黃仁勳一句「等30年」,量子概念股一夕全崩!量子電腦是什麼?為何掀兩派論戰?
黃仁勳一句「等30年」,量子概念股一夕全崩!量子電腦是什麼?為何掀兩派論戰?

重點1 :輝達(NVIDIA)執行長黃仁勳日前於CES展會預測, 要讓「非常有用的量子電腦」上市,可能需要15到30年 ,此番言論在隔日發酵,導致多家量子運算公司股價暴跌。

重點2 :量子運算系統商D-Wave執行長Alan Baratz反駁黃仁勳對量子電腦發展時程的預測,強調D-Wave的量子電腦已在商業應用中。

重點3 :Baratz指出,黃仁勳的評論可能適用於閘極型量子電腦(gate-based quantum computers),但不適用於D-Wave使用的量子退火法(annealing approach)。

喊水會結凍!黃仁勳1句話讓量子概念股爆跌

黃仁勳周二在被問及NVIDIA的量子運算策略時表示, NVIDIA可以製造量子電腦晶片所需的傳統晶片,但這些電腦需要的量子位元(qubits)數量,將是目前的100萬倍。

他並預測,要讓「非常有用的量子電腦」上市可能需要15到30年。此番言論引發市場恐慌,更導致多家量子運算公司股價重挫。

其中, 量子運算晶片開發商Rigetti Computing跌45.41%、量子運算產品商Quantum Computing跌43.34%、量子運算軟硬體商IonQ跌39%、量子運算系統商D-Wave在周三暴跌36.13%。

回顧2024年,上述公司4家公司Rigetti、IonQ、Quantum Computing及D-Wave,分別暴衝1,449.4%、237.13%、1,712.51%、854.44%。Google去年底展示的量子運算晶片Willow,成為帶動量子運算概念股飆漲的一大因素。

Willow.jpg
Google旗下的「Google Quantum AI」實驗室,發布新的量子晶片 Willow。

但針對黃仁勳說法,D-Wave執行長Alan Baratz在接受《CNBC》採訪時表示「完全錯誤」,強調D-Wave的量子電腦已在商業應用中,並非遙不可及。

Baratz舉例指出,包括Mastercard(萬事達卡)和日本的NTT Docomo(日本電信電話)等公司,都已在實際業務營運中使用D-Wave的量子電腦。

Baratz強調,這些應用並非在15年、20年或30年後,而是「現在、今天」。

量子電腦路線之爭:量子退火法 vs. 閘極型量子電腦

量子運算旨在解決傳統處理器難以處理的問題。例如,解碼加密、產生隨機數和大規模模擬。包括輝達、微軟、IBM、Google等公司,以及其他新創及學界,數十年來一直致力於量子運算發展。

Baratz承認,「閘極型量子電腦」可能還需要數十年才能實現。但他強調, D-Wave使用的是「量子退火法」 ,這項技術現在就可以部署應用。他表示,雖然黃仁勳的評論對於量子退火法來說「完全是錯誤的」。

儘管股價在周三大幅下滑,但截至1月9日,D-Wave股價在一年之內仍上漲逾615%,市值達到16億美元(近新台幣530億元)。

Baratz表示,D-Wave系統可以解決超出配備最快NVIDIA系統能力的問題,更稱 「非常樂意隨時隨地與黃仁勳會面,幫助他填補這些知識上的空白。」

什麼是量子退火法?

量子電腦可以分為兩大類,一是量子退火(quantum annealing),二是通用型量子電腦, 兩者之間主要差別在於是否具有「邏輯閘(logic gate)」 。前者沒有,只用來解決特定的問題;後者則更接近於我們目前使用的古典電腦,可藉由各種邏輯閘的操作,達到通用計算的目的。

至於量子退火法(Quantum Annealing)則一種利用量子力學效應來尋找複雜問題最佳解的演算法。它特別擅長解決「組合優化問題」,這類問題的特點是有許多可能的解決方案,但要找到最佳解非常困難。 舉例而言,就像是在一個佈滿高低起伏地形的區域中找到最低點。

古典方法:緩慢下降

延續上述「找到地形最低點」的比喻,古典電腦解決問題的方法,就像是一個沿著斜坡慢慢滾動小球,直到到達一個低點。但問題是,這個地形可能有很多個局部低點(就像小山谷),小球一旦滾到其中一個山谷就可能停住,而無法找到真正的最低點,也就是最佳解。

Quant-annl.jpg
量子退火的優勢在於,可以透過量子穿隧效應(quantum tunneling),快速從次佳解跳至最佳解。

量子方法:直接穿隧

而量子退火法則,利用了量子力學中的「量子穿隧效應」(Quantum tunneling effect)。想像這個小球不再只是沿著地形表面滾動,它還可以「穿過」一些小山丘,直接到達更低的地方。這是因為在量子世界中,粒子有一定的機率穿過障礙物,即使它沒有足夠的能量「翻越」障礙物。

跟閘極型量子電腦差在哪?

相對於量子退火法,閘極型量子電腦更像是「通用型的量子電腦」,可以執行更廣泛的量子演算法。這兩者在技術實現和應用領域上有所不同。就像一台專門用來挖土的挖土機(量子退火)和一台可以執行各種任務的電腦(閘極型量子電腦)。

僅供報導用途_shutterstock_1620950968_IBM_量子電腦
閘極型量子電腦更像是「通用型的量子電腦」,可以執行更廣泛的量子演算法。
圖/ Boykov via shutterstock

黃仁勳為何不看好量子電腦短期內可上市?

黃仁勳指出量子電腦(或著說閘極型量子電腦)至少30年才會上市的原因,在於目前仍有多種困難難以克服。包括, 量子位元(qubits)的不穩定性,其容易受到環境的微小干擾(例如溫度、電磁場等)而導致計算錯誤,這使得硬體的建置和維護成本非常高昂。

此外,目前的閘極型量子電腦擁有的量子位元數量仍然有限,遠遠不足以解決複雜的實際問題。要實現具有實用價值的量子計算,需要成千上萬甚至數百萬個高質量的量子位元。 同時,由於商業模式還不明朗,許多企業和研究機構難以負擔大量的資金投入,為其目前實際面上的問題之一。

相較之下,量子退火法在某些特定類型的優化問題上已經展現出一定的應用潛力,例如金融建模、物流優化、材料科學,以及AI等,並且在硬體實現上相對容易一些。這也是D-Wave能夠推出商業化的量子退火電腦的原因。

除了D-Wave以外,富士通(Fujitsu)也開發了名為「數位退火器」(Digital Annealer)的技術,以模擬量子退火的運算方式。

其雖然不是真正的量子電腦,但數位退火器在解決某些優化問題時,也能提供比傳統電腦更快的速度。富士通提供數位退火器的硬體、軟體和雲端服務,並與各產業合作,應用於物流優化、材料開發等領域。

延伸閱讀:不用等!富士通的量子電腦夢,先從「退火技術」開始

資料來源:CNBCCASE報科學科技魅影國家實驗研究院QM ware

往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓