事件
量坤科技剛完成數億元人民幣天使輪融資。這家成立於 2026 年 1 月的量子計算新創、由曾在華為與位元跳動 AI 應用於科學（AI4S）部門工作 7 年的吕定顺創辦。融資方包括英諾天使基金、國汽投資、北工投資、百度風投等多家機構。
這筆融資之所以矚目、不是因為額度、而是背後的問題洞察：AI 模型的預測能力上限、被其訓練數據的精度所制約。
為什麼是量子計算
當 AI 被用於科學研究——尤其是化學、材料科學、藥物設計——時、會遇到一個隱而未顯的瓶頸。
AI 模型強於學習規律、弱於超越訓練數據的邊界。如果你用 10 位精度的分子結構數據訓練模型、模型就只能學到 10 位精度的規律；當它面對真實世界的分子、需要 15 位或 20 位精度來準確描述時、它註定會失敗。
傳統計算機在微觀系統上本質困難——描述一個有 100 個電子的分子、需要 $2^{100}$ 維的向量空間、古典計算機力不從心。量子計算的獨特之處、在於它「天然說這種語言」：用疊加態和糾纏態直接模擬分子的量子行為。
因此、量子計算機產出的計算結果、具有古典計算機無法達到的精度——這是一種物理精度、不是數值精度。
關鍵洞察：數據精度才是真正的天花板
AI4S 領域這幾年炙手可熱——蛋白質折疊有 AlphaFold、分子優化有各種擴散模型。但實務中、這些模型在藥物發現、新材料設計上的成功率、遠低於預期。
為什麼？
不是因為模型架構不夠好、不是因為缺訓練算力。而是因為訓練數據本身的精度不夠。當妳用 density functional theory（密度泛函理論，古典計算方法、計算精度有上限）計算出來的分子能態數據、去訓練 AI 模型、模型學到的就是「有偏差的規律」。它會非常自信地、用非常高的精度、去重複那些有系統性偏差的預測。
吕定顺在大廠探索量子計算的邊界時、得出了這個判斷：高精度數據 = 高精度預測能力。如果能用量子計算提供「量子級」的精確分子描述、AI 訓練出來的模型、就能有質的飛躍。
商業邏輯
量坤科技的位置很微妙：不是賣量子計算硬體（那是 IBM、Google 的事）、而是把量子計算當作「精度引擎」、為 AI4S 應用輸送高品質的訓練數據。
當 DeepSeek 證明了「推理成本骨折跳水是可能的」之後、科技融資的邏輯開始轉向另一個問題：模型能力的瓶頸在哪裡？
過去 5 年的主題是「誰的訓練算力更多、誰的參數量更大」。下個 5 年的主題、會是「誰的訓練數據精度最高、誰的應用場景數據流最密集」。
量坤科技賭的、就是這個轉向。
這個原則為什麼古老
早在 1976 年、統計學家 George Box 說過一句話："All models are wrong, but some are useful." 這個「模型與現實的距離」、從 Box 的時代、到今天 AI 時代、本質沒變。
香農信息論（Shannon Information Theory）也說過同樣的話：訊息傳遞的保真度上限、決於最低精度的環節（bottleneck）。在 AI4S 的管道中、瓶頸環節就是訓練數據的精度。
量子計算在這裡不是「新科技拯救舊問題」的故事。而是「古老問題在新技術下的重新實現」。