1. 课程导入与成本评估全景

训练一个量子模型，究竟要花多少钱、占多少资源？这个问题在经典深度学习里已经有相对成熟的回答方式——看参数量、看FLOPs、看GPU小时数。但到了量子模型，答案会变得复杂得多：你既要在真实量子处理器上消耗宝贵的量子比特与相干时间，又要在经典侧承担参数优化、梯度估计和线路编译的开销。如果一开始就把评估边界搞混，很容易出现"量子部分算得很细、经典部分完全漏算"或"只盯着比特数、忽略门深度带来的实际耗时"这类偏差。

本节的任务不是立刻给出一个精确的报价公式，而是先把评估的对象、边界和指标三件事对齐，让你在后续章节中知道每一个数字该往哪里放。

一、评估对象：一次训练任务由哪些部分组成

量子模型训练的成本对象可以拆成四个层次。第一层是量子线路本身：它由若干量子比特、若干量子门和测量操作构成，决定了单次前向执行在量子硬件上的资源占用。第二层是训练循环：变分量子算法通常需要反复执行线路、测量期望值、由经典优化器更新参数，这个循环的次数直接放大了单次执行的成本。第三层是经典计算：包括梯度估计（如参数移位法需要每个参数两次额外线路执行）、线路编译与优化、数据处理和优化器自身的开销。第四层是运行环境：真实量子硬件按队列时间与shots计费，模拟器按内存与CPU/GPU时间计费，两者成本结构完全不同。

理解这四层的关键在于：它们不是并列的，而是相乘或相加的关系。单次线路执行成本乘以训练迭代次数，再加上经典侧开销，才是总成本。很多初学者只估算第一层，结果低估一个数量级。

二、评估边界：算到哪一步为止

评估边界决定了哪些开销计入、哪些不计入。建议在项目开始时明确三条边界线：

• 时间边界：只统计训练阶段，还是包含数据预处理、线路编译、超参数搜索和最终推理？超参数搜索往往是成本黑洞，若不计入会严重失真。
• 硬件边界：量子处理器时间与经典计算资源是否合并计价？在模拟器上训练再迁移到真机，两段成本要分别记录。
• 失败边界：量子硬件存在噪声和排队失败，重试与校准时间是否计入？建议单独列为"可靠性开销"，不要混入有效计算成本。

边界一旦确定，就要在整门课程中保持一致，否则不同方案的对比会失去意义。

三、关键指标：五个必须盯住的量

量子比特数决定问题规模和模拟器内存需求，是硬约束；门深度决定线路在相干时间内能否完成，深度越大，噪声累积越严重，有效成功率越低；采样次数（shots）决定每次期望值估计的统计误差，误差按 1/√shots 下降，想要精度翻倍就要四倍shots；经典计算开销体现在梯度估计的线路执行倍数和优化器迭代上；时间与费用则是前四者的综合体现，也是最终向决策者汇报的语言。

这五个指标之间存在明显的权衡：减少shots可以省钱但增加统计噪声，增加门深度可以提升表达能力但降低硬件成功率。评估的本质不是把每个指标压到最低，而是找到满足精度要求下的成本最优点。

四、一个可操作的估算示例

为了让上面的框架落地，我们用一个假设的示例走一遍估算流程（以下参数均为教学假设，不代表任何真实硬件报价）。设某变分线路使用 8 个量子比特、门深度 40、每次执行 2000 shots，训练迭代 300 轮，采用参数移位法估计梯度，共 16 个可训练参数。

先算线路执行次数：每轮需要 1 次前向测量，加上梯度估计的 2×16=32 次额外执行，共 33 次；300 轮合计约 9900 次线路执行。再算采样总量：9900×2000≈1.98×10⁷ shots。若假设真机按每次执行固定排队与校准开销计，则总时间主要由执行次数而非shots主导；若在模拟器上运行，则内存随比特数指数增长，8比特尚可，20比特以上就要重新评估可行性。这个示例说明：梯度估计方式会以参数数量的倍数放大成本，是优化时最值得优先审视的环节。

五、本课程的任务驱动学习路径

后续内容将围绕一条主线展开：先建立成本模型（把四层对象量化），再逐项深入关键指标的计算与测量方法，然后进入真实场景下的资源评估与优化策略，最后通过案例复盘形成可复用的评估清单。每一节都会落到"这个数字怎么来、怎么判断是否合理"上，而不是停留在概念罗列。你在本节需要完成的准备，是选定一个自己关心的量子模型任务，并明确它的评估边界——这将作为贯穿全课程的分析对象。