问题——量子计算被视为突破经典计算瓶颈的重要方向，但“优势”如何从基准测试走向现实应用，长期以来都是国际前沿的难点之一；尤其量子机器学习领域，许多方法依赖精心设计的深层量子线路；在当前含噪声中等规模量子设备上，受相干时间有限、门操作误差累积等约束，常陷入“理论可行、实验难落地”的局面：在真实数据、真实任务、可重复实验条件下，量子模型能否稳定超越经典模型，仍缺少关键证据。 原因——中国科学技术大学自旋磁共振实验室彭新华教授、李兆凯副研究员与复旦大学李晓鹏教授等合作团队，将突破口放在“少控制、强物理”的计算范式上，用量子储层计算替代复杂量子线路设计。储层计算强调利用系统自身的非线性动力学与记忆特性完成映射与表征——训练主要集中在读出层——从而降低对可控深线路的依赖。根据自旋体系时序任务需求，研究团队提出两项思路：其一，将时序信号通过射频脉冲编码到高维量子态中，让自旋网络内禀的纠缠与动力学在自然演化中完成信息处理，减少人为构造与精密校准的负担；其二，将通常被视为噪声来源的弛豫过程纳入计算框架，转化为资源，为模型提供处理时序问题所需的短期记忆能力。同时引入时间复用测量，在不增加额外硬件的情况下提升有效读出维度与信息提取效率，继续挖掘小规模量子系统的潜力。 影响——在核磁共振量子平台上，团队构建由9个耦合自旋组成的量子储层系统，并通过两类任务进行验证：一是在常用的NARMA时间序列基准测试中达到领先水平，预测误差较既有量子实验结果降低1至2个数量级；二是在更贴近应用的多步天气预测任务中，9自旋量子储层表现出稳定的预测能力，精度达到甚至超过1万个节点的经典储层网络模型。对应的结果为“量子机器学习在现实任务上超越经典大模型”提供了直接的实验证据，使量子优势从数值模拟、合成数据验证进一步走向可测量、可复现、可对比的真实任务场景，也为评估量子技术的实用价值提供了更明确的参照。 对策——面向量子优势“可用、可扩、可持续”目标，此路线显示出几项值得关注的策略：一是让物理系统的自然演化承担更多计算负载，减少对高保真深线路的依赖，更贴合当前设备能力边界；二是将不可避免的弛豫等过程纳入模型设计思路，从“对抗噪声”转向“利用噪声中的结构性资源”，提升在真实实验环境下的鲁棒性；三是通过时间复用等软硬协同方式提高读出效率，以较小规模硬件支撑更高维的信息表征。这些做法为推动量子机器学习从“展示性实验”走向“工程化验证”提供了方法上的借鉴。 前景——从应用角度看，时间序列预测广泛存在于气象、能源调度、工业监测、金融风控等领域，对短期记忆与复杂动力学表征能力要求较高。此次工作表明，小规模量子系统在特定任务上有望以更小的物理规模实现与大型经典网络相当甚至更优的效果，为探索低能耗、高维度、面向真实场景的信息处理提供了可操作的实验范式。面向未来，该方向仍需在更复杂数据集、更长预测步长、更严格的对照基线与跨平台复现上持续推进，同时探索从核磁共振等成熟平台向更可扩展量子体系的迁移路径，推动量子机器学习在NISQ阶段形成可验证、可部署的应用闭环。
从“基准题超越”走向“真实任务可用”，是量子科技迈向实用化的必经之路。此次实验进展提示：现实条件下的突破往往不在于堆叠复杂度，而在于找到与物理规律相匹配的计算方式。将系统的相互作用、弛豫与测量优势转化为可用能力，或将成为推动量子智能应用落地的重要抓手。