康復訓練室裡，配備了腦機介面的患者抬起手臂，用意念給智能假肢下達指令。指令從大腦皮層出發，穿過電極、被解碼演算法解碼，在0.5s後抵達假肢。假肢的確動了，但大腦已經明確感受到這只是假肢。
短短0.5秒看似不多，但卻讓人體感知到延遲，無法產生“具身”感。無法縮短延遲，假肢就永遠只是工具，無法真正與身體融合。這也恰是腦機介面卡頓的縮影，行業一籌莫展。
4月的一個突破讓大家看到了可能的解法。中國科學院上海微系統與資訊技術研究所聯合北京玻色量子科技有限公司發佈的論文，首次在真實1000量子位元專用量子電腦上實現了微秒級神經解碼。這也為如今，中國首隻腦機介面專項基金——天津市腦機合盈海河海泰創投基金（以下簡稱“合盈腦機基金”）與玻色量子的戰略合作埋下了伏筆。
值得一提的是，玻色量子前不久剛剛正式向北京證監局提交IPO輔導備案申請，啟動A股上市處理程序。
按照雙方設想，玻色量子將為腦機介面提供雲端專用量子計算算力，在特定環節加速解析大腦皮層的深層意圖；3-5年內，實現專用量子計算硬體外接神經解碼加速，有望在語言、運動解碼場景落地。
那麼，量子計算這碗“水”，將如何解腦機介面的“渴”呢？
01. 量子計算，破解腦機介面挑戰的良藥
一直以來，腦機介面都面臨“卡頓”的問題。
人類大腦擁有近千億個神經元，每一次大腦思維，都對應著海量神經元叢集的同步放電。腦機介面需要採集這些微弱、嘈雜的電訊號，並通過演算法翻譯成機器指令。
其難點在於，這些大腦訊號不僅微弱，還夾雜大量噪聲，但解碼必須即時完成。在康復訓練中，智能假肢對抬手指令的響應即便只有0.5秒的延時，大腦就會產生疏離感，假肢就永遠難以融入身體。
在解決這個問題上，量子計算具有天然的優勢。
經典電腦最小的記憶體單元是位元（bit），每個位元非0即1。量子計算的最小資訊單位則是量子位元（qubit），在被測量前可同時處於0和1的疊加態。
同時，多個量子位元之間還能通過量子糾纏形成強關聯。這種“量子平行”特性讓它在處理組合爆炸類問題時擁有潛在的指數級加速優勢。比如，10個量子位元可同時編碼2¹⁰=1024種疊加狀態，能夠同時編碼海量的計算路徑。雖然最終只能通過一次測量獲取其中一個結果，但其優勢在於利用干涉原理放大正確解出現的機率。
玻色量子副總裁陳亮用一個較為通俗的比方解釋了量子計算：“比如，在嘈雜環境中，人耳會自動鎖定想聽的那個聲音，把它從混雜的聲波疊加中挑出來。量子計算的工作，正是把最想要的結果從波函數疊加中挑出來。”
他進一步表示，這種特徵使得量子計算在處理機率與噪聲訊號時有天然優勢，恰恰與大腦訊號特徵對應。不過，陳亮也強調，量子計算的角色是後端的算力支撐引擎，而非速度更快的普通電腦。它並不直接參與讀取大腦訊號，而是幫助完成神經訊號的降噪、特徵提取和訊號編碼。
在陳亮看來，量子算力有望解決腦機介面的幾個痛點。
首先是延遲問題。隨著腦機介面通道數的迅速增加，即時解碼延遲也會同步增長。行業公認，閉環腦機延遲通常需要降到50ms以下，才不會讓自然軀體對智能手等外接裝置有明顯的排斥感。量子計算可加速腦機介面中的神經訊號處理與解碼，緩解通道數增加帶來的計算壓力和響應延遲。
其次，是訊號解析問題。如前所述，大腦訊號微弱且充滿雜音，而量子計算擅長處理機率和模糊資訊，能從背景噪聲中精準捕捉微弱訊號。這將為腦疾病提供巨大幫助，比如讓植入式腦起搏器只刺激異常放電的病灶腦區，不傷及無辜組織。
最後，是預測疾病發作。以癲癇為例，這種疾病在發作前大腦會有細微異常波動，擅長組合最佳化的量子電腦可輔助識別相關變化並預判發作趨勢，為干預搶出寶貴的時間窗口。
腦機介面企業又是如何看待量子計算的這些優勢呢？動脈網也與行業內進行了交流。
靈犀醫學主要從事腦機介面巨量資料與基礎模型平台，其負責人表示量子計算可以幫助這一體系突破邁向高密度、即時腦機閉環時的算力瓶頸。尤其隨著神經訊號維度持續提升，量子計算在組合最佳化和高維特徵表示方面的潛力，可為即時神經解碼、線上重校準及複雜腦疾病隱性模式發現提供新的計算路徑，推動腦機介面從“讀腦”進一步走向“讀腦+干預”。
瓦博科技一直在神經意圖模型建構領域深耕，其負責人認為，算力對於類似瓦博這樣的腦機介面領域“模型公司”而言，量子計算在不改變其“神經資料入口-意圖模型-物理控制-資料回流”的主邏輯前提下，有望在低延時、跨被試泛化、減少校準、模擬大規模腦神經元等多個問題方面提供經典算力難以企及的加速。既提升意圖模型落地物理世界的性能天花板，也能夠助力揭開大腦意圖層乃至意識起源的底層機制。
應用價值之外，資本同樣在關注這個賽道。合盈腦機基金合夥人張宇濤表示，合盈佈局量子計算並非一時興起：“合盈腦機基金一直把腦認知、腦解析作為重要投資類股。多模態、大模型的腦機應用高度依賴算力做解碼、即時最佳化和小樣本分類。這種算力側的瓶頸，正是量子計算能夠最佳化的地方”。
量子算力解決腦機問題的邏輯是否成立？事實上，在本次合作之前，已有真機驗證給出初步答案。
今年5月，玻色量子發佈新一代專用量子電腦“馭量·山海1000”。中科院上海微系統所幾乎在同一時間聯合玻色量子發佈論文，首次在真實1000量子位元專用量子電腦上完成神經訊號解碼驗證，這也是目前國內唯一的真機神經訊號編解碼驗證。
這次驗證可行也給整個行業打了一劑強心針。陳亮向動脈網介紹，量子計算分為通用量子計算和專用量子計算，行業總體仍處在含噪聲中等規模量子階段，尤其通用容錯量子計算距離成熟應用可能還需5-10年。不過，專用量子計算已在部分場景進入實用驗證階段，整個產業正逐漸從實驗室走向產業驗證。
02. 量子路線那麼多，為什麼偏偏是它
量子計算有超導、離子阱、光量子等多種技術路線，各有優劣。為何玻色量子的路線是目前最合適的路線？雙方向動脈網做瞭解答。
首先是技術路線。玻色量子是國內少有的專用量子計算企業，圍繞相干光量子電腦建構了產品線。
陳亮向動脈網解釋，光子本身具有量子屬性，不像超導、離子阱那樣對製備配套設施有較高要求：“比如超導路線，需要龐大的超低溫稀釋製冷機。相比而言，玻色量子1000量子位元專用量子電腦部分核心器件可在室溫下運行，整機可用時長不少於12小時/天，平均無故障工作時間（MTBF）不少於1,000小時。”
其次是軟硬一體的驗證。張宇濤介紹，目前業內共識是“經典算力前端預處理（如GPU及ASIC）+專用量子加速器外接”的混合架構最可行。玻色量子的專用量子電腦具有常溫常壓下穩定運行、推理延遲低、適配稀疏脈衝（spike）訊號的優勢，適合線上即時推理。
在軟體層面，陳亮表示，玻色量子已可提供適配Python的工具鏈和SDK，極大降低了應用門檻：“程式設計層面沒有壓力，一個大學本科生就能上手，真正的門檻在於把問題建模成專用量子電腦能求解的形式。”
更關鍵的是，玻色量子做的是軟硬一體而非純模擬。張宇濤認為，這在醫療領域十分重要：“很多腦機創新方向仍停留在數字模擬，但監管對數字模擬的容忍度低，對演算法黑箱的關注度高，純數字模擬走醫療路徑會有障礙。玻色量子用真實的專用量子計算硬體完成了神經解碼推理的閉環驗證，硬體、演算法、資料集已形成閉環，並已與一些腦機硬體團隊開展了活體資料集的聯合驗證。且光量子晶片、光路系統、整機、軟體全端自研，沒有任何卡脖子的環節。”
第三，是生態卡位。合盈腦機基金生態資源已覆蓋360余家腦機介面企業，可以幫助量子算力在腦機行業推廣和擴散。玻色量子則提供專用量子計算算力、分佈式雲服務與AI工具鏈。雙方最終希望率先打磨出國內首個量子計算與經典計算混合的腦機訊號處理解決方案。
技術解決方案由雙方牽頭，聯合腦機介面公司進行技術驗證。同時，商業驗證已早在設計之中。張宇濤表示，從事腦機介面巨量資料與基礎模型平台的靈犀醫學、從事神經意圖模型建構的瓦博科技等多家腦機介面企業已參與驗證，各方將量子計算和腦機介面的技術融合和商業落地建構生態體，並落實建設實質落地的基站體。
作為同屬十五五未來產業的腦機介面技術與量子科技技術，二者正在人類文明演進的道路上互相共鳴、互相成就。860億神經元、大腦意圖層、意識起源與人類文明之間錯綜複雜的糾葛關係、海量奧秘，或許都需要一種更為強大的算力去破解。
03. “量子腦機”？還有很多坎要翻
對於量子計算與腦機介面結合的未來，陳亮與張宇濤給出了互為補充的時間表。
短期看，量子算力會先服務腦科學基礎研究。陳亮認為，切入點以科研機構和臨床研究為主，比如神經元網路建模與模擬、癲癇等疾病機制研究。他坦言，目前裝置仍以雲端方式提供服務，但云端仍有延時，就近部署將是未來的終極目標。
張宇濤的判斷更具體：“我認為3-5年的中期，專用量子計算硬體外接神經解碼加速可以落地，尤其在語言、運動解碼領域，比如高自由度假肢的即時控制、失語患者腦電轉語言、卒中與脊髓損傷後的快速校準與閉環調控。之後，量子機器學習與經典深度學習可能走向融合，解決跨被試泛化、少樣本校準等痛點。更遠的未來，則指向大規模神經元叢集動力學模擬、多腦區建模，乃至邊緣端部署，也就是把量子算力做成可隨身攜帶的裝置。”
至於網路上出現的諸如顱內植入量子晶片、讀取意識的量子腦機想像場景，張宇濤坦言“目前還看不到可能”。
在應用側重上，張宇濤判斷量子計算對非侵入式腦機介面的價值比侵入式更大：“量子計算解決的是後端演算法與算力加速，並無法改善電極、植入與生物相容性。當前，非侵入式腦機介面訊號雜訊比問題突出，且多模態巨量資料發展更快，對量子計算的需求也會更大。”
但兩位專家也坦承，無論是腦機介面還是量子計算，目前都處於早期，仍然面臨不少的挑戰。
跨域介面與資料流是第一個挑戰。閉環腦機延遲需要降到50ms以下，但神經訊號與量子硬體本身都存在訊號噪聲，即便量子硬體本身可做到微秒級，但採集、預處理、編碼、傳輸、回傳的整個過程都會疊加大量延遲。
在量子計算端，硬體本身還不夠成熟，有較大發展空間。在軟體端，神經任務到量子模型的對應仍是難題，缺少原生量子演算法庫，且量子加速只對特定最佳化類任務受益。
腦機介面端同樣存在自身挑戰，包括電極、生物相容性、植入穩定性等問題。
同時，還有工程化與臨床轉化的挑戰。目前，橫跨量子計算與腦機介面的人才非常稀缺，讓腦機介面開發者可以通過SDK和工具鏈輕鬆呼叫量子算力，是目前更為現實的選擇。
陳亮給出了幾條路徑來應對這些挑戰：“需要堅持量子計算與經典計算混合的路線，讓量子計算做局部的增強和加速，分步迭代；同時，組建聯動團隊，把量子計算、腦機介面的工程與臨床機構拉到一起，從小規模原型驗證起步；此外，還要推動硬體工程化，提升穩定性並控製成本。”
04. 腦機介面+量子計算，潛力巨大
2026年，腦機介面被普遍視為商業化元年，據麥肯錫測算，腦機介面嚴肅醫療應用的潛在規模可達150-850億美元。然而，臨近爆發的腦機介面，仍然面臨底層算力的短板。與此同時，腦機介面面臨的延時問題，更為迫切。
同樣作為前沿技術的量子計算的入場，或許有望解決腦機介面的困境。當解碼延遲被壓縮到百毫秒級以下，外骨骼、假肢才能真正成為身體的一部分；當算力能即時解析海量神經元的聯合放電，腦機介面才有機會真正理解大腦的意圖。 (動脈網)