「暗涌 Waves」独家获悉，量子计算公司「量坤科技」近日完成数亿元人民币天使轮、天使 + 轮融资。本轮系列融资由英诺天使基金领投，国汽投资、北工投资、BV 百度风投、水木清华校友基金、明势创投等多家机构参与投资。光源资本担任独家财务顾问。
这笔融资背后，是一个逐渐清晰的判断：AI for Science 需要量子计算。
AI 可以学习规律，但模型能力上限，受制于它所见过世界的 " 分辨率 "。在化学、材料与医药等研发场景中，如果底层数据的精度不够，模型预测结果也会显著受限。
量子计算，天然适合模拟分子结构、化学键等体系。作为一种高精度求解器，它有可能输出更接近物理世界规律的计算结果；计算产出的量子级高精度数据，也是 AI4S 提升模型表现的一个关键。
量坤科技成立于 2026 年 1 月，创始人吕定顺在华为、字节跳动 AI4S Lab 工作七年，带领团队探索量子计算的能力边界。再往前，他是清华大学最早一批量子计算方向博士，深度参与基于离子阱量子计算系统的搭建。
过去，凭借 " 硬件不足，软件先行 " 的路径，吕定顺在大厂拿到过许多结果。在他看来，量子技术、AI 和高性能计算融合的异构智算平台，能够在应用层，最大化有限量子算力的价值。
这位年轻的理工科博士，一直想用量子计算解决真实世界的大问题。在量子计算硬件技术路线尚未收敛之际，他没有 " 卷 " 入硬件创业的热潮，而是选择了硬件之上的算法和软件平台，把量子算法、AI 模型和行业 workflow 封装成可调用的科学智能体，连接量子计算机与 AI4S 应用需求。
吕定顺说话语速很快，近两小时的访谈里，说了 15 次 "exciting/ 兴奋 "。在华为第一年，打破谷歌 " 量子霸权 " 叙事的研究，没有让他很 exciting。但用 AI 在高温超导相关模型计算中实现 SOTA，令他兴奋；遇到敢挑战 Google、IBM，能打硬仗的人，他也会兴奋。
目前，量坤科技团队已有近 40 人，集聚了量子、AI、高性能计算方向的前沿人才。在吕定顺看来，" 团队是创始人内心认知的映射，当深度理解量子计算这一系统工程，就知道该如何招募团队。人才最核心的是心气儿要足。"
为什么 AI4S 需要量子计算？算法和操作系统层的创业机会有多大？未来量子计算会成为新的算力解法吗？以下是我们与吕定顺的对话（经编辑）：
一、来时路
「暗涌」：" 量子霸权 " 为什么令人震撼？作为清华第一批量子计算专业博士，你为什么坚定走向了工业界？
吕定顺：2019 年谷歌发布了包含 53 个可用量子比特的处理器，只用 200 秒就完成了一项研究；并宣称，同样的任务，用当时最强经典计算机需要算 1 万年。这就是 " 量子霸权 " 的来由。
后来我们在华为做了一年，用百卡级传统 GPU 做模拟，通过算法优化验证经典计算机根本不需要 1 万年，几个月甚至几天就能算出来。这一研究可以说打破了谷歌量子霸权。
但完成这项工作后，我没有特别 exciting。因为量子计算机还在往前发展，Scaling（指数级规模扩展）摆在那里。53 比特还能追赶，往后 60 比特、100 比特，经典超级计算机很难再跟得上。
我更关心的是，当量子硬件能力继续向上，量子计算到底能解决哪些真实世界问题？解决的问题能不能更大？量子计算是系统性工程，所以我很坚定地选择去工业界。
「暗涌」：在华为期间，你如何寻找量子计算的真实应用场景？
吕定顺：量子计算机是一把锤子，要找到合适的钉子。
除了随机线路模拟，还有两段探索经历。一是化学和材料科学模拟。量子计算机本身是微观量子体系，用它模拟另一个量子体系顺理成章，比如材料化学。进入工业界前，我没有研究过化学，就花三个月读计算化学等文章，再写算法、做复现。后来我们把量子化学模拟推到了 28 比特，这也是当时业界最大规模的模拟。
另一段是做组合优化问题，比如最大切割、网络流量优化等。在量子计算机算力不高的情况下，我们基于 QAOA（量子近似优化）算法做降维化简，最终用不到 20 比特的量子计算资源，模拟出了 10 万比特的业务规模。
「暗涌」：什么时候开始更聚焦于 AI4S 场景？" 混合异构计算 " 这一平台思路是怎么形成的？
吕定顺：在字节，最开始我们依然沿着 " 量子计算实用化 " 的逻辑。如果量子计算机长期只有 20-50 比特，怎么解决真实的大问题？
后来我发现 " 量子嵌入 " 是很好的思路，简单来说就是好钢用到刀刃上。它通过计算任务分解，用量子计算机解决最核心、最复杂的矛盾，其他次要部分用经典计算机算，从而在计算规模、精度、成本实现平衡。
比如：眼前这个会议桌上，最重要的特征是摆了两台电脑，其他部分都相似，那我们就用量子计算机去算 " 电脑 " 部分。具体场景上，我们选择了电子结构复杂、传统算法难突破的强关联材料做研究，像氧化镍等过渡金属氧化物。
随着 AI 大语言模型能力爆发，团队思路更加侧重应用。原来是拿着量子计算机这锤子找钉子；后来是只要能解决 science 问题，AI、量子计算、经典算法一起用。
围绕化学和材料，我们探索了三种路径：多尺度量子计算化学模拟，把原需上万比特的问题，转换成只需 20 量子比特；将量子计算机作为高精度求解器，为 AI4S 模型提供高质量数据。基于 GPU 的量子嵌入算法，不依赖于量子硬件能力提升；还有纯基于神经网络量子态来求解物理问题，既作为问题求解器，也作为数据合成器。
「暗涌」：你很在意解决的问题够不够 " 大 "。做这些应用探索时，最重要的是什么？
吕定顺：最重要的就是 " 选题 "，要找到一个足够有影响力的问题。
后面我们选择了 " 高温超导 "，这是凝聚态物理领域很关注的问题，普通人也有感知。借助 AI 神经网络，我们在高温超导的 Hubbard 模型计算上取得了 SOTA。
这让我挺兴奋。与传统计算范式相比，我们的算法在小数点后第二位就已经显示出优势，既往学界都在 PK 小数点第四位。
这个 AI 模型也不是传统的 Data-driven 算法，本质是基于 " 变分原理 " 解极复杂的薛定谔方程，通过不断优化降低 Loss，求出真正的基态解。从第一性原理来看，它可以拓展到化学、材料等很多问题。
一开始这方法消耗的计算资源很大，我们紧接着又做了算法和框架改进，极大降低了算力需求，让更多科研团队能参与进来。
二、正当下
「暗涌」：在量子计算这个系统工程里，如何理解你们的卡位？
吕定顺：量子计算产业，很多公司在做量子计算机硬件，解决基础的算力问题。最上面的应用层需求也很旺盛，用户想把量子计算、AI 用于解决真实问题，比如半导体材料、化学材料、新药分子研发等。
但硬件算力层和应用层中间，算法、软件工具，其实是缺失的。量子算力的操作系统，正是我们想卡住的位置。
「暗涌」：如何理解做中间算法、工具层的技术壁垒？为什么你选择了算法与操作系统端的创业机会？
吕定顺：中间层，不是简单地把已有算法程序化。特别是现在量子计算机硬件资源还不丰富。
不丰富，意味着不是所有算法路径都能完成任务。因为量子计算的误差会累积，只有对算法做充分优化，让路径足够短，才可能把有限的量子算力榨出来，最大限度地用起来。
这跟在 GPU 上运行算法不同。GPU 上算法差一些，效率低几倍也能跑，无非成本高；但量子计算里，如果算法效率差了 5 倍，可能根本跑不起来。这是 0 和 1 的区别。
所以算法层的壁垒，在于能不能巧妙地设计和改造算法。这套算法和操作系统平台建好，还可以不断扩充功能，逐渐拓展成算法和工具平台。
「暗涌」：目前量子计算的产业图景里，哪些是你们想要服务的用户？
吕定顺：第一类是本身就有量子计算需求的客户，比如国央企、科研院所等。他们需要培育量子计算能力、迭代量子算法。这类通常会从工具出发，把问题分解成量子算法，再运行到对应的量子计算机上。
第二类是有明确研发需求的产业客户，比如半导体材料、新药研发等企业。用户并不关心底层算力是不是量子计算机，更关心问题能不能解决，成本效率如何。求解路径上，他们可能会用 AI 算法、量子算法，也可能用多分辨量子 - 经典混合算法。（混合算法，即把最难、最核心的交给量子计算，其他用神经网络、经典算法或其他精确算法处理）
量子计算机厂商，其实也是我们的合作和服务对象，很多公司聚焦硬件的演化，操作系统、算法工具和应用生态，需要专业的团队和长期投入。合作方式上，比如将操作系统、算法平台与硬件打包销售，一起卖算力，或卖整机加操作系统等。
「暗涌」：现在 AI4S 公司很多，融资也很热。为什么一定需要量子计算？
吕定顺：纯 AI for Science 视角来看，AI 是一种解决方案，量子计算也是一种解决方案。除了计算速度快（量子加速），精度也是量子计算的一个优势。
很多材料、化学问题需要高精度求解，纯 AI 模型非常依赖训练数据质量，比如结合能预测，如果底层数据精度不够，模型结果也会受限制。传统 DFT 方法本身也有精度边界，且依赖泛函选择。
高精度计算在 GPU 上也可以做，但往往受显存限制，只能处理较小规模体系。量子计算虽然现在规模还不大，但在精度上有优势，未来有机会把高精度求解扩展到更大体系。
「暗涌」：针对这几类客户的需求，你们如何交付并完成商业化？
吕定顺：我们交付的其实是将量子计算、AI、经典计算和行业工具等封装后的能力。交付形式很多：CRO 式解决方案、高精度数据合成、workflow、云访问入口等都可以。
早期以项目制为主，后续会沉淀项目经验，以标准化的科学发现云服务平台服务用户。未来在同类大场景，可能这套系统 95% 的能力可以标准化，只有小部分需要定制。
其实，我们希望能把中间环节抽象掉。量子算法也可以抽象成 skill，用户能够通过自然语言调度多种 skill，构建复合函数去求解。
用户只需带着问题来，用户端入口可能就是 agent 系统。他可以不关心底层用谁家的量子计算机，甚至不操心调用哪种算法。就像今天用大模型，用户不关心背后是谁家的硬件，只关心输出质量、Token 效率。
「暗涌」：AI 时代，算力和能耗焦虑长期存在。量子计算的发展，会是算力新解法么？
吕定顺：AI 和量子都是具备 " 完备性 " 的求解器，它们之间能双向赋能。AI for Quantum 已经聊了很多，AI 可帮助构建更好的量子计算机和算法，放大量子计算能力。
反过来，Quantum for AI 也有几层意义。首先，量子计算的一些 insight，可能启发 AI 算法设计；其次，量子计算机作为高精度求解器，产生的高质量、差异化数据，会成为未来增强 AI 模型的关键。
更长远看，今天我们可以在 GPU、FPGA 上部署模型，未来理论上也可能在量子计算机上部署量子版大模型。到了那个阶段，AI 面临的算力和能耗问题，可能会出现新的解法。
但现在还没有到那一步。量子硬件还在发展，技术路线也没有完全收敛，更现实的情况是在现有硬件条件下，将量子计算、AI 算法和经典计算等结合起来，以量子突破精度天花板，以 AI 重塑效率边界，推动难而重要的科学问题求解。
这也是我们对现阶段的定义：" 第四范式 ++Science"。
三、打硬仗
「暗涌」：量子计算、AI4S 需要很多高阶人才，你们招人难么？
吕定顺：我们现在已经进入了招人的良性循环，现在团队接近 40 人。AI 方向，有全国物理、化学竞赛集训队背景的人才；高性能计算，也有清华的特奖选手、天才少年；工程化方面，有大厂出来的技术骨干。
量子计算、AI4S 是一个系统工程，各个方向都要有足够强的人，不能出现明显短板。
「暗涌」：刚创业四五个月，为什么能招到这么多人才？
吕定顺：我们有招人的方法论。除了学术界的合作网络，我觉得，团队很多时候是创始人内心认知的映射、能力的延伸。如果创始人对整个系统的认知足够深，清晰地知道需要延伸、补足哪些能力，就可能配到很强的团队。
「暗涌」：有怎样特质的人，更容易让你觉得磁场相合？
吕定顺：前几天我去清华做分享，有个问题是：AI 时代，人才最重要的能力是什么？大家有提到定义问题的能力、批判性思维。在我看来，最重要的是心气儿，是你敢不敢去打胜仗。在量子计算领域，面对 IBM、谷歌的顶尖团队，你觉得自己能不能打得赢。畏首畏尾的人，不会让我觉得兴奋。
「暗涌」：这很华为。
吕定顺：字节也是一样，强调韧性。打硬仗、打胜仗，需要韧性。没怎么失败过的人，反而不敢打仗，失败会让他们背上包袱。
我们处在一个开放的世界，研究、商业都是开放目标，要敢于挑战难题。量子产业直接招到对口的人确实难。组队方面，既往我有很多经验。我们不一定最关注专业背景，反而看重自我驱动力。
如果动力够强，进入团队和这个环境，我们可以从 0 到 1，快速把他带到业界高水平，然后为团队做贡献。我们提供了很有竞争力的薪酬，来了可以不操心钱，主要就操心能不能把事情做起来。我们也会协调解决优秀员工的北京落户问题。
最关键是你对这件事是否有信念、愿不愿意折腾、眼里有没有光。
