着，在较少依赖经验数据的情况下，基于物理模型的预测能力，量子计算机也能精确预测出分子的性质、结合能和反应路径，这有望在部分关键决策环节提高预测的可靠性和置信度。

量子计算的核心优势：解决AIDD的精度瓶颈

• 天然物理契合：量子计算机本身就是量子系统，在模拟分子电子结构时具有根本性的“语言”一致性。

• 特定问题上的算法优势：利用量子相干性，在某些经典算法面临指数级困难的问题上（如强关联电子结构）能提供根本性的算法优势。

• 攻克强关联难题：特别擅长精确计算活性位点的电子强关联效应，这些是药物特异性与催化机制的核心决定因素。

• 减少湿实验依赖：在虚拟环境中快速筛选、验证候选方案，大幅降低试剂消耗和研发周期，同时提升成功率。

量子计算并非要取代 AI，而是与 经典AI 形成优势互补的 “量智融合”（Quantum-AIDD）新范式。

• 量子负责高精度模拟：量子计算机负责处理那些经典算力搞不定的强关联电子结构计算，生成高保真的物理数据。

• AI 负责高效探索：AI 则利用这些高质量的 “黄金标签” 数据，进行高效的化学空间搜索和分子优化。

全球头部药企全面提速量子布局

随着生成式AI在药物研发领域的应用逐渐趋于成熟，全球顶尖药企、实验室正加速开启量子计算这一全新领域：

• 安进参与了Quantinuum的多轮战略股权融资并在量子计算应用领域展开合作；

• 默克自2019年起先后与HQS Quantum Simulations合作评估量子化学计算软件，并曾与Rahko共同研发量子机器学习在新药研发中的应用；

• 诺和诺德（Novo Nordisk）成为全球最大专注量子技术的风险投资基金——55 North 的基石投资者。

量子算力不再是“未来概念”，而是生物医药行业共识中的即将交付的关键工具。

量智融合计算架构（Hybrid Quantum-Classical Architecture）是当前最务实、也是产业界最广泛采纳的技术路径，这一架构的工业实现正在快速成熟。

• Quantinuum于2025年推出的QIDO平台（与Mitsui和QSimulate共同开发），将经典计算化学软件QSP Reaction与量子计算软件InQuanto相集成，构建了面向反应路径探索、催化剂及酶设计的统一工作流程。

• IonQ、AstraZeneca、AWS 与 NVIDIA 于2025年开展多方合作，整合 IonQ 离子阱处理器、AWS 量子服务及 NVIDIA GPU，在药物合成关键反应（如 Suzuki-Miyaura 交叉偶联）的量子加速模拟中实现了20倍的端到端时间加速。

• IBM的“以量子为中心的超级计算”采用Quantum System Two模块化架构，将量子处理器与经典CPU/GPU基础设施进行集成，其Qiskit Nature软件包为VQE、QPE等算法提供了完整的实现方案。

图 | IBM“以量子为中心的超级计算”工作流（来源：IBM）

玉盘软硬件融合设计创新实践

当前NISQ阶段，量子原型机仍面临噪声大、有效算力不足、工程化程度低等问题，难以直接适配医药产业高频迭代的真实研发场景。

玉盘以面向“实用化”场景架构算法先行、“工程化”软件定义自研硬件的方式，构建从算法架构到全栈硬件底座的原生量智融合体系，为医药研发注入可落地的量子级精度能力。

1、面向“实用化”场景系统架构算法先行

当前AI模型（如AlphaFold）更多关注的是分子结构层面的预测，并不直接处理电子结构；而经典计算化学方法（如FEP）在过渡金属强关联体系上，往往存在明显的精度挑战。这两类能力之间的空白，正是玉盘切入的环节——面向含过渡金属和强关联电子结构的药物靶点，提供传统方法难以稳定处理的高精度量子-经典计算能力。

目前，玉盘以AI智能降维为核心策略，结合电路切割、结构精化算法等工程化技术，将NISQ时代深度算法的复杂性转化为可控的量子-经典混合计算流程。在显著降低硬件资源需求的同时，已实现化学精度级别的计算结果：玉盘已在FeP基准测试及典型药物代谢酶体系上（如CYP3A4含铁强关联体系），完成多分子规模的计算验证，在选定体系中达到化学精度水平，尤其是在经典方法难以稳定处理的过渡金属体系上。

同时，玉盘已在经典模拟环境下跑通自主构建的量子-经典混合计算的完整方法学流程，为后续在真实量子硬件上的工程化迁移建立了基准标尺。

2、“工程化”系统定义自研硬件：芯片级量智融合集成设计

当前工业界已落地的量智融合计算体系中，量子处理器（QPU）专注处理强关联电子结构能量计算，经典处理器负责 Hartree-Fock 自洽场、参数优化循环与数据后处理，二者协同构成药物研发的高精度计算基础。但要真正适配医药产业高频迭代、规模化落地的刚需，现有架构仍存在一道难以跨越的工程化鸿沟：

以量子化学领域目前最主流、最广泛采用的VQE（变分量子本征求解器）为例，对于单个分子，该算法中经典优化器需反复迭代数百至数千次，直至分子基态能量达到收敛。每一次迭代都涉及量子电路执行、期望值测量与经典参数更新的紧密交互，整个链路的延迟、带宽与精度直接决定了量子计算能否真正实现、以及最终能算得多准。

在传统云端分离架构下，单次交互时延达毫秒级，经百万级迭代累积后，总时延将从分钟级放大至小时甚至天级，无法匹配药企一天筛选上百个分子的高通量研发节奏，并直接导致量子算力难以实用化。正如微软研究团队（Matthias Troyer等）在《Communications of the ACM》论文中指出：量子计算机与经典世界交互存在根本性I/O带宽瓶颈，数据输入输出速率受限，使得数据密集型研发应用难以实现实用化量子优势。

玉盘量子 - 经典紧耦合原生量智融合专用系统，正是为破解这一核心瓶颈而生。彻底打破传统云端分离架构的传输壁垒，实现亚微秒级低延迟互联与确定性算力支撑，为量智融合算力规模化落地提供核“芯”工程化保障：自主研发量智混合场景经典侧专用算力ASIC （MPU）、跨温区高速数字互联（MQLink）以及微波门离子阱QPU，构建芯片级集成的量智融合计算系统。

这种面向实用化场景软件定义自研硬件的模式，使我们能够围绕真实生物医药体系需求，进行算法与算力的协同设计：

• QPU 的量子比特规模、保真度与连接结构

• MPU 的经典侧加速能力

• 优化系统级智能调度与紧耦合机制

下一步，玉盘将从含过渡金属和强关联电子结构药物靶点的量智融合工作流框架切入，通过持续迭代芯片级量智融合集成技术创新，为药物、材料研发企业、AIDD企业提供实用化、工程化的算力基础设施，共同推动量子技术从“能算”走向“有用”，在生物医药研发中释放高精度计算的真实产业价值。