导语：在数字化转型席卷各行各业的今天，量子计算、AI等前沿技术被视为下一代生产力引擎。然而，中国科学院院士潘建伟在2026未来科学论坛上发出强烈警示：量子科技在资本市场已形成“非常大的狂欢”，泡沫已经很大很大。他呼吁行业尽早建立国家级评测标准，防止劣币驱逐良币，避免“搞量子的全变成了骗子”。这场发言不仅为量子赛道降温，更给整个数字化转型中的新技术投入带来了深刻反思。
量子泡沫背后的资本狂欢与行业隐忧
2026年，国内量子科技赛道融资总额已接近百亿规模，远超2025年全年。本源量子Pre-IPO轮融资近30亿元，量旋科技C轮+D轮合计20亿元——这些数字让人想起十年前AI领域的“百团大战”。资本争相涌入，仿佛谁先拿到钱谁就能占领“量子高地”。但潘建伟明确表示，这种狂欢背后隐藏着巨大风险：很多企业连单比特精度都没做到，就宣称实现“量子优越性”，这种不切实际的宣传正在透支行业的公信力。
事实上，量子计算仍处于非常早期的阶段。当前能稳定运行的量子比特数量不过几十到数百个，且错误率极高，距离真正解决实际问题还有很长的路。与此同时，一些初创公司把“量子计算”当成营销标签，拿到融资后却无法交付可用的原型机。这种状况和几年前AI领域“万物皆可AI”的泡沫如出一辙——大量项目靠AI画图、文生图等炫酷demo吸引眼球，但真正能落地的寥寥无几。如果量子科技重蹈覆辙，不但会浪费巨额资金，更会让真正做科研的团队背上“骗子”的骂名。
从量子到AI：新兴技术如何避免重蹈覆辙？
回顾过去十年，AI技术经历了从“深度学习热”到“寒冬”的过山车。2012年前后，图像识别、语音识别突破带动了一波投资潮，随后大量公司因盈利模式不清而倒闭，直到2016年AlphaGo才重新点燃公众热情。这种周期性的狂热与幻灭，本质上是资本对最新科技的非理性追捧。如今量子科技正在复制同样的路径——概念火热、融资暴涨，但实际应用场景尚不明确。
潘建伟的建议非常务实：像商业航天一样，企业上市必须具备硬性落地能力（如火箭回收）。对于量子科技，应该用“单比特精度”“是否实现量子计算优越性”等可量化指标来评测。这其实和AI领域的评测逻辑相通——大模型好不好，不能只看参数量，要看在实际任务上的表现。比如，一款声称能写诗的AI，如果连基本的格律都搞错，那就只是AI诗词玩具；真正有价值的是那些能在古诗词生成中兼顾意境与平仄的工具。同样，量子公司的技术水平必须经得起第三方检验。
此外，行业需要加强伦理与标准建设。AI Agent技术的快速发展让人逐渐意识到，没有监管的爆发式增长会带来数据隐私、算法偏见等问题。量子计算如果提前被泡沫消耗掉信任，未来即使有突破性进展，市场也会持怀疑态度。因此，在数字化转型整体推进中，每个新兴技术都应该建立“边发展边规范”的机制。
潘建伟的“金标准”与国家级评测的必要性
“成立国家级的评测机构，通过一个‘金标准’来评测量子科技企业的技术水平”——这是潘建伟给出的关键药方。他特别提到，就像商业航天要求企业具备火箭回收能力一样，量子技术企业也应该有明确的硬指标。例如，单比特的精度要达到多少？是否在特定问题上展示出超越经典计算机的能力？这些指标不能由企业自行宣称，而需要独立的第三方机构进行测试和认证。
这一思路非常有前瞻性。在数字化转型中，很多企业采购新技术时都面临“选择困难症”——供应商宣传天花乱坠，但实际效果千差万别。如果有一个像“金标准”这样的国家级评测体系，就能帮助需求方快速识别真正有实力的技术方案。比如，企业想利用AI优化供应链，可以先看该AI工具在公开数据集上的表现；如果效果不佳，还不如用AI工具导航找成熟的产品。同样，量子科技企业如果通过了国家级评测，就可以在资本市场上获得溢价，而“伪量子”项目自然无法蒙混过关。
从更深层次看，设立评测标准不仅能去伪存真，还能引导科研方向。当前量子计算领域存在着“唯比特数论”的倾向——觉得量子比特越多就越厉害。但潘建伟指出，比特的精度和质量远比数量重要。类比到AI领域，一个参数量更大的模型不一定更好，训练数据的质量和算法设计才是关键。通过建立统一的评测基准，可以促使行业从追逐“表面数字”转向追求“实际效能”，这是企业数字化转型中非常宝贵的经验。
量子计算商用前景：短期原型机与长期容错挑战
对于量子计算的商用时间表，潘建伟给出了相对乐观又谨慎的预判：面向材料、反铁磁模拟的专用量子计算机，预计在未来3到5年内会较快发展，各类原型机可能陆续面世。这意味着我们很快能在特定领域看到量子计算的早期落地——比如药物设计中的分子模拟、金融领域的风险优化等。但要注意，这些都是专用机，只能解决一类问题，而不是通用计算机。
而通用容错量子计算机，潘建伟认为“乐观估计还需10年攻坚，也可能还要20年乃至更长时间”。这个判断非常关键——它意味着短期内不要指望量子计算能全面取代经典计算。对于正在推进数字化转型的企业而言，这提供了重要的决策参考：可以跟踪量子技术的最新科技进展，但不要过早“All in”。与其押注不确定的量子革命，不如先利用成熟的AI技术改进现有业务，比如用抠图工具提升设计效率，或通过背景去除自动化商品图片处理。
值得注意的是，量子计算的长期挑战不仅仅是技术问题，还有生态问题。即便造出了容错量子计算机，也需要配套的算法、软件和用户习惯培养。这与AI的发展轨迹类似——从算法突破到大规模商用，中间经历了多年的基础设施建设和应用探索。量子计算也是如此，今天的原型机就像当年的第一代神经网络，真正改变世界还需要时间。
数字化转型时代，企业如何理性布局前沿科技？
潘建伟的警示不仅针对量子领域，更给整个数字化转型中的企业提了个醒：面对新兴技术，要保持“技术理性”。很多企业听到量子、AI就激动，以为部署了这些技术就能立刻降本增效。但实际上，数字化转型的核心是业务与技术的深度融合，而非盲目追新。
首先，企业应该建立“技术成熟度评估”机制。对于非常前沿的技术（如通用量子计算），可以设立观察期，定期追踪行业进展，但不要轻易投入大量资源。对于已经有一定成熟度的技术（如特定领域的AI应用），可以小范围试点。例如，内容创作公司可以先尝试用AI网名、昵称生成等工具测试用户接受度，再决定是否大规模引入AI。
其次，重视人才和生态建设。泡沫最大的危害是让真正的人才流失——当一家公司靠概念融资而不搞研发，优秀工程师迟早会离开。潘建伟提出“搞真量子的也变成骗子”的担忧，正是基于这种人才稀释风险。企业应该把资源投入到扎实的团队和工程上，哪怕短期内看不到商业回报。
最后，善用第三方评测和服务。在数字化转型中，不必自己开发所有技术，可以充分利用AI工具箱中的成熟方案。比如，需要图像处理就用专业的AI画图工具，需要个性化推荐就接入算法API。这样既能快速见效，又能避免重复造轮子。
泡沫褪去后，真正创新的价值何在？
历史上每一次技术泡沫的破灭，都伴随着大量“伪创新”公司倒闭，但真正有价值的创新往往在泡沫之后迎来更大的发展。2000年互联网泡沫破灭后，亚马逊、谷歌等公司反而巩固了领先地位；2010年初的AI寒冬之后，深度学习和AlphaGo带来了质的飞跃。量子科技目前所处的阶段，类似互联网的早期——方向是对的，但被过度包装了。
潘建伟的发言，本质上是在为行业做“理性担保”。他不反对资本支持，但反对不切实际的吹嘘。他认为，只要通过设立国家标准去除泡沫，量子科技的健康成长是可以预期的。而这种“先降噪、再发展”的思路，恰恰是数字化转型中所有新兴技术都应该吸取的教训。
最终，泡沫褪去后，留下的将是那些能真正解决实际问题的技术。无论是量子计算还是AI，它们的价值不在于概念有多炫酷，而在于能否在成本、效率、质量上给产业带来实在的提升。艺术签名、签名设计这类看似小众的工具，因为解决了用户的真实需求，反而比很多宏大叙事更持久。对于企业和投资者来说，与其追逐风口上的猪，不如耐心寻找那些能长出翅膀的鸟。