SandboxAQ：量子、AI 与药物发现公司观察

SandboxAQ（从 Alphabet 分拆）把「量子技术 + AI」应用于多个行业，药物研发是其中之一。这个方向被讨论得很多，也最容易被误解——有必要把量子计算在药物发现中的真实现状讲清楚。

量子计算与药物发现的理论关联

化学的底层是量子力学。精确求解分子的薛定谔方程，在经典计算机上的复杂度随电子数指数增长——这正是量子计算机理论上有优势的地方：

• 理论上：量子计算机能高效模拟量子系统，精确计算分子能量、反应路径、激发态；
• 如果实现：可以精确算出结合自由能，从根本上解决打分函数不准的问题。

现实状况：必须说清楚的距离

需求	现状
有实用意义的分子模拟所需逻辑量子比特	数百万量级（含纠错开销）
当前可用的物理量子比特	数百到数千（含大量噪声）
纠错	刚有原理验证，距离容错通用量子计算仍远
已演示的分子体系	氢分子、氢化锂等极小体系
药物相关体系（蛋白-配体）	目前完全不可行

结论要说明白：量子计算目前对实际药物发现没有直接贡献，且这个状况在可预见的未来不会改变。任何声称「用量子计算发现药物」的说法，都应该仔细追问具体做了什么。

「量子启发」方法：这才是当前实际有用的部分

当前有实际价值的，是受量子算法启发、但运行在经典计算机上的方法：

• 张量网络方法：源自量子多体物理，用于高效表示高维数据，可用于量子化学计算（如 DMRG）与机器学习；
• 量子启发的优化算法：模拟退火、量子退火的经典模拟，用于组合优化问题（如构象搜索、分子设计中的离散优化）；
• 更准的经典量子化学：DFT、耦合簇等方法的算法与实现改进，这些是实实在在有用的；
• 机器学习势函数：用量子化学数据训练神经网络（见 316《DP Technology 深势科技》），在接近 DFT 精度的同时达到力场速度——这是目前「让量子精度可用」最现实的路径。

怎么判断这类宣称

• 问清楚跑在什么硬件上：真的量子计算机，还是经典计算机上的量子启发算法？后者是绝大多数情况。
• 问体系规模：演示的是几个原子的模型体系，还是真实的蛋白-配体复合物？
• 问对照基线：与成熟的经典方法（DFT、FEP、力场 MD）相比，优势体现在哪？如果赢不过经典方法，量子的标签没有意义。
• 问可复现性：结果是否可被独立验证？
• 注意「量子」一词的营销价值：这个词在融资与宣传中很有吸引力，但技术实质需要单独核实。

务实的态度

• 保持关注但不投入生产：量子计算是重要的长期方向，值得了解进展，但目前不应作为药物研发流程的一部分。
• 把注意力放在能用的量子化学上：DFT 计算反应机理、算电荷、算构象能量——这些成熟方法在实际项目中每天都在产生价值（工具见 Psi4、ORCA、xtb）。
• 机器学习势函数是更现实的方向：它把量子化学的精度带到了可负担的计算成本上，且已经在实际使用中（见 316《DP Technology 深势科技》）。
• 当前的真实瓶颈不在计算精度：即使有完美的结合自由能计算，靶点选择、ADMET、临床疗效等问题依然存在。把量子计算当成 AI 制药的终极答案，是对问题结构的误判。

延伸资源

• 机器学习势函数：316《DP Technology 深势科技》；模拟与力场：200《OpenMM》、202《OpenFF Toolkit》；
• 自由能计算：201《OpenFE》、276《Schrödinger FEP+》。