量子优化与采样：谨慎的乐观
一句话定义
组合优化（物流路由、投资组合、调度）与分布采样是产业界期望最热的应用方向，其算法载体是 QAOA 与量子退火，但截至目前它们是量子优势证据最薄弱的板块——本节的任务是把"期望"与"证据"分开记账。
为什么重要
如果你只读产业新闻，会以为优化已经是量子计算的成熟应用；如果只读理论文献，又会以为它毫无希望。两者都对一半。理解这个板块的真实结构——理论保证弱（多半只有多项式加速甚至无保证）、经典基线强（数十年打磨的启发式与求解器）、PoC 泛滥而优势罕见——是从业者避免踩坑、投资者避免被叙事裹挟的必修课。它也是 kp-033"能/不能"清单在商业语境下的最大压力测试。
前置知识
kp-019（QAOA 的 ansatz 与参数结构）。运筹学背景不需要，"组合优化"以例子引入。
核心概念
- 目标形态：把问题写成 Ising/QUBO 能量函数 E(x) = Σaijxixj + Σbixi，求最小能量配置；MaxCut、TSP、图着色都可归入。
- QAOA（kp-019）：p 层相位-混合交替；理论近似比随 p 改善，但有限 p 下不保证超过最好的经典近似算法。
- 量子退火（D-Wave 路线）：非通用门模型，物理系统沿绝热路径滑向基态；机器规模大（Advantage 系列 5000+ 比特）但比特是低连接度的量子比特、噪声大，与门模型机器不可直接比较。
- 采样应用：蒙特卡洛积分、风险分布估计——理论上量子可能给出二次加速（Grover 型），实务受数据载入瓶颈制约。
- 实证现状（2020–2024 文献共识）：绝大多数基准上，调校良好的经典启发式（模拟退火、GUROBI/CPLEX 类求解器、专用图算法）仍优于现有量子机器；偶有"窄优势"报告，往往在更强的经典基线补测后被抹平。
直观类比
量子优化像是"新到岗的高才生"：简历（理论）写着"擅长并行探索"，实际业绩（实证）还没跑过老员工（经典启发式）——不是没潜力，是入职时间太短、装备（硬件）还没配齐。本节的纪律是：给新人机会，但按业绩付薪——每一份"量子优化成功案例"都要追问三个问题：经典基线是什么、调到什么程度、硬件规模多大。
原理与机制
为什么理论保证弱：优化问题的困难核心是"无结构搜索"，而量子对无结构搜索只有 √N 加速（kp-018）；带结构的组合问题里，QAOA 的保证是近似比随 p 渐进改善，但已知常数与小 p 结果不占优。为什么实证弱：其一，QUBO 编码需要把逻辑变量嵌入有限连接度的硬件图，嵌入开销（minor embedding）可能吃掉全部优势；其二，退火机器的"绝热时间"要求在实际噪声下不可达，实际运行的是启发式而非定理；其三，经典侧是移动的靶——三十年的局部搜索、整数规划与图算法工程。何时可能反转：问题结构恰好匹配硬件拓扑、变量规模在"经典吃力、量子够宽"的中间带（数千到数万变量）、且误差缓解把噪声偏置压下去——三个条件同时满足的公开报告截至 2024 年仍属罕见。
公式或模型
本节不适用公式推导——关键对照是两个"账本"：
理论账：QAOA 渐进近似比（p→∞ 精确）、Grover 型二次加速（黑箱语境）；
实证账：经典启发式基线、嵌入开销、噪声偏置、单次运行成本——两本账当前不一致，结论以实证账为准。
图示
实例或案例
三份记录值得入档：其一，D-Wave Advantage（5000+ 量子比特）多次发布"万变量优化"结果，随后学界在补齐经典基线后大多撤回优势结论——这组往返本身是方法论教材。其二，金融与汽车业的 QAOA PoC（2019–2023 年间多家公开）普遍以"流程可行"收尾而非"性能优势"。其三，2023 年起少数论文转向"有限 p + 误差缓解 + 定制 ansatz"的精细赛道，开始出现窄幅领先的苗头——方向正确，规模尚小。三条记录合起来给 kp-033 提供了最完整的"现实折扣率"样本。
与其他知识点的关系
kp-019 是算法底座；kp-018 的 √N 界定理论天花板；kp-033 的"能/不能"清单在此最显锋利；kp-026 的指标提醒我们比较时必须对齐基准与规模。
常见误区
- "量子退火=量子计算机"：退火是专用采样装置，非通用门模型，不能跑 Shor/Grover；两者新闻常被混装。
- "优化问题量子一定快"：未被证明；黑箱下界（√N）与近似比现状都不支持"一定"。
- "PoC 跑通=应用成熟"：跑通只证明工程可行性；商业价值需要相对最优经典基线的稳定优势与成本模型。
自测题
- 为什么组合优化被普遍认为"理论希望小于化学模拟"？
- 阅读一份"量子优化优势"报告时的三个必问问题？
- QUBO 与 Ising 是什么关系？
答案要点：化学有"量子模拟量子"的结构性匹配论证；优化的困难核心接近无结构搜索，量子只有平方加速且无严格优势证明。
答案要点：经典基线是否足够强且调优；是否计入嵌入/编码开销；硬件规模与噪声水平是否支持结论外推。
答案要点：同一能量函数的两种记法（0/1 变量 vs ±1 自旋），互相线性替换——不同硬件社区的习惯叫法。
延伸阅读
E. Farhi 等 (2014)（QAOA 原始提案）；A. Montanaro (2016)（量子算法应用的冷静总览，优化部分尤其值得读）。