2026年9月24日，Pasqal Holding SA（纳斯达克代码“PSQL”）公布2026年上半年财报一天后，Pasqal CEO Wasiq Bokhari就在接受Fox Business采访时直言，量子计算可能帮助美国及其盟友减少对中国稀土供应链的依赖。
就在一周前，Pasqal刚刚宣布和美国稀土公司（USA Rare Earth，纳斯达克代码“USAR”）、工业化学AI公司Riven Systems达成战略合作伙伴关系，三方将使用量子机器学习开发稀土价值链中的下一代分离技术。
这一合作的最终目标是找出结合稀土更强的新萃取分子，提高分离环节的效率，顺便降低加工设施的规模、成本和能耗。
那么，从财报的账面数字再到宏观地缘的矿产博弈，究竟是如何形成逻辑闭环的？
资本底气
要知道，一直以来，量子计算行业如同“碎钞机”一般，VC、二级市场的投资人最关心的就是在大量的研发消耗之下，量子公司能不能建立起自我造血的商业模型。
详细看Pasqal上半年的财报，营收和现金储备给出了答案。截至2026年6月30日，Pasqal营业收入490万欧元，同比增长14%。其中，QPU（量子处理单元）相关服务收入是390万欧元，同比增长34%。这证明量子算力不仅仅停留在概念验证上，客户开始为量子算力的实际商业价值买单。
与此同时，Pasqal已经预订并获得的商业化业务订单金额高达7040万欧元。这绝对是一个让同行眼红的数据。
然而，营收的同时，运营亏损也是得算的。报告期内，公司营业亏损5920万欧元，与上年的1980万欧元相比，亏损大幅扩大。
不过，现金流消耗并没有完全处于失控状态，其中的大头包含股份支付协议的3750万欧元以及和上市流程相关的一次性交易费用。在去除这些非经常性纸面损耗后，其常态化研发和扩张成本仍在可控范围内。
更值得看的是资产负债表。截至2026年6月30日，现金及现金等价物是1.108亿欧元。截至2026年8月27日，在顺利完成业务合并及相关融资后，Pasqal账上的现金及现金等价物已暴增至约3.129亿欧元。
技术进展方面，Pasqal在今年上半年也是取得了不错的成绩：突破了1000个物理量子比特的系统展示规模；在逻辑量子比特应用上，首次证明了通过逻辑实现求解微分方程优于物理比特实现的行业级里程碑。不仅如此，其通过NVIDIA CUDA-Q实现了混合量子-经典计算架构的深度融合。
此前在3月份，Pasqal更是联合学术界在猎户座β系统上利用256个中性原子成功模拟了磁性材料TmMgGaO₄，这一成果被《Nature》收录，为后续解决稀土化合物质问题埋下了关键的技术伏笔。
稀土分离
事实上，稀土元素在地壳中并不稀有，稀土真正真正难的如何分离出来。
17种稀土元素通常共生在同一个矿床中，它们的化学性质非常相似，要想把它们逐一分离成高纯度的单一氧化物，需要经过数百级溶剂萃取。每一级萃取都需要特定萃取剂分子对某一稀土元素的选择性结合能力。
然而，寻找这样的高选择性分子，本身就是一个极其漫长而又十分依赖反复试错的化学发现过程。
中国在这一环节的主导地位是结构性的。国际能源署2024年数据显示，中国拥有全球稀土矿产量的61%，精炼和加工能力更是高达91%。更关键的是镝、铽、钇这些用于高性能磁体和国防系统的重稀土，中国的分离能力几乎具有垄断性。
就像USA Rare Earth上游高级副总裁Alex Moyes在合作公告中所说的：“亚洲以外的稀土产业面临的关键挑战是把上游生产的混合稀土碳酸盐（MREC）分离成单独分离的氧化物。中国在这一能力上占据主导地位，尤其是在关键重稀土方面。”
而在前述提及的Pasqal的技术进展，正是其敢于和USAR、Riven Systems合作的原因。
仅靠提高算力，很难解决稀土分离问题。萃取分子需要对目标元素表现出足够的选择性，还要考虑真实料液条件下的稳定性、分离级数、试剂消耗、成本、废物处理。即使是实验室里表现较好的分子，也未必可以直接用于连续运行的工业流程。
“在新冠疫情期间，我们已经见证了涉及高价值零部件的脆弱供应链崩溃所带来的全球性灾难。如今这种危机正蔓延到防务系统、先进电子和电动出行领域。”Pasqal CEO Bokhari在接受采访时直言。
美欧企业面对中国在供应链端的深度控盘，想用“砸钱盖厂”来重构稀土工业线，无异于刻舟求剑。如果要实现弯道超车，锚定化学范式是一个不错的选择。这正是三方合作的更深层逻辑。
运作机制
那么，三方是如何展开合作的？
具体来看，他们尝试利用“量子机器学习+自动化实验”的组合来替代传统的化学试错。Riven Systems负责运行自动化矿物分离实验室，并进行数千次自动化的萃取剂实验，来生成关于萃取剂选择性的训练数据。
Pasqal的中性原子量子处理器（QPU）则运行量子机器学习模型，与基于经典计算训练的模型进行基准测试，目标是预测哪种分子结构能够更有效地选择性结合特定稀土元素。
USAR主要负责提供真实的工业feedstock，包括德克萨斯州Round Top矿的矿石、第三方混合稀土碳酸盐、磁体制造过程中回收的切割废料（swarf）等。
不过，这个技术路线有一个基本假设。
萃取剂分子的设计和筛选本身是一个高维组合优化问题，涉及多个变量，比如电子结构、结合能、选择性等。传统密度泛函理论（DFT）精度不足以解决这样的强关联问题，而量子计算在原理上更适合模拟分子尺度的电子行为。在预测精度上，如果量子机器学习模型能够超越经典模型，或者用更少的实验数据获得同等精度，就可以把整个化学发现流程大大压缩。
也就是说，在这个过程中，量子计算可以在更深层次上模拟含有稀土元素的分子和化合物，帮助研究人员识别这些元素的可利用特性，更有效地把有价值的元素和不太稀有的元素区别开来。
当然，这项合作目前还处于研发阶段。量子机器学习能否筛选出可靠的新分子是未知的。Pasqal也在财报的前瞻性声明里提示到，量子计算、人工智能和自动驾驶实验室用于工业分离化学，是“新颖且相对未经验证”的。
总之，这是一个方向明确、但结果未定的尝试。Bokhari自己也非常清楚这一点。他把量子计算当下的处境比作生成式AI爆发之前的传统AI——“在雷达下运行了很久”，只是量子计算的“ChatGPT时刻”可能还要再等几年。
关键矿产的算力化
当然，Pasqal、USAR和Riven Systems的合作并不是单一例子。
2026年4月，摩根大通披露了一份名为关键矿产供应链的报告，报告中提到，多元化的第一阶段目标是动员单个项目，下一阶段将会更难、更关键。成功或失败要看新的加工、精炼和回收能力能否经济上规模化。
报告特别提到：“有几项有前景的技术可以使关键矿产精炼更高效”，虽然没有明指量子计算，但Pasqal的合作正是对这类“精炼环节技术突破”的押注。
而且，Pasqal此次合作也并不是量子计算在这个领域的首次应用。比如，德国航空航天中心（DLR）的QCMineral项目正使用混合量子-经典方法模拟钙钛矿氧化还原材料，用于能源存储和太阳能燃料合成。日本日本先进工业科学和技术研究院（JAIST）和字节跳动使用神经网络量子蒙特卡洛方法处理相关的材料化学问题。
例如，德国航空航天中心（DLR）的QCMineral项目使用混合量子－经典方法模拟钙钛矿氧化还原原材料，用于能源储存和太阳能燃料合成。日本日本先进工业科学和技术研究院（JAIST）和字节跳动在使用神经网络量子蒙特卡洛方法处理相关的材料化学问题。尝试突破传统量子化学计算对一些较大材料体系的限制。这些项目都指向一件事：量子计算作为专用求解器引入到一些特定材料化学问题中。
这些项目都指向了一件事，量子计算主要是作为专用求解器引入到一些特定材料化学问题中。
此外，Riven Systems CTO Orion Archer Cohen在合作公告中指出：“AI和自主实验室是关键矿产加工的下一个前沿。这正是西方利用先进计算技术领先优势加快工业化的方式。”
这也侧面表明，西方想要在稀土加工领域追赶中国的物理产能并不现实，但可以通过计算和自动化的“软件优势”来加速化学发现过程，从而在工艺层面实现弯道超车。
[1]https://www.pasqal.com/newsroom/pasqal-reports-first-half-2026-financial-results/?utm_source=gemini
[2]https://www.foxbusiness.com/technology/quantum-computing-could-help-us-reduce-reliance-chinas-rare-earth-supply-chain-tech-ceo-says
[3]https://www.globenewswire.com/news-release/2026/09/17/3363836/0/en/usa-rare-earth-pasqal-and-riven-systems-partner-to-advance-next-generation-technologies-for-critical-mineral-production.html
[4]https://www.eurekalert.org/news-releases/1136876#1
[5]https://www.jpmorganchase.com/center-for-geopolitics/insights/jpmc-cfg-minerals
